B2B 中的機器學習和預測分析
已發表: 2017-08-01三年多前，我寫了一系列關於在線零售對傳統實體店施加的壓力的帖子。 從過去的龐然大物，如 Borders，到如今面臨風險的 Sears，未能對消費者預期的廣泛變化做出反應的公司要么關門大吉，要么正努力保持營業。
不過，讓我們公平一點。 實體零售並非注定。 這是全渠道世界中的一塊拼圖。 它不再是核心。 成功的公司正在密切關注客戶數據，學習或預測客戶的行為，並將客戶體驗提升到一個全新的水平。 一個級別是如何在零售業競爭和成功的新基準。
如果你在 B2B 領域，我希望你注意。
在過去的 20 年中，我幫助許多公司實施了 B2C 和 B2B 網站。 挑戰在某些方面有所不同，但與網站交互的人的期望多年來一直在趨同。 隨著亞馬遜等公司在 B2B 領域的不斷擴張，您可以肯定對“更智能”體驗的需求將會增長。
B2B 領域的大多數公司都在使用網絡分析來跟踪基礎知識； 頁面瀏覽量、訪問者、跳出率和類似指標。 今天，這是最低標準。
可以從客戶與網站交互的方式中提取的真正價值並不隱藏在不起眼的 Google Analytics（分析）報告中。 它隱藏在可以從客戶互動中收集的大量數據中。 對於大小公司來說，數據科學的世界可能令人生畏，知道從哪裡開始可能會讓一個人頭暈目眩。
但忽略這一點，後果自負。
好的，所以對數據科學的全面討論超出了博客的範圍，但這裡有一些 B2B 領域的所有人都應該知道的關鍵點：
- 能夠快速準確地響應客戶行為的變化至關重要。 花一周或更長時間閱讀報告並弄清楚客戶想要什麼的日子早已一去不復返了。
- 預測分析和機器學習將繼續存在，採用這些技術的公司將戰勝那些不採用這些技術的公司。
- 您的商務平台可能無法收集您需要的所有數據。 這是一個難題，還有其他來源需要考慮。
那麼 B2B 公司如何使用預測分析和機器學習呢？ 以下是我見過的一些用例：
客戶分類
了解客戶的行為傾向並將其與相似客戶分組可能是集中營銷和銷售工作的有效方式。 最有可能看到的一種分類是“VIP 客戶”，但 B2B 公司經常使用單一指標來決定什麼是 VIP。 我見過的一種實現只是將任何購買超過 100 美元的客戶歸類為 VIP，並在客戶的在線資料上放置一個小徽章。 那不是真正的分類。 它更接近於遊戲化，可以給客戶某種成就感，並有望提高他們的忠誠度。
真正的分類基於一組針對所有近期客戶活動測量的數據特徵。 換句話說，與整個客戶群的行為相比，某人是否是真正的 VIP 客戶將會發生變化。
了解客戶分類並能夠使用分類模型來預測新客戶可能屬於的組，可以極大地幫助確定在客戶在網站上或通過電子郵件時向他們展示哪些促銷活動。 在我們最近為一家 B2B 公司執行的機器學習實施中，我們使用最近一段時間的數據將客戶分為幾個部分：
- VIP Shopper：基於轉化價值和轉化次數的最高級別的客戶。
- 參與的購物者：大量的訪問、活躍的購物車、大量的產品瀏覽量以及至少一次轉化。
- 櫥窗購物者：多次訪問，大量產品瀏覽
此信息未與客戶共享 - 這不是公共區別，而是如何與客戶交互的內部指示。 有了這些信息，營銷人員就可以在訪問期間在現場展示有針對性的促銷活動。 例如，如果客戶屬於“參與購物者”類別，並且有一個高於 AOV 的活動購物車，則可以顯示免費送貨優惠券或折扣，以推動該購物者進行轉化。
同樣重要的是要注意模型不是靜態的。 它們必須經常重新計算。 在最近的實施中，模型將每隔幾個小時重新計算一次，以確保它們盡可能最新和準確。
規定的產品和內容放置
購買行為可能會改變的原因有很多。 季節性就是這樣的原因之一。 其他可能推動短期行為變化的原因是天氣、新聞、短缺和製造商促銷。 使用模型來檢測“超出預期”的情況並調整網站銷售以響應時間敏感的異常現象正變得越來越普遍。 此技術可用於更改搜索結果、主頁項目放置、類別項目放置，並在搜索競爭產品時將用戶引導至產品信息。
特定產品在主頁頂部可見時是否表現更好？ 有些會，有些不會。 可以通過機器學習來實現在給定近期活動歷史（例如轉換和購物車添加）的情況下檢測產品的最佳放置位置。 在引入新產品時，可以使用類似的模型來預測基於產品屬性的最佳性能的最佳位置。
改善個性化
大多數 B2C 網站的個性化還有很長的路要走。 而在 B2B 網站上，它仍處於起步階段。 雖然可以將購物者分組到一個群組中並向他們展示相似的商品，但機器學習可以使這些群組更小，從而為您的 B2B 客戶提供更獨特的體驗。 當有來自單個客戶的多個 B2B 買家時，這可能會特別有影響。
為了開始向更獨特的體驗邁進，可以從高層次開始開發機器學習模型，然後發展到更細化的層次，從而為客戶提供獨特的見解。
例如，從地理位置開始，工業 HVAC 設備的 B2B 賣家應該為明尼蘇達州和佛羅里達州的客戶提供不同的產品。 購買季節不僅不同，而且佛羅里達州的事件（例如即將到來的颶風）可能會在短期內影響購買行為。 設計合理的模型可以幫助發現這些變化，並提醒 B2B 營銷人員注意可能需要更改某個地理區域的站點銷售的變化。
此外，公司可以開發模型來預測客戶搜索結果的最佳排序順序、為他們提供特色的理想產品和類別，以及根據他們最近的行為建議的促銷活動。
總之
這是從事商業工作，尤其是數據工作的迷人時期。 低成本基於雲的計算與來自大量來源（尤其是公司的 B2B 網站）的大量數據的融合，並以低於十年的投資數量級提供大量可操作的情報前。 這不僅使這項技術觸手可及，而且使其成為您與客戶建立聯繫以及如何經營業務的核心部分。
那些今天忽略電話的人，可能是明天的邊界。