Myslitelé

Chybějící kontext zákazníka brzdí podnikovou AI

Derek Slager
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyRoztříštěná zákaznická data napříč systémy způsobují, že AI dělá chybná rozhodnutí.
Zobrazit více
  • Roztříštěná zákaznická data napříč systémy způsobují, že AI dělá chybná rozhodnutí.
  • Kontext zákazníka v reálném čase je nezbytný, aby AI jednala na základě aktuálního záměru.
  • Důvěryhodný kontext zákazníka se stává základní infrastrukturou pro podnikovou AI.

Podniková AI se vyvíjí rychleji než jí většina organizací dokáže zajistit spolehlivý kontext zákazníka.

Výzva již není, zda AI může generovat obsah, doporučení, předpovědi nebo rozhodnutí. Výzva spočívá v tom, zda tyto výstupy vycházejí z přesného pochopení zákazníka.

V mnoha podnicích tomu tak není.

Organizace investovaly v posledních letech značné prostředky do generativní AI, copilotů, prediktivních systémů a autonomních workflow. Mnohé z těchto iniciativ však bojují s tím, aby se vymanily z izolovaných případů použití nebo aby dodávaly konzistentní obchodní hodnotu ve velkém měřítku. Důvod je často překvapivě jednoduchý: AI systémy činí rozhodnutí bez úplného pochopení zákazníků, na které se vztahují.

Tato výzva se objevuje napříč celou organizací. Personalizační motory doporučují irelevantní produkty. Asistenti zákaznické podpory generují neúplné odpovědi. Modely odchodu zákazníků nesprávně klasifikují loajální zákazníky. Platformy pro automatizaci marketingu spouštějí zprávy, které přicházejí příliš pozdě nebo které nezohledňují nedávné chování zákazníka.

Tyto případy jsou často popisovány jako problémy AI. Častěji však jde o problémy s kontextem zákazníka.

AI nefunguje ve vakuu. Její účinnost závisí na kvalitě, úplnosti a včasnosti dostupných informací. Když je identita zákazníka rozdrobena napříč systémy, signály chování přicházejí příliš pozdě nebo různé aplikace fungují s protichůdnými podobami zákazníka, AI systémy nevyhnutelně produkují výsledky, které se zdají být odtrženy od reality.

Většina organizací již disponuje základními signály. Roky transakcí, interakcí, preferencí a dat o chování již existují napříč jejich technologickými prostředími. Výzva spočívá v tom, aby se tyto rozdrobené signály proměnily v důvěryhodný kontext zákazníka, který AI systémy mohou konzistentně využívat.

Rozdrobená data vytvářejí neúplné pochopení zákazníka

Podnikové organizace zřídka trpí nedostatkem dat o zákaznících. Místo toho bojují s rozdrobením.

Jeden zákazník se může objevit v e-commerce platformě pod jednou e-mailovou adresou, v programu loajality pod jinou a uvnitř služby bez trvalého identifikátoru. Historie nákupů, vzorce zapojení zákazníka, preference týkající se souhlasu, interakce se zákaznickým servisem a digitální aktivita často existují v samostatných systémech.

Z pohledu modelu AI se tyto fragmenty často jeví jako různé osoby.

Dopad se stává významným, jakmile AI systémy začínají činit provozní rozhodnutí.

Model odchodu zákazníků může klasifikovat loajálního zákazníka jako neaktivního, protože polovina jeho historie nákupů existuje pod jiným profilem. Doporučovací motor může nabízet irelevantní produkty, protože chování při prohlížení a transakční historie nebyly nikdy propojeny. AI asistent může generovat neúplné odpovědi, protože může přistupovat pouze k části vztahu se zákazníkem.

S tím, jak organizace nasazují AI v širším měřítku, je stále obtížnější tyto problémy ignorovat.

Mnohé podniky předpokládají, že centralizace dat do datového skladu problém řeší. Ve skutečnosti však konsolidace sama o sobě nevytváří pochopení zákazníka. Neřeší konflikty identit, nepropojuje chování zákazníků napříč systémy a nevytváří důvěryhodný pohled na zákazníka. AI systémy mohou stále fungovat na neúplných nebo rozporuplných vstupech.

Ukládání není totéž jako pochopení. Tento rozdíl se stává stále důležitějším, jak podniky přecházejí z experimentování s AI na AI systémy zabudované do provozních pracovních postupů.

Důvěryhodný kontext zákazníka se stal jádrem AI infrastruktury

Řešení identity bylo tradičně považováno za marketingovou schopnost. Čím dál více se však stává základním komponentem podnikové AI infrastruktury.

Ale identita sama o sobě nestačí. Pro efektivní rozhodnutí AI systémů je zapotřebí přístup k širší vrstvě důvěryhodného kontextu zákazníka. To zahrnuje identitu, signály chování, historii transakcí, data o souhlasu, vzorce interakcí a obchodní kontext každé interakce se zákazníkem.

Řešení identity hraje kritickou roli, protože určuje, které záznamy patří ke stejné osobě napříč odpojenými systémy. Na podnikové úrovni to vyžaduje kombinaci deterministického párování, probabilistického modelování a neustále se vyvíjejících grafů identity.

Bez této základny AI systémy bojují s tím, aby mohly přesně uvažovat o stavu, chování a záměrech zákazníka.

Výzva se stává ještě složitější v reálných prostředích, kde zákazníci často mění zařízení, e-mailové adresy, umístění a vzorce interakcí. Přesné párování samo o sobě často zanechává značné mezery nevyřešené. Příliš agresivní párování může vyvolat obavy z governance a důvěry, pokud organizace nemohou pochopit, jak byly závěry dosaženy.

V důsledku toho mnohé podniky přijímají hybridní přístupy, které kombinují deterministické párování, strojové učení, vysvětlitelnost a adaptivní grafy identity, které se vyvíjejí spolu se zákaznickým chováním.

Důležité je, že organizace stále častěji potřebují několik kontextových pohledů na identitu namísto jednoho univerzálního profilu. Marketingové týmy mohou upřednostňovat dosah a adresovatelnost. Týmy loajality vyžadují přesnost na úrovni účtu. Týmy pro boj proti podvodům fungují s úplně jinými prahovými hodnotami. AI systémy, které podporují tyto funkce, potřebují kontext zákazníka sladěný s jejich specifickými provozními požadavky.

To mění způsob, jakým organizace uvažují o své připravenosti na AI. Podniková AI vyžaduje důvěryhodný kontext zákazníka, který se může průběžně přizpůsobovat, zatímco zůstává vysvětlitelný, řízený a přístupný napříč systémy.

Kontext zákazníka v reálném čase je nezbytný

I organizace, které úspěšně sjednotily identitu zákazníka, často narazí na další omezení, a to čas.

Mnohá podniková prostředí stále spoléhají na zpožděné datové toky a dávkové pracovní postupy. Profily zákazníků se aktualizují až po několika hodinách. Signály chování přicházejí až po relevantním okamžiku.

V důsledku toho AI systémy často činí rozhodnutí na základě zastaralého stavu zákazníka, nikoli aktuálního záměru zákazníka.

Toto zpoždění dopadá na obě strany – na zkušenost zákazníka i na obchodní výkon.

Zákazník může opustit košík, ale následná cesta se neaktivuje až do následujícího rána. Člen programu loajality se může vrátit na web předtím, než se profil aktualizuje napříč systémy, což vede k obecné zkušenosti. Servisní agenti často interagují se zákazníky předtím, než jsou k dispozici nedávné signály chování.

To je důvod, proč se infrastruktura pro zpracování v reálném čase stává stále důležitější.

Organizace potřebují systémy, které mohou aktualizovat grafy identity, signály chování, oprávnění a profily zákazníků v průběhu interakcí. AI systémy mohou rozhodovat v daném okamžiku pouze tehdy, pokud podkladový kontext zákazníka tento okamžik odráží.

Jak se autonomní AI workflow stávají běžnějšími, udržování přesného kontextu zákazníka napříč systémy a kanály se stává nezbytným pro poskytování spolehlivých rozhodnutí i konzistentních zkušeností zákazníků.

Sdílený kontext zákazníka vytváří důvěryhodnější AI

Další výzvou, která se objevuje napříč podnikovými AI prostředími, je nekonzistence.

Organizace nasazují AI napříč marketingovými platformami, aplikacemi zákaznické podpory, analytickými nástroji, copiloty a interně vyvinutými modely současně. V mnoha prostředích každý systém přistupuje k datům zákazníků jinak a udržuje svou vlastní interpretaci identity, oprávnění a stavu zákazníka.

V průběhu času vede rozdrobené pochopení zákazníka k rozdrobenému chování AI.

Podnikové AI systémy fungují spolehlivěji, když vycházejí ze sdílené vrstvy důvěryhodného kontextu zákazníka. To znamená, že AI aplikace mohou přistupovat ke stejným grafům identity, profilům zákazníků, signálům chování a rámcům governance, bez ohledu na to, kde se činí rozhodnutí.

Výsledkem jsou spolehlivější výstupy, silnější governance a lepší provozní sladění napříč organizací.

Budoucnost podnikové AI závisí na kontextu zákazníka

Diskuze o podnikové AI se často soustředí na modely, schopnosti uvažování a automatizaci. Tyto inovace jsou důležité. Ale jakmile se základní modely stávají stále schopnějšími a dostupnějšími, technologie sama o sobě se stává méně významným rozlišujícím faktorem.

Velkou otázkou je, zda AI systémy mohou operovat na základě přesného, propojeného a kontinuálně aktualizovaného pochopení zákazníka.

To vyžaduje investice do řešení identity, infrastruktury pro zpracování v reálném čase, governance a adaptabilních architektur dat. Ještě důležitější je, aby organizace pohlížely na kontext zákazníka jako na vrstvu provozní inteligence, která podporuje rozhodování AI napříč celou organizací.

Většina organizací již disponuje základními signály.

Budoucí lídři v podnikové AI nebudou nutně společnosti s nejsofistikovanějšími modely. Budou to společnosti s nejvěrohodnějším pochopením svých zákazníků.

Protože ve světě ovládaném AI se kontext zákazníka stává základem každého inteligentního rozhodnutí.

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.