การเรียนรู้ของเครื่องและการวิเคราะห์เชิงคาดการณ์ใน B2B
เผยแพร่แล้ว: 2017-08-01เมื่อสามปีที่แล้ว ฉันได้เขียนโพสต์เกี่ยวกับแรงกดดันจากการขายปลีกออนไลน์ในร้านค้าทั่วไปที่มีหน้าร้านจริง ตั้งแต่บริษัทยักษ์ใหญ่ในอดีต เช่น Borders ไปจนถึงบริษัทที่มีความเสี่ยงในปัจจุบัน เช่น Sears บริษัทต่างๆ ที่ล้มเหลวในการตอบสนองต่อการเปลี่ยนแปลงในวงกว้างในความคาดหวังของผู้บริโภคได้ปิดตัวลงหรือกำลังประสบปัญหาในการเปิด
ให้ความยุติธรรมแม้ว่า การขายปลีกทางกายภาพไม่ได้ถึงวาระ มันเป็นชิ้นส่วนของปริศนาในโลก omni-channel มันไม่ใช่จุดศูนย์กลางอีกต่อไป บริษัทที่ประสบความสำเร็จให้ความสนใจอย่างใกล้ชิดกับข้อมูลลูกค้า เรียนรู้หรือคาดการณ์ว่าการกระทำของลูกค้าจะเป็นอย่างไร และขับเคลื่อนประสบการณ์ของลูกค้าไปสู่ระดับใหม่ทั้งหมด ระดับที่เป็นพื้นฐานใหม่สำหรับการแข่งขันและประสบความสำเร็จในการค้าปลีก
และถ้าคุณอยู่ในพื้นที่ B2B ฉันหวังว่าคุณจะให้ความสนใจ
ตลอด 20 ปีที่ผ่านมา ฉันได้ช่วยบริษัทหลายแห่งติดตั้งทั้งไซต์ B2C และ B2B ความท้าทายแตกต่างกันไปในบางแง่มุม แต่ความคาดหวังของผู้โต้ตอบกับไซต์ได้บรรจบกันมานานหลายปี และในขณะที่บริษัทอย่าง Amazon ยังคงขยายตัวในโลก B2B คุณจึงมั่นใจได้ว่าความต้องการประสบการณ์ที่ "ฉลาดขึ้น" จะเติบโตขึ้น
บริษัทส่วนใหญ่ในพื้นที่ B2B ใช้การวิเคราะห์เว็บเพื่อติดตามข้อมูลพื้นฐาน การดูหน้าเว็บ ผู้เข้าชม อัตราตีกลับ และตัวชี้วัดที่คล้ายกัน วันนี้เป็นแถบต่ำ
คุณค่าที่แท้จริงที่สามารถดึงออกมาจากวิธีที่ลูกค้าโต้ตอบกับไซต์นั้นไม่ได้ซ่อนอยู่ในรายงาน Google Analytics ที่คลุมเครือ มันถูกฝังอยู่ในความมั่งคั่งของข้อมูลที่สามารถรวบรวมจากการโต้ตอบกับลูกค้า สำหรับบริษัททั้งขนาดเล็กและขนาดใหญ่ โลกของวิทยาศาสตร์ข้อมูลอาจเป็นเรื่องที่น่าวิตก และการรู้ว่าจะเริ่มต้นจากตรงไหนก็อาจทำให้คนๆ หนึ่งสับสนได้
แต่อย่าสนใจสิ่งนี้ด้วยอันตรายของคุณเอง
ตกลง ดังนั้นการอภิปรายอย่างเต็มรูปแบบเกี่ยวกับวิทยาศาสตร์ข้อมูลจึงอยู่นอกเหนือสิ่งที่เป็นไปได้ในบล็อก แต่ต่อไปนี้คือประเด็นสำคัญบางประการที่ทุกคนในพื้นที่ B2B ควรรู้:
- การตอบสนองอย่างรวดเร็วและแม่นยำต่อการเปลี่ยนแปลงพฤติกรรมของลูกค้าเป็นสิ่งสำคัญ เวลาที่ต้องใช้เวลาหนึ่งสัปดาห์หรือนานกว่านั้นในการอ่านรายงานและค้นหาว่าลูกค้าของคุณต้องการอะไรได้หมดลงแล้ว
- การวิเคราะห์เชิงคาดการณ์และแมชชีนเลิร์นนิงอยู่ที่นี่แล้ว และบริษัทต่างๆ ที่ใช้เทคนิคเหล่านี้จะเอาชนะผู้ที่ไม่ได้ใช้
- แพลตฟอร์มการค้าของคุณอาจหรืออาจไม่สามารถรวบรวมข้อมูลทั้งหมดที่คุณต้องการได้ เป็นปริศนาชิ้นหนึ่งและมีแหล่งข้อมูลอื่นให้พิจารณา
แล้วบริษัท B2B จะใช้การวิเคราะห์เชิงคาดการณ์และการเรียนรู้ของเครื่องได้อย่างไร ต่อไปนี้คือกรณีการใช้งานบางส่วนที่ฉันได้เห็น:
การจัดประเภทลูกค้า
การทำความเข้าใจแนวโน้มพฤติกรรมของลูกค้าและการจัดกลุ่มลูกค้าที่คล้ายคลึงกันอาจเป็นวิธีที่มีประสิทธิภาพในการมุ่งเน้นด้านการตลาดและการขายสินค้า การจำแนกประเภทหนึ่งที่น่าจะมองเห็นได้มากที่สุดคือ "ลูกค้าวีไอพี" แต่บ่อยครั้งเกินไป บริษัท B2B เพียงแค่ตัดสินใจโดยใช้ตัวชี้วัดเดียวว่าสิ่งใดที่ถือเป็นวีไอพี การใช้งานอย่างหนึ่งที่ฉันเห็นเพียงแค่จัดกลุ่มลูกค้าที่ซื้อมากกว่า $100 เป็นวีไอพี และติดป้ายเล็กๆ น้อยๆ บนโปรไฟล์ออนไลน์ของลูกค้า นั่นไม่ใช่การจำแนกประเภทจริงๆ มันใกล้เคียงกับการเล่นเกมซึ่งทำให้ลูกค้ารู้สึกถึงความสำเร็จและหวังว่าจะเพิ่มความภักดีให้กับลูกค้า
การจัดประเภทจริงขึ้นอยู่กับชุดของคุณสมบัติข้อมูลที่วัดจากกิจกรรมของลูกค้าล่าสุดทั้งหมด กล่าวอีกนัยหนึ่ง ไม่ว่าใครจะเป็นลูกค้าวีไอพีจริงหรือไม่ก็ตาม กำลังจะเปลี่ยนไปเมื่อเทียบกับพฤติกรรมของฐานลูกค้าทั้งหมด
การรู้การจัดประเภทลูกค้าและความสามารถในการใช้แบบจำลองการจัดประเภทเพื่อคาดการณ์กลุ่มที่ลูกค้าใหม่น่าจะเป็นสมาชิก สามารถช่วยได้มากในการพิจารณาว่าจะแสดงโปรโมชันใดต่อลูกค้าขณะที่พวกเขาอยู่บนไซต์หรือทางอีเมล ในการใช้งานแมชชีนเลิร์นนิงล่าสุดที่เราทำสำหรับบริษัท B2B เราจัดกลุ่มลูกค้าออกเป็นหลายกลุ่มโดยใช้ข้อมูลจากช่วงเวลาล่าสุด:
- นักช้อป VIP: ลูกค้า ระดับสูงสุดโดยพิจารณาจากมูลค่าของคอนเวอร์ชั่นและจำนวนคอนเวอร์ชั่น
- นักช้อปที่มีส่วนร่วม: การเข้าชมจำนวนมาก รถเข็นที่ใช้งานอยู่ การดูผลิตภัณฑ์จำนวนมาก และ Conversion อย่างน้อยหนึ่งครั้ง
- Window Shopper: การเข้าชมหลายครั้ง มุมมองผลิตภัณฑ์มากมาย
ข้อมูลนี้ไม่ได้ถูกแบ่งปันกับลูกค้า – ไม่ใช่ความแตกต่างในที่สาธารณะ แต่เป็นตัวบ่งชี้ภายในว่าจะโต้ตอบกับลูกค้าได้อย่างไร การมีข้อมูลนี้ช่วยให้นักการตลาดสามารถแสดงโปรโมชั่นที่ตรงเป้าหมายบนเว็บไซต์ระหว่างการเยี่ยมชม ตัวอย่างเช่น หากลูกค้าอยู่ในประเภท "นักช้อปที่มีส่วนร่วม" และมีรถเข็นที่ใช้งานอยู่ซึ่งอยู่เหนือ AOV ระบบอาจแสดงคูปองสำหรับการจัดส่งฟรีหรือส่วนลดเพื่อย้ายผู้ซื้อรายนี้ไปสู่การแปลง
สิ่งสำคัญที่ควรทราบคือโมเดลไม่คงที่ ต้องคำนวณใหม่บ่อยๆ ในการใช้งานล่าสุด ตัวแบบจะคำนวณใหม่ทุกสองสามชั่วโมงเพื่อให้แน่ใจว่าเป็นแบบที่เป็นปัจจุบันและแม่นยำที่สุด
ผลิตภัณฑ์ที่กำหนดและการจัดวางเนื้อหา
มีหลายสาเหตุที่พฤติกรรมการซื้ออาจเปลี่ยนแปลงได้ ฤดูกาลเป็นหนึ่งในเหตุผลดังกล่าว สาเหตุอื่นๆ ที่อาจส่งผลต่อการเปลี่ยนแปลงพฤติกรรมในระยะสั้น ได้แก่ สภาพอากาศ ข่าวสาร การขาดแคลน และการส่งเสริมการขายของผู้ผลิต การใช้แบบจำลองเพื่อตรวจจับสภาวะที่ “อยู่นอกเหนือความคาดหมาย” และปรับการจัดวางสินค้าบนเว็บไซต์เพื่อตอบสนองต่อความผิดปกติที่ละเอียดอ่อนของเวลากลายเป็นเรื่องธรรมดามากขึ้น เทคนิคนี้สามารถใช้เพื่อเปลี่ยนแปลงผลการค้นหา การจัดวางรายการในหน้าแรก การจัดวางรายการหมวดหมู่ และแนะนำผู้ใช้เกี่ยวกับข้อมูลผลิตภัณฑ์เมื่อมีการค้นหาผลิตภัณฑ์ที่แข่งขันได้
ผลิตภัณฑ์ที่ระบุทำงานได้ดีขึ้นเมื่อมองเห็นที่ด้านบนของหน้าแรกหรือไม่? บางคนทำบางคนไม่ ความสามารถในการตรวจจับตำแหน่งที่เหมาะสมที่สุดสำหรับผลิตภัณฑ์จากประวัติกิจกรรมล่าสุด เช่น การแปลงและการเพิ่มตะกร้าสินค้า สามารถทำได้ผ่านการเรียนรู้ของเครื่อง เมื่อแนะนำผลิตภัณฑ์ใหม่ สามารถใช้แบบจำลองที่คล้ายกันเพื่อคาดการณ์ตำแหน่งที่ดีที่สุดเพื่อประสิทธิภาพสูงสุดตามคุณลักษณะของผลิตภัณฑ์
การปรับปรุงการปรับเปลี่ยนในแบบของคุณ
การปรับเปลี่ยนในแบบของคุณบนไซต์ B2C ส่วนใหญ่ยังอีกยาวไกล และในไซต์ B2B ยังอยู่ในช่วงเริ่มต้น แม้ว่าจะเป็นไปได้ที่จะจัดกลุ่มนักช็อปให้เป็นกลุ่มและแสดงรายการที่คล้ายกัน แต่แมชชีนเลิร์นนิงช่วยให้กลุ่มผู้เลือกซื้อเหล่านี้มีขนาดเล็กลงได้ ซึ่งจะทำให้ลูกค้า B2B ของคุณได้รับประสบการณ์ที่ไม่เหมือนใคร สิ่งนี้อาจส่งผลกระทบอย่างยิ่งเมื่อมีผู้ซื้อ B2B หลายรายจากลูกค้ารายเดียว
เพื่อเริ่มต้นการก้าวไปสู่ประสบการณ์ที่ไม่เหมือนใคร สามารถพัฒนาโมเดลการเรียนรู้ของเครื่องได้ตั้งแต่ระดับสูง จากนั้นจึงพัฒนาไปสู่ระดับที่ละเอียดยิ่งขึ้นซึ่งจะให้ข้อมูลเชิงลึกที่ไม่ซ้ำใครเกี่ยวกับลูกค้า
ตัวอย่างเช่น การเริ่มต้นด้วยการระบุตำแหน่งทางภูมิศาสตร์เป็นปัจจัยหนึ่ง ผู้ขาย B2B ของอุปกรณ์ HVAC ทางอุตสาหกรรมควรนำเสนอผลิตภัณฑ์ที่แตกต่างกันสำหรับลูกค้าในมินนิโซตาและในฟลอริดา ฤดูกาลซื้อไม่เพียงแต่แตกต่างกันเท่านั้น แต่เหตุการณ์ในฟลอริดา เช่น พายุเฮอริเคนที่กำลังจะเกิดขึ้น อาจส่งผลต่อพฤติกรรมการซื้อในระยะสั้น โมเดลที่ออกแบบอย่างเหมาะสมสามารถช่วยระบุการเปลี่ยนแปลงเหล่านี้และแจ้งเตือนนักการตลาดแบบ B2B ให้ทราบถึงการเปลี่ยนแปลงที่อาจต้องมีการเปลี่ยนแปลงในการจัดวางสินค้าบนเว็บไซต์สำหรับภูมิภาคทางภูมิศาสตร์
นอกจากนี้ บริษัทสามารถพัฒนาแบบจำลองที่สามารถคาดการณ์ลำดับการจัดเรียงที่เหมาะสมที่สุดสำหรับผลการค้นหาสำหรับลูกค้า ผลิตภัณฑ์และหมวดหมู่ที่เหมาะสมที่สุดสำหรับพวกเขา พร้อมกับโปรโมชั่นที่แนะนำตามพฤติกรรมล่าสุดของพวกเขา
สรุป
เป็นเวลาที่น่าสนใจในการทำงานด้านการค้าและโดยเฉพาะด้านข้อมูล การบรรจบกันของการประมวลผลบนคลาวด์ต้นทุนต่ำและความอุดมสมบูรณ์ของข้อมูลที่มีจากแหล่งข้อมูลมากมาย (อย่างน้อยที่สุดก็คือไซต์ B2B ของบริษัท) และให้ข่าวกรองที่นำไปดำเนินการได้จำนวนมากโดยมีคำสั่งลงทุนต่ำกว่าทศวรรษ ที่ผ่านมา. ซึ่งไม่เพียงแต่ทำให้เทคโนโลยีนี้เข้าถึงได้ แต่ยังวางตำแหน่งให้กลายเป็นส่วนสำคัญในความสัมพันธ์กับลูกค้าของคุณและวิธีดำเนินธุรกิจของคุณ
ผู้ที่เพิกเฉยต่อการโทรในวันนี้ อาจเป็นพรมแดนของวันพรุ่งนี้