总部位于北卡罗来纳州的英格索尔兰德是世界领先的综合企业之一。该公司拥有多个业务线，包括压缩空气系统、暖通空调解决方案和面向科学实验室和货运运输公司等不同行业的先进技术产品。它还在175多个国家拥有业务，主要在B2B领域运营。
考虑到这一点，可以想象满足所有客户的复杂性，这就是英格索尔兰德为了更好地理解他们而采用人工智能的原因。
通过利用人工智能来分析广泛而多样化的客户群体，该公司能够创建量身定制的营销活动，并在开放率、点击率和转化率等关键绩效指标上取得更好的表现。其中一些活动是按地理位置划分的，而其他活动则是按业务类型或规模划分的，还有一些是以上述所有因素的组合。这帮助公司的领导们认识到他们以前没有时间开发的一些独特细分市场。事实上，如果没有人工智能，他们可能会没有注意到这些细分市场的存在。
英格索尔兰德的成功展示了所有企业领导者必须理解的一点。如今的竞争环境异常激烈，因此了解您的客户至关重要。如果客户感到被忽视或没有满足他们的需求，很容易被竞争对手的产品或服务所吸引。
为了更好地理解客户的期望，提高成功几率，您必须将其划分为正确的细分市场，只有这样，您才能确切知道他们的共同特征、行为和偏好。基于这些细分市场，您可以制定量身定制的营销活动和个性化的产品方案，从而极大增强您的转化率。
通过采用人工智能（AI）和机器学习（ML）等技术，公司可以提升其客户细分工作的效果。然而，与所有技术创新一样，它们需要在战略上采用。
以下是帮助您实现这一目标的指南。
为什么客户细分很重要，人工智能如何帮助？
基本上，人工智能可以通过超越我们的偏见和传统的客户细分方法来帮助我们。由于其细分过程仅由数据驱动，我们可以了解到我们之前没有考虑到的客户细分，从而揭示出关于我们客户的独特信息。
为了进一步说明，让我们看一个例子。
一家专注于农业设备和供应品的公司正计划扩大其产品线。该公司正在进行细分以确保新产品的相关性。
过去，该企业依靠传统方法进行细分，根据地理位置将客户分类，基于这样的假设：同一地区的农民会有类似的需求。例如，他们会为美国中西部各农场之间的共性特点（如天气条件）打广告，专注于拖拉机的特点。
然而，通过实施人工智能，该公司意识到地理细分并不是正确的方法。通过收集大量数据（包括购买历史、农场规模、种植作物类型、灌溉方法、技术采用情况、自动化率等），并让人工智能算法进行分析，该公司发现农场规模是影响农民采购决策的最关键因素之一。这似乎很明显：拥有较大农场的农民与拥有较小农场的农民有不同的需求。然而，这家农业设备公司的领导层仍然坚持通过地理细分销售，并且他们可能从未改变过这个过程，即使这并没有带来最好的结果。
说到这里，我们应该如何进行这个过程呢？
不同的客户细分方法
要确定适用于您的客户细分方法的模型，需要考虑以下因素：
-
我有哪些可用的数据？换句话说，我知道什么？
-
我的企业目标是什么？
-
我对我的客户了解多少？
基于此，您可以应用无监督模型、监督模型或采用混合方法。
-
无监督模型（K-Means聚类、DBSCAN、GMM）：此模型不依赖预定义的标签和训练数据，而是从头计算出最佳细分。您可以应用无监督算法：
-
当您没有特定细分市场时，尤其是当您首次应用人工智能细分并且没有先前训练过的数据集时
-
当您拥有一个动态的业务，客户群体快速变化，并且您想要确定新的细分市场时
-
- 监督机器学习（回归模型，决策树，随机森林）：如果我们有标记的训练数据集（例如来自先前的细分或领域知识），我们可以应用这种方法。然后，监督机器学习模型可以应用于新客户，或者那些不清楚属于哪个细分的客户。
混合方法结合了使用无监督学习来识别细分，并将这些细分应用为标签来训练监督模型。这个训练好的模型可以用于对新客户进行分类，或者为我们没有完整数据的客户创建一个细分。
请注意，在使用混合方法时要小心，不要进行随机抽样。如果你只选择那些你拥有完整数据的客户，那么很可能你只选择了最忠诚的客户，这可能不能公平地代表整个群体。这将导致选择偏倚，并且这些偏倚将会传递给人工智能。
挑战和常见错误
人工智能并不是没有挑战的。根据我的经验，以下是你在学习掌握技巧时最有可能遇到的一些障碍。
-
明确的细分：许多公司对于为何要进行细分并不清楚。在没有这个目的的情况下，人工智能流程很难发挥作用。在这些情况下，由人工运行的传统方法可能更有效，特别是如果你主要拥有定性数据。如果你只有少量的客户，也同样适用。
-
数据质量：人工智能产生的结果的质量只能和你给系统输入的数据质量一样好。因此，如果你的数据不准确，你的细分结果也会不准确。
-
道德考虑：确保不要将敏感数据和标准包含在模型中。这是许多公司犯下的一个错误，它使它们不仅损失了金钱，还损害了声誉。例如，在美国，抵押公司因其AI算法涉嫌种族歧视而备受指责。
-
CRM 准备就绪：因为机器学习是一项相对新兴的技术，许多客户关系管理（CRM）系统还未能与之配合。因此，将细分适当地整合到业务运营中（例如市场营销活动、接触点、销售策略）需要额外的工作。很多时候，业主们立即投入使用，而没有考虑到涉及的所有流程，这在利用人工智能时可能会出现问题。
-
员工培训：员工需要进一步培训，以便他们能够充分理解人工智能的细分方法。此外，你可能会遇到一些抵触情绪，因为人工智能的结果可能与他们的直觉相矛盾。为了克服信任障碍，展示一些积极的应用案例，并负责地使用人工智能。
-
细分质量：与传统细分类似，从机器学习模型获得的细分应满足关键准则并进行验证：
-
可操作性
-
稳定性
-
适当规模
-
可区分性
-
-
领域知识和解释：在每个步骤中，将业务知识整合和适当管理非常重要，从数据准备到验证模型的结果。同时要记住，即使是一个完美的机器学习模型也不能100%准确。在这里，需要你的领域专业知识，也需要人工智能和人类共同工作。我经常看到的另一个错误是，决策者将一切都委托给人工智能，并盲目地执行其建议，而没有进一步的质疑。这很可能会导致不利的结果。另外，我们要记住，归根结底，我们是人类，我们在解释数据时仍然存在偏见。意识到这一点可以帮助我们更不容易犯错误。
-
模型更新：如果你有一个动态的客户群体或者你的客户流失率很高，你的客户行为和偏好经常会发生变化。因此，确保定期更新模型，不要依赖过时的细分。
实现人工智能客户细分的逐步指南
现在，你已经了解了这些挑战，下面是一份逐步指南，以帮助你实现人工智能，并成功地将其整合到你的客户细分流程中。
-
定义您的细分目标。这包括了解您将如何对客户进行分类的不同标准。这里，再次强调，AI生成的洞察力和您作为该领域专家的视角都是必需的。通过合作，您将能够发现新的客户细分，并能够定制您的营销活动，以实现更好的结果。
-
确保数据可用性：确保AI能够访问全面的客户数据，或者如果您的数据不完整，找到一种应对方法。一种方法是使用混合建模方法。如前所述，但不可强调的是：结果只能和AI处理的数据一样好。
-
处理数据限制：如果您拥有有限的数据，从您的客户数据库中选择一个随机样本，并从他们那里收集额外的数据。然后，应用混合方法，以最大化您的结果。
-
选择您的建模方法并将所选模型应用于获得的数据
-
选择最佳的分段数：有多种技术可以计算最佳的分段数。最流行的方法包括拐点规则和差距分析。
-
了解各个细分的差异化标准并解释结果：您的客户将通过哪些关键变量来进行识别？他们的感知是什么，如何对他们进行营销？要使细分工作流畅，在验证模型准确性之后，您需要审查不同的细分，并确定驱动这些细分的变量是否适用于您的商业模式。
最后，但同样重要的是，作为合适的细分可视化资源，我应用了平行坐标系，其中我识别了四个细分：高价值购物者、预算购物者、科技爱好者和偶发购物者。我按照每个细分的月度消费和购买频率等类别进行测量，这有助于我更好地了解我的客户。
最后的思考
正如我们所讨论的，基于AI的客户细分可以帮助B2B公司更清晰地了解他们的客户以及他们决策背后的驱动因素。一旦您拥有了这些信息，您可以利用它来打造个性化的营销活动和体验，为您的客户增添更多价值。
通过按照本指南中概述的路线图进行操作，您可以利用AI算法提升您的业务细分过程，并做出基于数据的决策，推动您的增长，并提高客户满意度KPI，从而与您的客户建立更好的联系，并对您的品牌保持坚实的忠诚感。
这在B2B世界中变得越来越重要，尤其是对于高科技产品来说，因为客户的需求变化迅速，技术期望也在快速演变。适当地对客户进行细分可以成为提供一流产品和无法达到相关产品市场适配度的产品之间的区别。