Myslitelé

Nejchytřejším rozhodnutím AI může být zprávu neodeslat

Derek Slager
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyOptimalizace na kliknutí odměňuje zasílání více zpráv, i když by zdrženlivost lépe…
Zobrazit více
  • Optimalizace na kliknutí odměňuje zasílání více zpráv, i když by zdrženlivost lépe chránila vztah se zákazníkem.
  • Dobře napsaná propagace odeslaná v době, kdy není vyřešeno vrácení peněz, je selháním rozhodnutí, které lepší obsah nemůže napravit.
  • Lidská kontrola by se měla zaměřit na nejednoznačný kontext a akce s vážnými důsledky, nikoli na rutinní případy podle zásad.

Generativní AI výrazně zlevnila tvorbu personalizovaných zpráv. Nerozhoduje se díky ní ale snáz, zda by se taková zpráva měla odeslat.

Na tomto rozdílu záleží tím víc, čím větší část rozhodování o komunikaci se zákazníky přebírá AI. Systém může připravit relevantní nabídku a předpovědět, že na ni někdo klikne, a přesto se rozhodnout špatně. Zákazník může čekat na vrácení peněz. Může mít nevyřešenou stížnost. Produkt už mohl koupit pod jinou e-mailovou adresou.

Žádný z těchto problémů nevyřeší lépe napsaný text. Systém potřebuje lépe rozumět zákazníkovi, mít cíl, který odráží skutečné priority firmy, a jasně stanovené limity toho, co smí dělat.

Co po systému chcete, aby optimalizoval?

Počet odeslaných zpráv, otevření a kliknutí se snadno počítá. Proto jsou tyto údaje užitečnými provozními metrikami, zároveň ale svádějí k tomu, abychom je zaměňovali za to, co firma skutečně chce: aby zákazník ve vztahu s ní viděl hodnotu a vracel se.

Systém AI optimalizovaný na celkový počet kliknutí, který má jen málo omezení, pokud jde o četnost kontaktů, může zjistit, že skóre zvyšuje odesílání většího počtu zpráv. Každá další zpráva může sama o sobě působit rozumně. Napříč kampaněmi a kanály se ale může stát, že se značka bude témuž zákazníkovi ozývat mnohem častěji, než kdokoli zamýšlel.

Náklady se projeví mimo optimalizovanou metriku. V průzkumu spotřebitelů společnosti Validity o svátcích v roce 2026 uvedla třetina respondentů, že samotný objem e-mailů během svátků stačil k tomu, aby se odhlásili z odběru. To neznamená, že přetížení způsobila AI. Ukazuje to, že vyšší aktivita může být na úkor vztahu se zákazníkem.

Odhlášení z odběru je viditelné. Frustrace, která mu předcházela, často vidět není. Pokud systém získá odměnu za dnešní kliknutí, ale žádnou sankci za to, že zákazník bude mít příští měsíc menší chuť se vrátit, nemá mnoho důvodů tento kompromis zohledňovat.

I zdrženlivost je rozhodnutí

Představte si zákazníka, který minulý týden vrátil objednávku a stále čeká na vrácení peněz. Marketingový systém zaznamená nedávný nákup a vysokou pravděpodobnost, že zákazník zareaguje, a zařadí do fronty propagační e-mail. Z pohledu zákazníka po něm značka chce další peníze dřív, než mu vrátí ty, které mu dluží.

Údaj o vrácení zboží může být uložen v objednávkovém systému, stav vrácení peněz v nástroji zákaznické podpory a informace o nákupu v marketingovém profilu. Tyto záznamy navíc nemusí být přiřazeny ani ke stejné osobě. Model může fungovat přesně podle návrhu, a přesto rozhodovat na základě neúplného obrazu o zákazníkovi.

Propojením těchto záznamů se změní, co může systém vědět. Nezmění se tím ale automaticky to, co systém udělá. Rozhodovací proces musí zohledňovat také nevyřízené vrácení peněz a umožnit, aby zadržení propagační nabídky bylo platným výsledkem. Jinak systému poskytnete více informací, aniž byste změnili chování, za které je odměňován.

Proto je třeba navrhovat zákaznický kontext a cíle společně. Kontext vysvětluje, co se děje. Cíl a pravidla rozhodování určují, co by se mělo stát dál. Samotné vrácení zboží neznamená, že by se měla zastavit veškerá komunikace. Zákazník může potřebovat informaci o vrácení peněz. Je důležité rozlišovat mezi užitečnou zprávou týkající se zákaznického servisu a další propagační nabídkou.

Špatně napsaný e-mail je problém s obsahem. Dobře napsaný e-mail odeslaný zákazníkovi, který čeká na své peníze, je problém s rozhodováním. Druhý problém nevyřešíte tím, že se zlepšíte v řešení prvního.

Registrace není totéž co loajalita

Věrnostní programy představují další podobu téhož problému. Pokud úspěch znamená získat více členů, systém se může naučit lákat lidi na slevu. Počet registrací roste. Zda se tito zákazníci vrátí i bez další slevy, je ale jiná otázka.

Na užitečné otázky se hledají odpovědi déle. Vracejí se členové programu? Je jejich útrata zisková i po započtení nákladů na pobídky? Mění program jejich chování, nebo převážně odměňuje nákupy, které by uskutečnili tak jako tak?

Odpovědi na tyto otázky vyžadují propojit údaje o aktivitě ve věrnostním programu s historií nákupů a zákaznické podpory v průběhu času. Je také nutné provést srovnání, které pomůže oddělit vliv programu od chování, jež bylo pravděpodobné už předtím. Samotný vyšší počet členů vám na tyto otázky neodpoví.

Lidský dohled musí ovlivňovat rozhodnutí

Za rozhodnutí, co má systém optimalizovat, odpovídají lidé. Kompromisy mezi udržením zákazníků, marží a námahou, kterou musí zákazníci vynaložit, musí přijmout vedení firmy. Model může pomoci tyto kompromisy vyhodnotit. Nemůže ale nést odpovědnost za jejich volbu.

Totéž platí pro omezení toho, co systém smí dělat. Užitečná úvodní otázka zní: Jak těžké by bylo toto rozhodnutí zvrátit? Pozdržení propagační zprávy kvůli kontrole má jiné důsledky než změna ceny, připsání kreditu nebo zrušení rezervace. O tom, co lze provádět automaticky a co vyžaduje schválení, by měly rozhodovat důsledky, oprávnění zákazníka a spolehlivost dostupného kontextu.

Nevyřízená žádost o vrácení peněz nemusí pokaždé vést k úkolu pro ruční kontrolu. Pokud jsou pravidla jasná, může propagační zprávu pozdržet automatické pravidlo, zatímco komunikace se zákazníkem ohledně služby pokračuje. Ruční kontrola je namístě, když je situace nejednoznačná, pravidla si odporují nebo důsledky přesahují pravomoci systému. Pokud chybějí informace potřebné k tomuto rozlišení, systém musí mít stanovený náhradní postup, nikoli svolení hádat.

Kontrolující potřebují víc než jen skóre míry jistoty. Musí vidět, které zákaznické záznamy ovlivnily doporučení, jak aktuální tyto záznamy jsou, čeho se systém snaží dosáhnout a jaká omezení platí. Sebejisté doporučení založené na zastaralých nebo neodpovídajících záznamech je stále špatným doporučením.

Ruční zásahy by měly sloužit jako důkazní podklad. Pokud lidé opakovaně zastavují stejný typ propagační zprávy, zaznamenejte důvod. Tento vzorec může odhalit chybějící údaje o službách, problém s identitou nebo cíl, který odměňuje nesprávné chování. Odstranit příčinu tohoto vzorce je cennější než po někom chtít, aby tutéž chybu donekonečna zachytával.

Změřte, zda omezení propagace přináší užitek

Týmy mohou začít u jediného rozhodnutí, místo aby se pokoušely najednou přepracovat každou interakci se zákazníky. Vezměte jednu propagační rozesílku, určete, jaký kontext vyžaduje, a stanovte podmínky, za kterých se má pozdržet. Nezahrnujte do tohoto pravidla pro potlačení odesílání nezbytné servisní zprávy.

Pak ověřte, zda změna pomáhá. U propagačních zpráv, na něž se pravidlo vztahuje, porovnejte stávající přístup s pravidly, která za stanovených podmínek zprávu pozdrží. Po dobu odpovídající nákupnímu cyklu sledujte opakované nákupy, udržení zákazníků, stížnosti a marži. Počet rozeslaných zpráv a kliknutí stále pomáhá vysvětlit, co se stalo, neměl by však být konečným měřítkem.

Test může ukázat, že menší počet propagačních zpráv pomáhá chránit vztah se zákazníky. Může také ukázat, že určité omezení je příliš široké. Oba výsledky jsou užitečné. Ani neodeslání zprávy by nemělo zůstat bez posouzení, stejně jako její odeslání. Obojí jsou rozhodnutí, jejichž důsledky lze měřit.

Nic z toho neodstraňuje potřebu technické práce. Záznamy o zákaznících musí být správně přiřazeny příslušným osobám. Aktuální události se musí dostat do rozhodovacího procesu včas, aby na nich záleželo. Oprávnění musí omezovat prováděné akce a týmy potřebují záznam o tom, co se stalo a proč. Lepší cíl nemůže nahradit chybějící kontext, stejně jako lepší kontext nemůže napravit nesprávný cíl.

Budujte s ohledem na vztah se zákazníky

Otázka pro vedoucí pracovníky je jednoduchá: co váš systém považuje za dobré rozhodnutí? Pokud je odpovědí kliknutí, možná plní svůj úkol, ale zároveň zhoršuje zákaznickou zkušenost.

Důvěryhodný kontext o zákaznících poskytuje lidem i umělé inteligenci spolehlivější základ pro rozhodování o dalším postupu. Jasné cíle a kontrolní mechanismy určují, jak se tyto poznatky využijí. Výsledkem by měl být systém, který dokáže vysvětlit, proč je zpráva právě teď užitečná, rozpoznat, kdy užitečná není, a poučit se z toho, co se stane dál.

Někdy je nejchytřejším rozhodnutím, které může systém umělé inteligence učinit, neposlat vůbec nic.

Derek Slager je spoluzakladatel a spoluvýkonný ředitel společnosti Amperity, kde řídí transformaci společnosti s prioritou umělé inteligence napříč produkty i způsobem, jakým společnost funguje. Spoluzakládal Amperity, aby poskytoval marketérům a analytikům zákaznická data, kterým mohli důvěřovat, a vytvořil patentované řešení pro sjednocování identit a architekturu profilů v reálném čase, které tvoří základ důvěryhodného zákaznického kontextu Amperity. Dříve byl členem zakládajícího týmu Appature a zastával role vedení inženýrství v rozsáhlých distribuovaných systémech a bezpečnosti.