新闻,新闻报道

企业中的机器学习:您可以’t Afford 至 be Wrong

通过 文达沃
2016年7月18日

本文首次发表于 达特南。见原始帖子 这里.

作为罗格·豪尔(Rutger Hauer)的最后时刻 雨中的眼泪 独白结束 银翼杀手, Netflix(或您的首选流媒体服务)已为您的下一个观看选择列出了一些建议。从 2001年:太空漫游矩阵,该网站的算法会找到与您可能喜欢或可能不喜欢的大脑电影类似的东西。

在这种情况下,赌注很小。如果您最终观看和讨厌 矩阵,很可能您不会取消每月订阅;您将来只会对Netflix的算法建议持更加怀疑的态度,然后继续一天的生活,好像什么也没发生。

在B2C环境中,机器学习是最终用户体验中不断出现的问题。为消费者提供各种选择的建议似乎是无限的。但是,这些建议可作为维持兴趣或加价销售其他产品的附加手段,对消费者的工作或个人生活几乎没有影响。

针对B2B企业市场的机器学习建议则不同。

这些建议是提供给知识渊博的买家,而不是情感上的决策者。此外,随着时间的流逝,B2B关系得以维护和建立。提供不理想的建议会增加客户叛逃的财务风险。通过将最新的机器学习技术与销售代表的专业知识相结合,目标是最大程度地降低风险并提供一种能够从现有客户群中增加收入的工具。

为了适应B2B市场的需求,组织必须遵循B2C机器学习原则,并了解如何在自己的环境中工作。

为客户个性化

例如,我们可以看看自动驾驶汽车中使用的算法。正如乔治·霍茨(George Hotz)所指出的那样,当前的算法是基于工程师认为安全,适当驾驶而不是 人类通常如何驾驶.

这种思维方式存在一个根本问题。通过专注于黄金标准,基于法律的驾驶方式,汽车制造商忽略了典型的客户行为,并消除了道路法规之间的灰色地带。

对于B2B企业,客户行为必须是算法所基于的定义指标。我看到有成千上万个SKU的客户被出售给数十个不同行业的成千上万的全球客户。针对每个客户的统一推荐流程将导致成功率大大低于期望值。

通过将客户分为产品,区域,规模,交易历史和市场等组,可以提高成功率。但是,细分还不够精细。对一个客户的良好推荐可能并不适用于该细分市场中的所有客户。这是个性化发挥作用的地方。使用客户属性及其购买历史记录可以针对每个特定客户量身定制建议。

每个客户都会看到完全不同的个性化建议,这些建议可以满足他们的需求。

谁是最终用户?

当您的建议结合了基于数据的见解时,下一步就是了解这些建议的去向。此过程更容易识别,但执行起来会变得更加复杂。

分析之后,将见解发送到哪里?我看到了几种不同的模型,但最常见的两种是:面向销售代表和面向最终用户/客户。向您的销售团队发送建议与直接向客户发送建议之间存在巨大差异。

直接向客户发送建议的风险很高。无论您的算法有多先进,对具有业务知识的人进行建议审核仍然是有益的。

组织中没有人比销售人员更了解客户。他们的成功取决于对客户行业,竞争,行为和需求的深入了解。与销售团队的合作是结合人为因素制定算法指标的宝贵资源。反过来,他们将能够再次检查该建议是否适合这种情况。

以他们的经验为指导来监视您的数据分析是否偏离了现实。

但是,由于他们是特定领域的专家,因此他们通常不愿意进行更改,并且可能会驳斥在完成任务时需要帮助的需求。几十年来,销售一直是人类互动的业务,那么为什么“计算机”能够提供比他们自己的经验更好的信息?机器学习能够找到新颖的建议,尤其是对于可能被忽略的中小型帐户,可以克服这种不信任。

销售代表的经验仅限于他们的帐户和地区。另一方面,机器学习能够找到大量数据中的模式。推荐程序算法会利用所有销售代表的经验来提供创新和surefire建议。

此外,销售代表可能拥有大量帐户。可能很难手动检查所有帐户以确定哪些交叉销售将提供最大的回报。机器学习可以突出显示哪些建议将带来最大的收益增长。这些见解可帮助销售团队确定他们应将时间和精力集中在哪里。

了解您的建议涉及什么以及谁在接受它。该基础是最小化次优建议和增加对系统信心的关键。

这对您有帮助吗?

B2C提供商始终会从最终用户那里获得直接反馈。客户满意度调查是购物或观看体验的普遍部分。他们的目标是使您尽可能久地停留在他们的网站上,以使您购买和消费更多商品。很明显,但是可以正常工作。但是,大多数人并不认识到,这些简短的调查,评分或评论会在后台进入系统,并导致更新,澄清和简化的用户体验。

与上述因素不同,B2B和B2C世界之间的差异很小。随着当今每个业务领域变化的速度不断变化,您的系统将很快变得过时且与最终用户无关。我故意说“会”。这是不可避免的。

为了生存和改善,反馈是流程的核心部分。无论是来自销售团队还是来自客户,都需要定期反馈。它不能是每年一次,甚至不是半年一次。当然,更新需要时间,但是至少知道问题出在哪里可以使系统得到检查,并使您的团队有一些时间进行相应调整。

为了确保准确性,找到用户的主要痛点,针对他们进行查询,并为受访者提供自己的解释空间。用他们自己的话语接收反馈将有助于根据他们的需求和需求调整未来的更新。

我们都可以接受,目标是提供可以带来更好业务绩效的建议。通过自定义和反馈在个人层面上了解您的客户,您可以根据他们的需求调整建议,并减少次优的建议。

忽略这些基本的最佳实践会导致建议不够理想,并使您对系统的信心受损。如果发生这种情况,您的建议的确会变得像雨中流下的眼泪。

  • 大数据 , 银翼杀手 , 数据分析 , 达特南 , 物联网 , 机器学习

    文达沃

    文达沃推动着全球最苛刻的B2B公司向数字业务的转变,从而释放了价值,增加了利润并加速了收入。借助Vendavo商业卓越平台,公司可以开发动态的客户洞察力和最佳的定价策略,以最大化利润,提高销售效率并改善客户体验。在化学品,分销,高科技和制造业领域,Vendavo的年度利润总额超过25亿美元,可提供前沿的分析技术和深厚的行业专业知识,帮助企业保持领先地位。 文达沃的总部位于科罗拉多州丹佛,在全球设有办事处。