Derek Slager, Medstifter og Med-CEO af Amperity – Intervjuerækken

Derek Slager er medstifter og med-CEO af Amperity, hvor han leder virksomhedens AI-først-transformation på tværs af både produkt og den måde, virksomheden opererer på. Han stiftede Amperity for at give markedsførere og analytikere kunde-data, de kunne stole på, og opbyggede den patenterede identitetsløsning og realtids-profil-arkitektur bag Amperitys pålidelige kunde-kontekst. Tidligere var han på stiftelsesholdet hos Appature og havde ingeniørlederroller i store, distribuerede systemer og sikkerhed.

Amperity er en AI-drevet kunde-data-cloud, der er designet til at hjælpe virksomheder med at samle fragmenterede kunde-oplysninger fra online- og offline-kilder til nøjagtige, realtids-kunde-profiler. Dens platform kombinerer maskinlærings-baseret identitetsløsning, datastyring, analyse, prædiktiv modellering og aktiveringsværktøjer, der giver markedsførings- og datahold til at bedre forstå kunde-adfærd, personliggøre oplevelser, måle omsætningsvirkning og koordinere handlinger på tværs af kanaler. Stiftet i 2016, betjener Amperity mere end 400 mærker verden over, herunder Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts og DICK’S Sporting Goods (DKS ).

Du har arbejdet med avanceret analyse, kunde-insights, produktstyring, ML/MLOps og AI-strategi, og har hjulpet med at opbygge grundlæggende produkter før Amperity. Hvordan har den vej formet din måde at tænke om forholdet mellem kunde-data-kvalitet og AI-præstation?

Mit arbejde i branchen har virkelig centreret sig om ét problem: hvordan får man AI til at forstå korrekt om mennesker, når data, der beskriver disse mennesker, altid er ufuldstændig, inkonsistent og ændrer sig? Tidligt, i analytiske og produktroller, så jeg hold, der byggede stadig mere sofistikerede modeller på top af kunde-data, der grundlæggende var utroværdig: duplikerede poster, forkerte identifikatorer, stillede attributter. Ingen mængde af model-sophistication fik det fikset; det skjulte bare problemet mere effektivt.

Denne instinkt er det, der fik os til at opbygge Amperity: identitetsløsning er ikke en nice-to-have-lag på top af AI, det er fundamentet, alt andet hviler på. Når jeg ser på enterprise-AI i dag, ser jeg det samme mønster spille sig ud på en langt større skala. Hold, der hælder ressourcer i model-valg og prompt-engineering, mens de behandler kunde-data, der føder disse modeller, som en given. Det er det ikke. Få identitetslaget forkert, og hver nedstrøms AI-system arver denne fejl og forstærker den.

Vi hører ofte enterprise-AI-diskussioner, der er centreret om model-valg, men du mener, at pålidelig kunde-identitets-data bliver lige så vigtigt. Hvorfor skifter samtalen fra “Hvilket model er bedst?” til “Hvilke data kan AI virkelig stole på?”

I de første få år af den generative AI-bølge, var model-kapaciteter virkelig flaskenhalen, da værktøjerne simpelthen ikke var gode nok endnu. Nu er det ændret. De førende modeller i dag er bemærkelsesværdigt kapable, og gapet mellem dem er blevet mindre for de fleste forretningsbrugstilfælde. Det, der ikke har indhentet, er data, der føder disse modeller inden for virksomheden.

Man kan sætte den mest avancerede model foran en kunde-service-agent eller en personliggørelse-motor, men hvis den grundlæggende kunde-data er tre duplikerede profiler for den samme person, en forældet e-mail-adresse og en købs-historik, der mangler halvdelen af de kanaler, personen handler i, vil outputtet være forkert. Samtalen skifter, fordi ledere føler dette gap direkte. De har adopteret en fremragende model og ser alligevel ikke den forventede ROI. Den næste virkelige fordel kommer ikke fra en bedre model. Det kommer til at afhænge af, om en organisation kan give sine AI-systemer noget troværdigt at forstå over i første omgang.

Hvad er de mest almindelige måder, hvorpå urigtig eller fragmenteret kunde-identitets-data kan undergrave AI-resultater, selv når den underliggende model er teknisk stærk?

Et par mønstre viser sig konstant. Det mest grundlæggende er duplication. Den samme kunde findes som fem eller seks forskellige poster på tværs af kanaler, hver med en delvis visning af denne person, så et AI-system måske sender en win-back-tilbud til nogen, hvis abonnement er aktivt under en anden post. Så er der stalhed. Data, der var nøjagtig for et år siden, men ikke er blevet opdateret, så en model optimerer på baggrund af, hvem en kunde tidligere var, snarere end hvem de er nu. Der er også over-merging, som er mere subtil: identitets-systemer, der er for aggressive om at matche, kombinerer to forskellige personer til en profil, og nu er et AI-agent meget sikker på at træffe beslutninger på vegne af nogen, der ikke eksisterer. Og endelig er der åbenlyse huller. Loyalty-aktivitet i ét system, support-historik i et andet, browse-adfærd i et tredje, med ingen enkelt system, der holder det fulde billede. Individuelt set ligner hvert af disse et data-hygiejne-problem. I en AI-kontekst forstærker de, fordi modellen ikke ved, hvad den ikke ved. Den producerer bare et svar med total sikkerhed.

Da generativ AI bliver en ny frontdør for produkt-opdagelse, hvad ændrer sig for mærker, når forbrugere i stigende grad afhænger af AI-systemer til at sammenligne muligheder, evaluere loyalitet og træffe købsbeslutninger?

Normalt kontrollerede mærkerne frontdøren. Du byggede en hjemmeside, optimerede til søgning, forbedrede din kanal og kunder kom direkte til dig eller gennem resultater, du kunne påvirke. Nu er denne frontdør en samtale med en AI-assistent, som et mærke ikke kan kontrollere og ikke fuldt ud kan se ind i.

Nogen beder en AI-værktøj om at sammenligne loyalty-programmer eller anbefale et hotel, og mærkets job er nu at være læselig og troværdig nok i det øjeblik, til at være svaret, AI’en giver. Dette er en ægte ændring i, hvad markedsføring må optimeres for. Det betyder, at kvaliteten, strukturen og nøjagtigheden af et mærkes egne data og indhold betyder mere, fordi AI-systemer syntetiserer fra hvilken signal, de kan finde.

Amperitys forskning viser, at kun en minoritet af forbrugere nu går direkte til kendte mærker uden at overveje AI-anbefalinger først. Hvad betyder dette for mærke-loyalitet, personliggørelse og den traditionelle kunde-journey?

Vi undersøgte 1.000 amerikanske forbrugere tidligere i år, og ét tal stod ud for mig: færre end en kvart sagde, de går direkte til et mærke, de allerede kender, uden først at overveje en AI-anbefaling, og 60% sagde, at AI allerede havde ført dem til et mærke, de ikke tidligere havde overvejet. Dette undergraver den standardfordel, etablerede mærker tidligere havde. Loyalitet er ikke forsvundet, men funnellen over denne beslutning er ændret. Mærkerne vurderes og shortlistes af systemer, de ikke kontrollerer, baseret på hvilken data, der er tilgængelig om dem.

Identitetsløsning har eksisteret som et data-problem i år. Hvad gør det mere presserende nu, hvor AI-agenter, co-piloter og generative AI-grænseflader bliver en del af daglige virksomheds-arbejdsgange?

Identitetsløsning har altid været vigtigt for ting som at forhindre duplikerede breve eller sørge for, at en loyalty-medlem får korrekt kredit for en købs-transaktion. Disse er virkelige problemer, men relativt tilgivende, hvor et menneske normalt fanger fejlen. Agenter fjerner denne sikkerhedsnet.

Når en AI-agent er bemyndiget til at faktisk træffe handlinger, enten det er at udstede en refusion, anvende en rabat, anbefale en næste-bedst tilbud, eller opdatere en præference, gør det på baggrund af hvilken identitetsløsning, det er blevet givet, på maskin-hastighed og ofte uden et menneske i løkken. Får identiteten forkert, og agenten misfyrer ikke bare én gang. Det kan misfyrer systematisk og øjeblikkeligt, i skala, før nogen bemærker det. Det er, hvad der gør dette øjeblik mere presserende end før.

Hvordan bør virksomheder tænke om kunde-identitet som en del af deres bredere AI-styrings-strategi, sammen med privatliv, sikkerhed, model-overvågning og overholdelse?

Jeg ville sætte kunde-identitet lige ved siden af disse andre piller, ikke under dem. De fleste AI-styrings-samtaler fokuserer på modellen: er den fordomsfuld, sikker, overholdt og overvåget for drift? Disse er nødvendige, men de antager, at input, modellen forstår over, er sund. Hvis identitetslaget er forkert, kan du have en perfekt styret model, der producerer beslutninger om den forkerte person, eller en model, der ser ud til at være fordomsfuld, når det virkelige problem er, at dens data var fragmenteret på måder, der udsatte bestemte kunde-segmenter.

Mange virksomheder investerer kraftigt i AI-piloter, men deres kunde-data forbliver siloet på tværs af marketing, handel, support, loyalitet og offline-systemer. Hvad praktiske skridt bør ledere tage, før de skalere AI til operationelle beslutninger?

Mønsteret, jeg ser oftest, er en virksomhed, der kører flere lovende AI-piloter – en chatbot her, en personliggørelse-eksperiment der – hver forbundet til hvilken data, der tilfældigvis er tættest til hånden for det team. Det fungerer godt nok til at få finansiering, så rammer det en væg, når nogen forsøger at skale det til en reel operationel beslutning, fordi pilotens data aldrig afspejlede den fulde kunde.

Det første praktiske skridt er en ærlig inventar: kende, hvor hver kilde til kunde-sandheden bor (marketing, handel, support, loyalitet, offline). Hvor meget overlapper de? Hvor gør de ikke? Andet, investér i identitetsløsning, før investering i flere piloter. Det er, hvad der låser hver fremtidig AI-initiativ til at genbruge det samme troværdige fundament, snarere end hvert team bygger en delvis en. Tredje, byg en lille mængde af tværfaglige ejere for denne samlede kunde-data, snarere end at lade ejerskab gå til det team, der tilfældigvis har brug for det til deres nuværende pilot. Virksomheder, der får denne sekvens bagvendt, ender med en portefølje af AI-piloter, der aldrig forlader pilot-stadiet, fordi ingen af dem kan betroes med en rigtig beslutning.

Hvor tegner du grænsen mellem personliggørelse, der føles brugbar, og personliggørelse, der føles indtrængende, især når AI-systemer kan slutte mere af en samlet kunde-profil?

Grænsen er mindre om, hvor meget en mærke ved, og mere om, hvorvidt det, de gør med den viden, føles fortjent og relevant i øjeblikket. En anbefaling baseret på en persons faktiske købshistorik føles nyttig. En anbefaling, der afslører en slutning, kunden aldrig udtrykkeligt delte, føles indtrængende, selv når den er korrekt, fordi den afslører, hvor meget der deles.

Settende fremad, hvad vil adskille virksomheder, der får rigtig værdi fra AI, fra dem, der forbliver fast i eksperiment-mode: bedre modeller, bedre data-infrastruktur, stærkere styring eller en ny driftsmodel?

Model-kvalitet var aldrig gået til at være en varig differentiator. Det udvikler sig for hurtigt, og de fleste virksomheder har adgang til omtrent de samme modeller. Styring betyder noget, men det er en begrænsning, ikke en kilde til værdi i sig selv. De to ting, jeg faktisk tror adskiller virksomhederne, der kommer frem, er data-infrastruktur og driftsmodel, som er forbundet.

Virksomhederne, der får rigtig værdi fra AI, er dem, der allerede har investeret i at have en enkelt, troværdig, kontinuerligt opdateret visning af kunden, så enhver ny AI-funktion kan pege på dette fundament i stedet for at sy sammen sin egen. Men det fungerer kun, hvis driftsmodellen ændres også: hvis AI-initiativer stadig ejes team for team, med hvert hold, der definerer sin egen version af kunden, vil du fortsætte med at introducere de samme data-kvalitets-problemer. Virksomhederne, der bryder ud af eksperiment-mode, er dem, der behandler troværdig kunde-data som fælles infrastruktur og bygger deres AI-driftsmodel omkring den antagelse fra starten.

Tak til Derek for det indsigtsgivende interview. Læsere kan lære mere om Amperity og udforske Dereks seneste indsigt på hans Unite.AI-forfatter-side.