B2B'de makine öğrenimi ve tahmine dayalı analitik
Yayınlanan: 2017-08-01Üç yıldan biraz daha uzun bir süre önce, çevrimiçi perakendenin geleneksel tuğla ve harç mağazalarına getirdiği baskılar hakkında bir dizi yazı yazdım. Sınırlar gibi geçmişin devlerinden Sears gibi bugün risk altında olanlara kadar, tüketici beklentilerindeki geniş değişikliklere tepki veremeyen şirketler kapılarını kapattı veya açık tutmak için mücadele ediyor.
Yine de adil olalım. Fiziksel perakendenin sonu yok. Çok kanallı dünyada bulmacanın bir parçası. Artık merkez parçası değil. Başarılı olan şirketler, müşteri verilerine çok dikkat ediyor, müşterilerinin eylemlerinin ne olacağını öğreniyor veya tahmin ediyor ve müşteri deneyimini tamamen yeni bir düzeye taşıyor. Perakendede nasıl rekabet edileceği ve başarılı olunacağı konusunda yeni temel olan bir seviye.
Ve eğer B2B alanındaysanız, umarım dikkat ediyorsunuzdur.
Son 20 yılda birçok şirketin hem B2C hem de B2B sitelerini uygulamalarına yardımcı oldum. Zorluklar bazı yönlerden farklıdır, ancak bir siteyle etkileşime girenlerin beklentileri yıllardır birbirine yaklaşmaktadır. Amazon gibi şirketler B2B dünyasında genişlemeye devam ettikçe, "daha akıllı" bir deneyim talebinin artacağından emin olabilirsiniz.
B2B alanındaki çoğu şirket, temelleri izlemek için web analitiğini kullanıyor; sayfa görüntülemeleri, ziyaretçiler, hemen çıkma oranı ve benzer metrikler. Bugün, bu düşük çubuktur.
Müşterilerin bir siteyle etkileşim biçiminden çıkarılabilecek gerçek değer, belirsiz bir Google Analytics raporunda gizlenmiyor. Müşteri etkileşimlerinden toplanabilecek veri zenginliğine gömülüdür. Hem küçük hem de büyük şirketler için veri bilimi dünyası göz korkutucu olabilir ve nereden başlayacağını bilmek kişinin başını döndürebilir.
Ama bunu kendi sorumluluğunuzda görmezden gelin.
Tamam, yani veri biliminin tam bir tartışması bir blogda mümkün olanın ötesindedir, ancak işte B2B alanındaki herkesin bilmesi gereken bazı önemli noktalar:
- Müşteri davranışındaki değişikliklere hızlı ve doğru bir şekilde yanıt verebilmek çok önemlidir. Raporları incelemek ve müşterilerinizin ne istediğini anlamak için bir hafta veya daha uzun süren günler geride kaldı.
- Tahmine Dayalı Analitik ve Makine Öğrenimi kalıcıdır ve bu teknikleri kullanan şirketler, kullanmayanları geride bırakacaktır.
- Ticaret platformunuz, ihtiyacınız olan tüm verileri toplayamayabilir veya toplamayabilir. Bu bulmacanın bir parçası ve dikkate alınması gereken başka kaynaklar da var.
Peki B2B şirketleri tahmine dayalı analitik ve makine öğrenimini nasıl kullanabilir? İşte gördüğüm birkaç kullanım örneği:
Müşteri sınıflandırması
Müşterilerin davranışsal eğilimlerini anlamak ve onları benzer müşterilerle gruplandırmak, pazarlama ve mağazacılık çabalarına odaklanmanın etkili bir yolu olabilir. Büyük olasılıkla görülen bir sınıflandırma "VIP Müşteri"dir, ancak B2B şirketleri çoğu zaman tek bir metrik kullanarak VIP'yi neyin oluşturduğuna karar verir. Gördüğüm bir uygulama, 100 doların üzerinde satın alan herhangi bir müşteriyi VIP olarak sınıflandırıyor ve müşterinin çevrimiçi profiline küçük bir rozet yerleştiriyor. Bu gerçekten sınıflandırma değil; müşteriye bir tür başarı hissi veren ve umarız onların sadakatini artıran oyunlaştırmaya daha yakındır.
Gerçek sınıflandırma, tüm son müşteri etkinliklerinde ölçülen bir dizi veri özelliğine dayanır. Başka bir deyişle, birinin gerçek bir VIP müşteri olup olmadığı, tüm müşteri tabanının davranışı ile karşılaştırıldığında değişecektir.
Müşteri sınıflandırmasını bilmek ve yeni bir müşterinin muhtemelen ait olacağı bir grubu tahmin etmek için bir sınıflandırma modeli kullanabilmek, bir müşteriye sitedeyken veya e-posta yoluyla hangi promosyonların gösterileceğini belirlemede büyük ölçüde yardımcı olabilir. Bir B2B firması için yaptığımız yakın tarihli bir makine öğrenimi uygulamasında, yakın zamana ait verileri kullanarak müşterileri birkaç segmente ayırdık:
- VIP Shopper: Dönüşüm değerine ve dönüşüm sayısına göre en yüksek müşteri katmanı.
- Etkileşimli Alışverişçi: Çok sayıda ziyaret, etkin bir alışveriş sepeti, çok sayıda ürün görüntüleme ve en az bir dönüşüm.
- Window Shopper: Birkaç ziyaret, çok sayıda ürün görünümü
Bu bilgi müşteriyle paylaşılmadı – bu genel bir ayrım değil, müşteriyle nasıl etkileşime geçileceğinin dahili bir göstergesidir. Bu bilgilere sahip olmak, pazarlamacıların bir ziyaret sırasında sitede hedeflenen promosyonları göstermesine olanak tanır. Örneğin, bir müşteri "Etkileşimli Alışverişçi" sınıflandırmasına girerse ve AOV'nin üzerinde etkin bir alışveriş sepetine sahipse, bu müşteriyi dönüşüme yönlendirmek için ücretsiz gönderim için bir kupon veya indirim görüntülenebilir.
Modellerin statik olmadığını da belirtmek önemlidir. Sık sık yeniden hesaplanmaları gerekir. Son uygulamada, modeller mümkün olduğunca güncel ve doğru olmalarını sağlamak için birkaç saatte bir yeniden hesaplanacaktı.
Standart Ürün ve İçerik Yerleştirme
Satın alma davranışının değişmesinin birçok nedeni vardır. Mevsimsellik böyle bir nedendir. Kısa vadeli davranış değişikliklerine neden olabilecek diğer nedenler hava durumu, haberler, kıtlıklar ve üretici promosyonlarıdır. “Beklentilerin dışında” olan koşulları tespit etmek ve site satışını zamana duyarlı anormalliklere yanıt verecek şekilde ayarlamak için modeller kullanmak daha yaygın hale geliyor. Bu teknik, arama sonuçlarını, ana sayfa öğesi yerleşimini, kategori öğesi yerleşimini değiştirmek ve rekabetçi bir ürün için bir arama yapıldığında kullanıcıları ürün bilgilerine yönlendirmek için kullanılabilir.
Belirli bir ürün, ana sayfanın en üstünde göründüğünde daha iyi performans gösteriyor mu? Bazıları yapar, bazıları yapmaz. Dönüşümler ve alışveriş sepeti eklemeleri gibi yakın tarihli bir etkinlik geçmişi verilen ürünler için en uygun yerleşimi tespit edebilmek, makine öğrenimi yoluyla gerçekleştirilebilir. Yeni bir ürün tanıtılırken, ürün özelliklerine dayalı olarak optimum performans için en iyi yerleşimi tahmin etmek için benzer modeller kullanılabilir.
Kişiselleştirmeyi Geliştirme
Çoğu B2C sitesinde kişiselleştirmenin kat etmesi gereken uzun bir yol var. Ve B2B sitelerinde hala emekleme aşamasında. Alışveriş yapanları bir grup halinde gruplamak ve onlara benzer öğeleri göstermek mümkün olsa da, makine öğrenimi bu grupları küçültmeyi mümkün kılar ve B2B müşteriniz için daha benzersiz bir deneyime yaklaşır. Bu, özellikle tek bir müşteriden birden fazla B2B alıcısı olduğunda etkili olabilir.
Daha benzersiz bir deneyime doğru ilerlemeye başlamak için, makine öğrenimi modelleri yüksek düzeyden başlayarak geliştirilebilir ve ardından müşteriye benzersiz içgörüler sağlayan daha ayrıntılı düzeylere ilerleyebilir.
Örneğin, bir faktör olarak coğrafi konumla başlayarak, bir B2B endüstriyel HVAC ekipmanı satıcısı, Minnesota'daki müşterilerle Florida'daki müşteriler için farklı ürünler sunmalıdır. Satın alma mevsimleri yalnızca farklı olmakla kalmaz, Florida'daki yaklaşan bir kasırga gibi olaylar kısa vadede satın alma davranışını etkileyebilir. Düzgün tasarlanmış bir model, bu değişiklikleri tespit etmeye yardımcı olabilir ve B2B pazarlamacısını bir coğrafi bölge için site mağazacılığında değişiklik gerektirebilecek değişiklikler konusunda uyarabilir.
Ek olarak, bir şirket, bir müşteri için arama sonuçları için en uygun sıralama düzenini, onlar için öne çıkarılacak ideal ürünleri ve kategorileri ve son davranışlarına dayalı olarak önerilen promosyonları tahmin edebilen modeller geliştirebilir.
Özetle
Ticarette ve özellikle verilerle çalışmak için büyüleyici bir zaman. Düşük maliyetli bulut tabanlı bilgi işlemin yakınsaması ve çok sayıda kaynaktan (en azı bir şirketin B2B sitesi değildir) elde edilen verilerin bolluğu ve on yıldan daha düşük bir yatırım emriyle çok sayıda eyleme geçirilebilir istihbarat sağlar. evvel. Bu, bu teknolojiyi yalnızca erişilebilir kılmakla kalmaz, aynı zamanda müşterilerinizle olan ilişkinizin ve işinizi nasıl yürüttüğünüzün temel bir parçası haline gelmesini sağlar.
Çağrıyı bugün görmezden gelenler, muhtemelen yarının Sınırları olabilir.