Derek Slager, spoluzakladatel a spoluceo Amperity – rozhovor

Derek Slager je spoluzakladatel a spoluceo Amperity, kde vede transformaci společnosti na základě umělé inteligence napříč produkty i způsobem, jakým společnost funguje. Spoluzakládal Amperity, aby poskytla marketérům a analytikům zákaznická data, která lze důvěřovat, a vytvořil patentovanou identifikační rezoluci a architekturu profilů v reálném čase za Amperityho důvěryhodným zákaznickým kontextem. Dříve byl součástí zakládajícího týmu v Appature a zastával vedoucí inženýrské role ve velkých distribuovaných systémech a bezpečnosti.

Amperity je umělou inteligencí poháněná cloudová platforma pro zákaznická data, která má pomoci podnikům sjednotit fragmentované zákaznické informace z online a offline zdrojů do přesných, reálných zákaznických profilů. Jejich platforma kombinuje identifikační rezoluci založenou na strojovém učení, správu dat, analytiku, prediktivní modelování a aktivační nástroje, které umožňují marketingovým a datovým týmům lépe porozumět chování zákazníků, personalizovat zkušenosti, měřit dopad na výnosy a koordinovat akce napříč kanály. Založena v roce 2016, Amperity slouží více než 400 značek po celém světě, včetně Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts a DICK’S Sporting Goods.

Pracoval jste v pokročilé analytice, zákaznických informacích, produktovém managementu, ML/MLOps a AI strategii, pomáhaje budovat základní produkty před Amperity. Jak vám tato cesta utvořila způsob, jakým přemýšlíte o vztahu mezi kvalitou zákaznických dat a výkonem AI?

Má práce v oboru se skutečně soustředila na jeden problém: jak dostat AI, aby správně uvažovala o lidech, když data, která popisují tyto lidi, jsou vždy neúplná, nekonzistentní a měnící se? Na začátku, v analytických a produktových rolích, jsem sledoval týmy, které stavěly stále sofistikovanější modely na základě zákaznických dat, která byla fundamentálně nespolehlivá: duplikované záznamy, nesouladné identifikátory, zastaralé atributy. Žádná modelová sofistikovanost tento problém nevyřešila; pouze ho lépe skryla.

Tato instinktivní znalost mě vedla k vytvoření Amperity: identifikační rezoluce není něco, co je hezké mít jako vrstvu nad AI, ale je to základ, na kterém všechno ostatní stojí. Když se podívám na firemní AI dnes, vidím stejný vzorec se opakující ve větším měřítku. Týmy investují zdroje do výběru modelů a inženýrství promptů, zatímco zákaznická data, která krmit tyto modely, jsou považována za samozřejmost. Není. Pokud je identifikační vrstva špatná, každý následný AI systém dědí tuto chybu a zesiluje ji.

Často slyšíme diskuse o firemní AI, které se soustředí na výběr modelů, ale vy tvrdíte, že důvěryhodná zákaznická identifikační data se stávají stejně důležitá. Proč se konverzace posouvá od „Který model je nejlepší?“ k „Jaká data může AI skutečně důvěřovat?“

První几 let generativní AI vlny byly modelové kapacity skutečnou překážkou, protože nástroje prostě nebyly dostatečně dobré. To se změnilo. Vedoucí modely dnes jsou pozoruhodně schopné, a mezera mezi nimi se zúžila pro většinu obchodních použití. Co se však nedostalo, je data, která krmit tyto modely uvnitř podniku.

Můžete umístit nejpokročilejší model před zákaznickým servisním agentem nebo personalizačním motorem, ale pokud bude uvažovat nad třemi duplikovanými profily pro stejnou osobu, zastaralou e-mailovou adresu a nákupní historii, která chybí polovinu kanálů, ve kterých osoba nakupuje, výstup bude určitě špatný. Konverzace se posouvá, protože lídři cítí tuto mezeru přímo. Přijali skvělé modely a přesto nevidí očekávanou návratnost investic. Další skutečná výhoda nepřijde z lepšího modelu. Bude se to týkat toho, zda organizace může svým AI systémům poskytnout něco důvěryhodného, nad čím mohou uvažovat.

Jaké jsou nejčastější způsoby, kterými nesprávná nebo fragmentovaná zákaznická identifikační data mohou podkopat výsledky AI, i když základní model je technicky silný?

Několik vzorců se objevuje neustále. Nejzákladnější je duplikace. Stejný zákazník existuje jako pět nebo šest různých záznamů napříč kanály, každý s částečným pohledem na tuto osobu, takže AI systém by mohl poslat nabídku na získání zpět někoho, jehož předplatné je aktivní pod jiným záznamem. Potom je tu zastaralost. Data, která byla přesná před rokem, ale nebyla aktualizována, takže model optimalizuje na základě toho, kým zákazník býval, nikoli kým je nyní. Existuje také přebíhání, což je jemnější: identifikační systémy, které jsou příliš agresivní při párování, spojí dvě různé osoby do jednoho profilu, a nyní AI agent činí rozhodnutí s jistotou za někoho, kdo ve skutečnosti neexistuje. A nakonec existují prosté mezery. Loyalitní aktivita v jednom systému, historie podpory v jiném, chování při prohlížení v třetím, s žádným jediným systémem, který by držel úplný obraz. Jednotlivě vypadají tyto jako problémy s hygienou dat. V kontextu AI se sčítají, protože model neví, co neví. Prostě produkuje odpověď s absolutní jistotou.

Jak se změní pro značky, když spotřebitelé stále více spoléhají na AI systémy pro srovnání možností, hodnocení loajality a rozhodnutí o nákupu?

Obvykle značky kontrolovaly přední dveře. Postavily web, optimalizovaly pro vyhledávání, vylepšovaly svůj tunel a zákazníci přicházeli přímo nebo prostřednictvím výsledků, které mohly ovlivnit. Nyní je přední dveře konverzace s AI asistentem, nad kterým značka nemá kontrolu a nemůže vidět dovnitř.

Někdo požádá AI nástroj o srovnání programů loajality nebo doporučení hotelu, a úkolem značky je být v tu chvíli dostatečně čitelný a důvěryhodný, aby byl odpovědí, kterou AI poskytne. To je skutečná změna v tom, co marketing musí optimalizovat. Znamená to, že kvalita, struktura a přesnost vlastních dat a obsahu značky záleží více, protože AI systémy syntetizují z jakýchkoli signálů, které najdou.

Výzkum Amperity naznačuje, že pouze menšina spotřebitelů nyní jde přímo k známým značek bez ohledu na AI doporučení. Co to znamená pro zákaznickou loajalitu, personalizaci a tradiční zákaznickou cestu?

Prováděli jsme průzkum mezi 1 000 spotřebiteli v USA na začátku tohoto roku, a jedna čísla mě zaujala: méně než čtvrtina uvedla, že jde přímo k značce, kterou již znají, bez toho, aby nejprve zohlednili AI doporučení, a 60 % uvedlo, že AI již vedlo k značce, kterou dříve neznali. To podkopává výchozí výhodu, kterou dříve měly zavedené značky. Loajalita nezmizela, ale trychtýř nad tímto rozhodnutím se změnil. Značky jsou hodnoceny a zařazovány do seznamu systémy, které nekontrolují, na základě jakýchkoli dat, která jsou o nich dostupná.

Strategie personalizace postavené na předpokladu, že „již známe tohoto zákazníka, takže nemusíme získat jeho pozornost“, budou podprůměrné. Současně se zákaznická cesta stala méně lineární. Zákazník může přijít na web značky, již být „prodán“ souhrnem recenzí a srovnáními od AI, což znamená, že zkušenost značky musí obstát v očekávání, která neměla šanci přímo utvořit.

Identifikační rezoluce existovala jako datový problém po léta. Co dělá ji nyní naléhavou, nyní, když AI agenti, kopiloti a generativní AI rozhraní se stávají součástí denních firemních pracovních postupů?

Identifikační rezoluce vždy záležela pro věci, jako je prevence duplikovaných mailů nebo zajištění, že člen loajality dostane správný kredit za nákup. Tyto jsou skutečné problémy, ale relativně tolerantní, kde člověk obvykle chytí chybu. Agenti odstraňují tuto bezpečnostní síť.

Když je AI agent oprávněn skutečně jednat, ať už se jedná o vydání refundace, uplatnění slevy, doporučení další nejlepší nabídky nebo aktualizaci preference, činí tak na základě identifikační rezoluce, kterou obdržel, s rychlostí stroje a často bez lidského zásahu. Pokud je identita špatná, agent neonly chybuje jednou. Může chybovat systematicky a okamžitě, v měřítku, dříve, než někdo všimne. To je to, co činí tento okamžik naléhavějším než dříve.

Jak by měly společnosti uvažovat o zákaznické identitě jako o součásti své širší AI strategie, spolu s ochranou soukromí, bezpečností, monitorováním modelů a dodržováním předpisů?

Řekl bych, že zákaznická identita by měla být umístěna vedle těchto dalších pilířů, ne pod nimi. Většina diskusí o AI governance se soustředí na model: je-li zkreslený, zabezpečený, dodržující předpisy a monitorovaný pro drift? Tyto jsou nezbytné, ale předpokládají, že vstup, nad kterým model uvažuje, je solidní. Pokud je identifikační vrstva špatná, můžete mít dokonale řízený model, který produkuje rozhodnutí o špatné osobě, nebo model, který vypadá zkreslený, když skutečný problém je, že jeho data byla fragmentovaná způsobem, který znevýhodňoval určité zákaznické segmenty.

Prakticky to znamená, že stejná přísnost, kterou organizace uplatňují na monitorování modelů, musí být aplikována na identifikační a datovou vrstvu pod ním. Kdo vlastní zákaznický „zlatý“ záznam? Jak se měří a monitoruje kvalita shody v čase? Co se stane, když je shoda špatná? Tyto by měly být otázkami governance se stejnou prioritou jako cokoliv, co se děje na úrovni modelu.

Mnohé organizace investují značně do AI pilotů, ale jejich zákaznická data zůstávají rozdělená napříč marketingem, obchodem, podporou, loajalitou a offline systémy. Jaké praktické kroky by měli lídři podniknout před škálováním AI do operačních rozhodnutí?

Vzorec, který vidím nejčastěji, je organizace, která běží několik slibných AI pilotů — chatbot zde, personalizační experiment tam — každý připojený k datům, která se právě nacházejí v dosahu pro ten tým. To funguje dostatečně dobře, aby získalo financování, pak narazí na zeď, když někdo pokusí škálovat jej do skutečného operačního rozhodnutí, protože data pilotu nikdy neodrážela plného zákazníka.

Prvním praktickým krokem je upřímný inventář: vědět, kde žije každý zdroj zákaznické pravdy (marketing, obchod, podpora, loajalita, offline). Kolik se překrývají? Kde ne? Za druhé, investujte do identifikační rezoluce před investováním do více pilotů. To je to, co umožňuje každému budoucímu AI iniciativě znovu použít stejnou důvěryhodnou základnu, místo aby každý tým znovu budoval částečnou. Třetím je vytvořit malý počet cross-funkčních vlastníků pro sjednocená zákaznická data, místo toho, aby vlastnictví zůstalo týmu, který se náhodou potřebuje pro svůj aktuální pilot. Organizace, které dostanou tuto sekvenci špatně, skončí s portfoliem AI pilotů, které nikdy neopustí pilotní fázi, protože žádná z nich nemůže být důvěřována s opravdovým rozhodnutím.

Kde kreslíte hranici mezi personalizací, která feels užitečná, a personalizací, která feels invazivní, zejména když AI systémy mohou odvodit více z jednotných zákaznických profilů?

Hranice je méně o tom, kolik značka ví, a více o tom, zda to, co dělá se znalostmi, feels vydělané a relevantní v okamžiku. Doporučení založené na skutečné nákupní historii feels užitečné. Doporučení, které odhalí odhad, který zákazník nikdy explicitně nesdílel, feels invazivní, i když je přesné, protože odhaluje, kolik je sdíleno.

Našemu reportu se podařilo zjistit, že velká většina spotřebitelů říká, že jsou více ochotni zapojit se do personalizace, když důvěřují, jak jsou jejich data používána, a většina říká, že personalizace, která feels invazivní, činí je méně ochotnými zvolit značku vůbec. Má pravidla pro týmy, které stavějí na AI poháněném odhadu, jsou jednoduchá: pokud byste nechtěli vysvětlit, v běžném jazyce, proč systém ví, co ví, nečinněte na to zatím. Personalizace by měla feels jako být rozpoznán, ne sledován.

Pohledem do budoucna, co bude oddělovat podniky, které dostanou skutečnou hodnotu z AI, od těch, které zůstanou uvízlé v experimentálním režimu: lepší modely, lepší infrastruktura dat, silnější governance, nebo zcela nový provozní model?

Modelová kvalita nebyla nikdy tím, co by mohlo být trvalým diferencátorem. Evoluuje příliš rychle, a většina podniků má přístup k přibližně stejným modelům. Governance záleží, ale je to omezení, ne zdroj hodnoty sám o sobě. Dvě věci, o kterých si myslím, že oddělují podniky, které se dostávají dopředu, jsou infrastruktura dat a provozní model, které jsou spojeny.

Společnosti, které dostanou skutečnou hodnotu z AI, jsou ty, které již investovaly do toho, aby měly jednotný, důvěryhodný a neustále aktualizovaný pohled na zákazníka, takže jakákoli nová AI schopnost může být namířena na tuto základnu místo toho, aby šila svou vlastní. To ale funguje pouze tehdy, pokud se provozní model změní také: pokud AI iniciativy jsou stále vlastněny týmem po týmu, s každým týmem, který definuje svou vlastní verzi zákazníka, budete pokračovat ve zavádění stejných problémů s kvalitou dat. Společnosti, které se dostanou z experimentálního režimu, jsou ty, které pohlížejí na důvěryhodná zákaznická data jako na sdílenou infrastrukturu a staví svůj AI provozní model kolem toho předpokladu od samého začátku.

Děkuji Derekovi za vhledný rozhovor. Čtenáři se mohou dozvědět více o Amperity a prozkoumat Derek Slagerovy nejnovější vhledy na jeho Unite.AI autorovi stránce.