Uczenie maszynowe w praktyce B2B

Usługodawcy są coraz bardziej przekonani, że analityka danych może pomóc im zrozumieć obecnych oraz dotrzeć do nowych klientów. Im więcej korzyści dostrzegą, tym więcej pożytku będą mogli odnieść z rozwiązań wykorzystujących algorytmy uczenia maszynowego. Wyjaśniamy, w jaki sposób firmy B2B mogą stosować uczenie maszynowe w biznesie.

Firmy oferujące usługi konsumenckie, takie jak: Amazon, Netflix czy Apple, świetnie poradziły sobie z włączeniem uczenia maszynowego do swoich procesów biznesowych. Wykorzystują nowoczesne technologie przy projektowaniu produktów i usług, integrując je także ze sprzedażą i marketingiem. Jednak w przypadku firm B2B, w dodatku usługowych, przekształcanie danych w praktyczne strategie marketingowe nie jest już tak intuicyjne.

W biznesie B2B, gdzie firmy sprzedają swoje usługi innym firmom, proces pozyskiwania klienta oraz zrozumienia jego potrzeb trwa o wiele dłużej i jest bardziej złożony. Finalnie dochodzi do zamówień, które mają o wiele wyższą wartość niż w sektorze konsumenckim – chodzi często o kontrakty na setki tysięcy lub miliony złotych. To sprawia, że nie można sobie pozwolić na zbyt duże ryzyko, bo błędna decyzja marketingowa może doprowadzić do gigantycznych strat finansowych.

Zobacz również:

Firma konsultingowa Bain & Co. zauważa, że sektor B2B powoli zaczyna doceniać wartość danych i coraz częściej skupia się na poznawaniu pełnej podróży klienta (od zainteresowania do zakupu), co jest możliwe za sprawą algorytmów komputerowych. „Przedsiębiorstwa B2B uważnie obserwowały to, co dzieje się na rynku konsumenckim” – mówi Laura Beaudin, partner w Bain & Co. I dodaje: „Dostrzegły, że uczenie maszynowe pozwala odkrywać wiele potrzeb oraz oczekiwań klientów i podobne działania można zrealizować w świecie B2B”. Specjaliści ds. marketingu i sprzedaży w sektorze B2B są dziś zdeterminowani, aby opanować narzędzia i usługi z uczenia maszynowego, bo chcą prowadzić skuteczniejsze kampanie oparte na danych i raportach na temat ich klientów i branży.

Uczenie maszynowe w praktyce. Zalety uczenia maszynowego

Z badania zrealizowanego przez Bain & Co. wynika, że wśród niespełna 1500 menedżerów z firm osiągających co najmniej 100 mln USD przychodu rocznie sektor usługowy niemal najczęściej deklarował chęć stosowania uczenia maszynowego i analiz danych – aż 64% firm usługowych uważa, że machine learning pozwala wypracować przewagę konkurencyjną, a 38% już teraz stosuje tego typu rozwiązania i zamierza ich używać w przyszłości. Dla porównania branże turystyczna, motoryzacyjna i finansowa uzyskały niższe wyniki i tylko przedstawiciele branży detalicznej nieznacznie częściej podkreślali znaczenie technologii w rozwoju biznesu (65%).

Ponadto respondenci z sektora usług są o 16% bardziej skłonni wierzyć niż przedstawiciele innych sektorów, że przewidywanie intencji klientów – co jest możliwe dzięki korzystaniu z rozwiązań uczenia maszynowego – prowadzi do lepszych wyników w działaniach marketingowych. To ciekawe, tym bardziej że dane w B2B zazwyczaj nie są tak łatwo dostępne i nie występują w tak dużych ilościach jak w B2C. Ta przeszkoda nie wpływa jednak na opinie usługodawców. „Poprzez stosowanie technologii do angażowania i przewidywania zachowań klientów firmy usługowe mogą tworzyć lepsze strategie, ustalać nowe priorytety, zmieniać dotychczasowe procesy i w rezultacie budować widoczną przewagę nad konkurentami” – przekonuje Laura Beaudin.

Uczenie maszynowe w praktyce. Machine learning w służbie B2B

W ostatnim czasie pojawia się już możliwość zdobywania informacji na temat klientów biznesowych. Firmy działające w segmencie B2B, chcąc pozyskiwać informacje na temat potencjalnych klientów, do tej pory miały ograniczone możliwości. Sprowadzały się one do ogólnodostępnych raportów, które pozwalają ocenić przychody danej organizacji, liczbę pracowników czy kapitalizację, a także poznać rodzaj branży, w jakiej działa (na podstawie systemu klasyfikacji działalności gospodarczej).

Internet zaoferował jednak o wiele więcej w zakresie dostępności danych, znacznie wykraczając poza standardową klasyfikację biznesową. Treści online, które zawierają szczegółowe opisy firm, dają często wiele cennych informacji na temat potencjalnych klientów i ich zainteresowań. Jest tak jednak dopiero wtedy, gdy uda się na podstawie takich treści poprawnie zidentyfikować konkretnego klienta, a także rozpoznać zainteresowania i potrzeby, co jest możliwe za sprawą dokładniejszych analiz. Te z kolei zapewniają sieci neuronowe, algorytmy deep learningu (głębokie uczenie się) i inne metody uczenia maszynowego. Dzięki temu specjaliści ds. danych mogą później wydobywać konkretne, ważne informacje dla swoich organizacji.

Weźmy np. serwis LinkedIn, na którym znajdują się istotne informacje opisujące działalność danej firmy. Wyobraźmy sobie, że tego typu firm jest na LinkedInie dziesiątki lub tysiące – i wszystkie to nasi potencjalni klienci. Czy można coś zrobić, aby przeanalizować profile tych organizacji? Handlowcy mieliby z tym problem, ale algorytmy uczenia maszynowego mogą to zrobić.

Odpowiednie narzędzia online potrafią wydobywać cenne informacje z LinkedIna, a następnie identyfikować wzorce w danych, które ostatecznie stanowią podstawę dla predykcyjnych modeli sprzedaży i marketingu.

Dane te mogą być potem wykorzystywane do oceniania, prognozowania i klasyfikacji poszczególnych klientów (wiemy, z kim i kiedy warto się skontaktować, by zaproponować współpracę).

Uczenie maszynowe w praktyce. Maszynowe szukanie klientów

EverString Technology to jedna z firm, które zajmują się oferowaniem rozwiązań uczenia maszynowego dla sektora B2B. Organizacja ta gromadzi opisowe informacje na temat przedsiębiorstw, w tym tzw. cyfrowe ślady pozostawiane przez pracowników, i tworzy analizy przygotowywane przez ekspertów z poszczególnych branż B2B, aby oferować cenne raporty i dane dla swoich klientów. Wykorzystuje przy tym machine learning do identyfikowania, wyodrębniania i modelowania kategoryzacji firm, aby klienci mogli dokładniej dostrzegać możliwości biznesowe B2B. EverString zapewnia, że jest w stanie dostarczyć nawet tysiące danych o konkretnej firmie, w dodatku w krótkim czasie.

Jedną z firm, która stosuje rozwiązanie EverString, jest Autodesk, dostarczający oprogramowanie dla branży architektonicznej, inżynieryjnej, budowlanej, produkcyjnej, medialnej i rozrywkowej. Do tej pory Autodesk, chcąc zdobyć klienta B2B, zlecał handlowcom przeglądanie historii zakupowej dotychczasowych klientów, a także wysyłał ich na spotkania z potencjalnymi klientami, gdzie mieli starać się rozpoznawać potrzeby i proponować ewentualne rozwiązania z oferty. Ze względu na to, że Autodesk działa w wielu branżach, a przy tym oferuje niszowe oprogramowanie do projektowania wspomaganego komputerowo, do tej pory trudno było pozyskiwać firmie przydatne dane o potencjalnych klientach, a w szczególności identyfikować takie organizacje, które doceniłyby jej produkty i usługi, ale ich jeszcze nie używają.

Autodesk zdecydował, że przetestuje narzędzie EverString Enterprise Business Agreement Propensity Model. Model skłonności do zawierania umów biznesowych sugeruje konkretnych dyrektorów z dużych przedsiębiorstw, którzy najprawdopodobniej będą zainteresowani współpracą z Autodesk. Początkowo Autodesk i jej handlowcy podchodzili do EverString sceptycznie, ale po kilku tygodniach okazało się, że otrzymywane rekomendacje faktycznie niosły ze sobą wartość – udało się zdobyć nowych klientów B2B. Matthew Stevens, menedżer ds. analizy sprzedaży w Autodesk, przyznał, że uczenie maszynowe zapewnia kluczowe dane do analiz, które następnie przekształcają się w szanse sprzedażowe i pozyskiwanie klientów. „Bez machine learningu trudno nam obecnie wskazać firmy potencjalnie zainteresowane zakupem naszych produktów” – mówi.

Clean data lepsze od Big Data

Wśród specjalistów ds. danych powszechna stała się fraza: clean data is better than big data, co oznacza, że lepiej mieć czyste dane (gotowe do dalszej obróbki) niż mnóstwo danych (big data), z którymi większość narzędzi i tak sobie nie poradzi, więc nie uzyskamy z nich żadnych przydatnych informacji.

Dla przykładu, jeśli firma dysponuje mnóstwem danych sprzed lat, obecnie te zbiory prawdopodobnie nie będą miały zbyt dużej wartości, ponieważ rynek zmienia się dynamicznie i będą one już nieaktualne. Szczątkowe dane i te nieustrukturyzowane to również problem – trzeba je najpierw oczyścić, czyli przygotować do pracy z poszczególnymi narzędziami, aby móc na ich podstawie pozyskiwać przydatne informacje. Firmy powinny zatrudniać specjalistów, którzy będą umieli się tym zajmować.

Danny Lange, szef ds. machine learningu w Uberze, radzi, aby firmy, które dopiero zaczynają korzystać z uczenia maszynowego, rozpoczęły projekt pilotażowy na podstawie wybranego zbioru danych historycznych i przeprowadziły jedynie symulacje, jakie nie wpłyną na biznes (ani korzystnie, ani niekorzystnie). Dopiero gdy efekty takiej symulacji są obiecujące, warto zacząć prace z aktualnymi, świeżymi danymi.

Uczenie maszynowe w praktyce. Optymalizacja i uwalnianie zasobów

Usługodawcy mogą też wykorzystywać uczenie maszynowe do realizacji zadań, jakie wcześniej były wykonywane przez ludzi. Niektóre zadania udaje się całkowicie przekazać algorytmom, inne częściowo, co w rezultacie uwalnia zasoby i personel może zajmować się innymi kwestiami. „ML może przykładowo automatyzować działania marketingowe, takie jak licytowanie stawek w reklamach” – mówi Jay Bowden, dyrektor z pionu technologicznego B2B w Google. „Udaje się też wykorzystywać ML w działaniach kreatywnych, takich jak copywriting dla reklam online, czy dobieraniu kreacji graficznych. ML przeanalizuje więcej treści i pomoże zoptymalizować kampanie bez udziału człowieka” – dodaje.

Dodatkowo narzędzia bazujące na uczeniu maszynowym mogą być wykorzystywane przy pozyskiwaniu danych kontaktowych potencjalnych klientów (tzw. leadów). Jay Bowden tłumaczy, że leady pozyskiwane przez ludzi często są nieskuteczne – to prawdziwe dane, ale nierzadko są to ludzie, którzy akurat nie są zainteresowani zakupem, więc nie da się ich przekonwertować w płacących klientów i ostatecznie dział handlowy traci tylko czas. Narzędzia machine learningowe analizują więcej leadów i potrafią wskazywać te, które są w odpowiednim miejscu na drodze zakupowej – szansa na to, że dana osoba zdecyduje się na zamówienie, gdy skontaktuje się z nią handlowiec, jest wyższa.

Wszystko to sprawia, że sektor B2B może już znacznie ograniczyć lub całkowicie pozbyć się wątpliwości co do tego, czy warto i czy można z powodzeniem stosować rozwiązania ML, licząc na porównywalne zwroty z inwestycji jak w B2C. Narzędzia i usługi z uczenia maszynowego pomagają firmom skuteczniej pozyskiwać i obsługiwać klientów, a obecnie dostępne technologie to już dojrzałe, dopracowane rozwiązania. I choć zdarza się, że nie zawsze algorytm poda jasną odpowiedź, czy dany klient jest, czy nie jest zainteresowany współpracą, to i tak można liczyć na cenne, dodatkowe szczegóły, które pozwolą podjąć lepszą decyzję. Świat B2B może dużo zyskać, jeśli już teraz zdecyduje się postawić na machine learning.

Uczenie maszynowe w praktyce. Margines błędu

W sektorze B2B nie ma tak jasnych odpowiedzi (i podpowiedzi) jak w B2C. Z tego powodu wdrażanie systemów machine learningowych należy traktować przede wszystkim jak nową umiejętność firmy. Oznacza to, że dana umiejętność jest ciągle rozwijana i może się okazać, że czasami doprowadzi do powstania błędu – trochę tak, jakby zatrudnić do przewożenia przesyłek początkującego kierowcę.

Uczenie maszynowe i praca z bazującymi na nim narzędziami wymaga nabycia doświadczenia i wiedzy: nie można ślepo wierzyć we wszystkie raporty czy rekomendacje. Często jest tak, że dostarczane wnioski są w pewnym stopniu błędne lub niepełne. Z tego powodu, jeśli firma nie może sobie pozwolić na błąd, ML okazuje się niewłaściwym narzędziem do wykonywania niektórych zadań.

Przykładowo narzędziem, które nie powinno działać na automacie, jest aplikacja do wystawiania faktur, bo wystarczy jedna zła data czy kwota wprowadzona przez pracownika i nagle okaże się, że algorytmy będą opierać się na błędnych założeniach i wyślą do klientów nieprawidłowe dokumenty czy ponaglenia do zapłaty. W takich i podobnych scenariuszach należy poszukać rozwiązań, które w pewnym stopniu odciążają personel z wielu zadań, ale ostatecznie finalny produkt lub usługa trafia do klienta dopiero po weryfikacji przez człowieka.


TOP 200