Derek Slager, Amperityn perustaja ja toimitusjohtaja – Haastattelusarja

Derek Slager on Amperityn perustaja ja toimitusjohtaja, jossa hän johtaa yhtiön AI-ensin -muodonmuutosta sekä tuotteissa että siinä, miten yhtiö toimii. Hän perusti Amperityn antamaan markkinoijille ja analyytikoille asiakastietoja, joissa voitiin luottaa, ja kehitti patentoidun identiteettiratkaisun ja reaaliaikaisen profiiliarkkitehtuurin Amperityn luotettavan asiakaskontekstin taustalla. Aikaisemmin hän oli mukana Appaturen perustamisessa ja toimi suurten jakautuneiden järjestelmien ja tietoturvan insinööritoimissa.

Amperity on AI-pohjainen asiakastietojen pilvi, joka on suunniteltu auttamaan yrityksiä yhdistämään fragmentoituja asiakastietoja verkossa ja verkossa olevista lähteistä tarkoilla, reaaliaikaisilla asiakasprofiileilla. Sen alusta yhdistää koneoppimiseen perustuvan identiteettiratkaisun, tietojen hallinnan, analytiikan, ennustavan mallinnuksen ja aktivointityökalut, mahdollistaen markkinointi- ja datatiimien paremmin ymmärtää asiakas käyttäytymistä, räätälöidä kokemuksia, mitata tuloksen vaikutusta ja koordinoida toimia kanavissa. Perustettu vuonna 2016, Amperity palvelee yli 400 brändiä maailmanlaajuisesti, mukaan lukien Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts ja DICK’S Sporting Goods.

Olet työskennellyt edistyneissä analyytikoissa, asiakas näkymissä, tuotteen hallinnassa, ML/MLOpsissa ja AI-strategiassa, auttaen rakentamaan perustuvia tuotteita ennen Amperityä. Miten tuo polku on muovannut tapaa, jolla ajattelet asiakas datan laadun ja AI-suorituskyvyn suhdetta?

Työni alalla on todella keskittynyt yhteen ongelmaan: miten saada AI oikein päättämään ihmisistä, kun data, joka kuvailee näitä ihmisiä, on aina epätäydellinen, epäjohdonmukainen ja muuttuva? Aluksi, analyytikoissa ja tuotteen rooleissa, seurasin tiimejä, jotka rakensivat yhä monimutkaisempia malleja asiakastietojen päälle, jotka olivat perustavasti epäluotettavia: duplikaattiennätykset, väärät tunnistimet, vanhentuneet ominaisuudet. Mikään mallin monimutkaisuus ei korjannut sitä; se vain piilotti ongelman tehokkaammin.

Sellaista vaisto on, mikä johti meidät rakentamaan Amperityä: identiteettiratkaisu ei ole miellyttävä kerros AI:n päällä, vaan se on perusta, jolle kaikki muu perustuu. Kun katselen yritysten AI:tä tänään, näen saman mallin toistuvan paljon suuremmassa mittakaavassa. Tiimit valuttavat resursseja mallin valintaan ja ohjelmointiin, kun taas asiakastietojen käsittelyä pidetään itsestäänselvyytenä. Se ei ole. Jos identiteettikerros on väärä, jokainen alijärjestelmä perii virheen ja vahvistaa sitä.

Usein kuulemme yritysten AI-keskusteluja, jotka keskittyvät mallin valintaan, mutta väität, että luotettava asiakasidentiteettitieto on yhtä tärkeää. Miksi keskustelu siirtyy ”Mikä malli on paras?” -keskustelusta ”Mille data AI voi luottaa?” -keskusteluun?

Generatiivisen AI-aallon ensimmäisten vuosien aikana mallin kyvyt olivat todella pullonkaula, koska työkalut eivät olleet vielä tarpeeksi hyviä. Nyt se on muuttunut. Johtavat mallit tänään ovat hämmästyttävän kyvykkäitä, ja ero heidän välillä on kaventunut useimmissa liiketoimintatapauksissa. Mitä ei ole kehittynyt, on data, joka syötetään niihin yrityksissä.

Voi asettaa edistyneimmän mallin asiakaspalvelun edessä tai räätälöintimoottorin, mutta jos se perustuu kolmeen duplikaattiin samasta henkilöstä, vanhentuneeseen sähköpostiosoitteeseen ja ostohistoriaan, joka puuttuu puolet kanavista, joissa henkilö käy, tulos on väärä. Keskustelu siirtyy, koska johtajat tuntevat tämän aukon suoraan. He ovat omaksuneet loistavan mallin ja eivät vieläkään näe odotettua tuottoa. Seuraava todellinen etu ei tule paremmasta mallista. Se tulee siitä, onko organisaatio antaa AI-järjestelmilleensä jotain luotettavaa, josta ne voivat päättää.

Mitkä ovat yleisimmät tavat, joilla epätarkat tai fragmentoituneet asiakasidentiteettitiedot voivat heikentää AI-tuloksia, vaikka perusmalli on teknisesti vahva?

Joitakin malleja näkee jatkuvasti. Perustavin on duplikaatti. Sama asiakas on viisi tai kuusi eri rekisteriä eri kanavissa, kussakin osittainen näkymä kyseisestä henkilöstä, joten AI-järjestelmä voi lähettää voittorahoituksen jollekulle, jonka tilaus on aktiivinen toisessa rekisterissä. Sitten on vanhentuneisuus. Data, joka oli tarkka vuosi sitten, mutta ei ole päivitetty, joten malli optimoi sen perusteella, kuka asiakas oli aikaisemmin eikä sitä, kuka hän on nyt. On myös yhdistäminen, joka on häikäisevä: identiteettijärjestelmät, jotka ovat liian aggresiivisia yhdistämisessä, yhdistävät kaksi eri henkilöä yhdeksi profiiliksi, ja nyt AI-väylä tekee päätöksiä jonkun puolesta, jota ei todella ole olemassa. Ja lopulta on vain aukkoja. Uskollisuustoimintaa yhdessä järjestelmässä, tukihistoria toisessa, selaamiskäyttäytyminen kolmannessa, eikä yksikään järjestelmä omista kokonaiskuvaa. Yksin nämä näyttävät datan hygieniaongelmilta. AI-kontekstissa ne kertautuvat, koska malli ei tiedä, mitä se ei tiedä. Se vain tuottaa vastauksen täydellisen varmuudella.

Kun generatiivinen AI tulee uudeksi etuoviksi tuotteen löytämiseen, mitä muuttuu brändien kannalta, kun kuluttajat yhä enemmän luottavat AI-järjestelmiin vertailemaan vaihtoehtoja, arvioimaan uskollisuutta ja tekemään ostoksia?

Yleensä brändit hallitsivat etuoven. Rakennettiin verkkosivu, optimoitiin hakukoneelle, hienosäädettyin putki ja asiakkaat tulivat suoraan tai hakutuloksien kautta, joita voitiin vaikuttaa. Nyt etuovi on keskustelu AI-väylän kanssa, jota brändi ei hallitse eikä voi täysin nähdä sisään.

Joku pyytää AI-työkalua vertailemaan uskollisuusohjelmia tai suosittelemaan hotellia, ja brändin tehtävä on nyt olla tarpeeksi luotettava ja tunnistettavissa, sillä hetkellä, jotta se olisi vastaus, jonka AI antaa. Se on aidosti muuttunut siinä, mihin markkinointi on optimoitu. Se tarkoittaa, että brändin oman datan ja sisällön laatu ja rakenne ovat tärkeämpiä, koska AI-järjestelmät syntetisoivat mitä tahansa signaalia, jonka ne voivat löytää.

Amperityn tutkimus osoittaa, että vain vähän kuluttajia menee suoraan tuttuihin brändien luokse ilman, että he ensin tarkastelevat AI-suosituksia. Mitä se merkitsee brändiloyaliteetille, räätälöidylle ja perinteiselle asiakaspolulle?

Kysyimme 1 000 Yhdysvaltain kuluttajaa tänä vuonna, ja yksi luku nousi minulle: vähemmän kuin neljännes sanoi, että he menivät suoraan brändiin, jonka he jo tunsivat, ilman, että he ensin huomioivat AI-suosituksen, ja 60 % sanoi, että AI on jo johtanut heidät brändiin, jota he eivät aikaisemmin olleet kohdelleet. Se kuluttaa etuoikeuden, jonka vakiintuneet brändit aikaisemmin olivat. Uskollisuus ei ole kadonnut, mutta hanan yläpuolella oleva päätös on muuttunut. Brändit arvioidaan ja lyhennetään järjestelmien avulla, joita he eivät hallitse, perustuen siihen, mitä dataa on heistä saatavilla.

Identiteettiratkaisu on ollut olemassa datana ongelmana vuosia. Mitä tekee siitä nyt kiireellisemmän, nyt kun AI-väylät, copilotit ja generatiiviset AI-liittymät tulevat osaksi päivittäistä yritysten työvirtoja?

Identiteettiratkaisulla on aina ollut merkitystä asioiden kuten estämättä duplikaatteja postissa tai varmistamatta, että uskollisuusjäsen saa oikean hyvityksen ostoksesta. Nämä ovat todellisia ongelmia, mutta suhteellisen anteeksiantavia, joissa ihminen yleensä kiinnittää virheen. Agentit poistavat tämän turvaverkon.

Kun AI-väylä on valtuutettu tosiasiallisesti toimimaan, olipa se hyvityksen myöntäminen, alennuksen soveltaminen, seuraavan parhaan tarjouksen suositteleminen tai mieltymyksen päivittäminen, se tekee niin perustuen identiteettiratkaisuun, jota on annettu, koneen nopeudella ja usein ilman ihmisten osallistumista. Jos identiteetti on väärä, agentti ei vain epäonnistu kerran. Se voi epäonnistua järjestelmällisesti ja välittömästi, ennen kuin kukaan huomaa. Se on, mikä tekee tämän hetken kiireellisemmäksi kuin aikaisemmin.

Miten yritysten tulisi ajatella asiakasidentiteettiä laajemman AI-hallinnan strategian osana, yhdessä yksityisyyden, turvallisuuden, mallin seurannan ja sääntelyn kanssa?

Asettaisin asiakasidentiteetin näiden muiden pilarien rinnalle, eikä niiden alle. Useimmat AI-hallinnan keskustelut keskittyvät malliin: onko se vääristynyt, turvallinen, sääntelty ja seurattu? Nämä ovat välttämättömiä, mutta ne olettavat, että syötteenä oleva data on kelvollista. Jos identiteettikerros on väärä, voidaan saada täydellinen hallinta, mutta malli tuottaa päätöksiä väärästä henkilöstä, tai malli näyttää vääristyneeltä, kun todellinen ongelma on, että sen data oli fragmentoitu tavalla, joka epäedullistaa tiettyjä asiakassegmenttejä.

Käytännössä tämä tarkoittaa, että samaa vaatimusta, jota organisaatiot soveltavat mallin seurantaan, on sovellettava identiteetti- ja datakerrokseen sen alla. Kuka omistaa asiakkaan kultaisen rekisterin? Miten vastaavuuden laatu mitataan ja seurataan ajan myötä? Mitä tapahtuu, kun vastaus on väärä? Nämä tulisi olla hallintakysymyksiä, joilla on sama prioriteetti kuin mitä tapahtuu mallitasolla.

Monet organisaatiot panostavat voimakkaasti AI-kokeiluihin, mutta heidän asiakastietonsa ovat edelleen erillisiä markkinoinnissa, kaupassa, tuessa, uskollisuudessa ja offline-järjestelmissä. Mitkä käytännön toimenpiteet johtajien tulisi tehdä ennen kuin he laajentavat AI:ta operatiivisiin päätöksiin?

Malli, jonka näen useimmin, on organisaatio, joka ajaa useita lupaavia AI-kokeiluja – chatbottiä täällä, räätälöintikokeilua siellä – kussakin on kytketty siihen data, joka on lähinnä kyseiselle tiimille. Se toimii tarpeeksi hyvin saadakseen rahoitusta, mutta se osuu esteeseen, kun joku yrittää laajentaa sitä todelliseksi operatiiviseksi päätökseksi, koska kokeilun data ei koskaan heijastanut koko asiakasta.

Ensimmäinen käytännön askel on rehellinen inventaario: tiedä, missä jokainen asiakkaan totuuden lähde sijaitsee (markkinointi, kauppa, tuki, uskollisuus, offline). Kuinka paljon ne ovat päällekkäin? Missä eivät? Toiseksi, investoi identiteettiratkaisuun ennen kuin investoida enemmän kokeiluihin. Se on se, mikä antaa jokaiselle tulevalle AI-aloitteelle uudelleen käyttää samaa luotettavaa perustaa, sen sijaan, että jokainen tiimi rakentaa osittaisen. Kolmanneksi, rakenna pieni määrä ristifunktionaalisia omistajia yhdistetylle asiakastiedolle, sen sijaan, että jättäisi omistajuuden sille tiimille, joka tarvitsee sitä kokeiluunsa. Organisaatiot, jotka saavat tämän järjestyksen väärin, lopettavat lopulta AI-kokeilujen portfolion, joka ei koskaan jätä kokeiluvaihetta, koska mikään niistä ei voida luottaa todelliseen päätöksentekoon.

Missä piirrustat rajan henkilökohtaisuuden ja tunkeutumisen välillä, erityisesti kun AI-järjestelmät voivat päätellä enemmän yhdistetyistä asiakasprofiileista?

Raja on vähemmän siinä, kuinka paljon brändi tietää, ja enemmän siinä, onko se, mitä he tekevät tiedolla, ansaittu ja relevantti hetkellä. Suositus, joka perustuu jonkun todelliseen ostohistoriaan, tuntuu hyödylliseltä. Suositus, joka paljastaa johtopäätöksen, jota asiakas ei koskaan ollut avannut, tuntuu tunkeilevalta, vaikka se on oikein, koska se paljastaa, kuinka paljon on jaettu.

Havaitsemme, että suuri enemmistö kuluttajista sanoo, että he ovat valmiimpia osallistumaan räätälöintiin, kun he luottavat siihen, miten heidän dataa käytetään, ja enemmistö sanoo, että räätälöinti, joka tuntuu tunkeilevalta, tekee heidät vähemmän valmiiksi valitsemaan brändin. Minun sääntöni tiimille, joka rakentaa AI-pohjaisen johtopäätöksen, on yksinkertainen: jos et halua selittää yksinkertaisella kielellä, miksi järjestelmä tietää, mitä se tietää, älä toimi siitä. Räätälöinti tulisi tuntua tunnistamiselta, ei valvontalta.

Edetessäsi, mitä erottaa yritykset, jotka saavat todellista arvoa AI:sta, niistä, jotka jäävät kiinni kokeiluvaiheeseen: paremmat mallit, parempi data-infrastruktuuri, vahvempi hallinta, vai uusi toimintamalli?

Mallin laatu ei koskaan ollut kestävä erottaja. Se kehittyy liian nopeasti, ja useimmat yritykset pääsevät käyttämään samaa mallia. Hallinta on tärkeää, mutta se on rajoitus, ei arvon lähde. Kaksi asiaa, joita ajattelen erottavan yritykset, jotka pääsevät eteenpäin, ovat data-infrastruktuuri ja toimintamalli, jotka ovat yhteydessä toisiinsa.

Yritykset, jotka saavat todellista arvoa AI:sta, ovat niitä, jotka ovat jo investoineet yhden, luotettavan ja jatkuvasti päivitettävän näkymän asiakkaasta, joten mikä tahansa uusi AI-kyky voidaan osoittaa sille perustalle sen sijaan, että koottaisiin oma. Mutta se toimii vain, jos toimintamalli muuttuu myös: jos AI-aloitteet ovat edelleen omistettu tiimikohtaisesti, kunkin ryhmän määrittelemällä oman version asiakkaasta, jatketaan samaa data-laatuongelmaa. Yritykset, jotka pääsevät irti kokeiluvaiheesta, ovat niitä, jotka kohtelevat luotettavaa asiakastietoa jaettuna infrastruktuurina ja rakentavat AI-toimintamallinsa sen oletuksella alusta alkaen.

Kiitos Derekille haastattelusta. Lukijat voivat lukea lisää Amperitystä ja tutkia Derek Slagerin viimeisimpiä näkemyksiä Unite.AI -kirjoittajansivulla.