Derek Slager, Co-Fondateur et Co-PDG d’Amperity – Série d’entretiens

Derek Slager est co-fondateur et co-PDG d’Amperity, où il dirige la transformation de l’entreprise vers l’intelligence artificielle à la fois en termes de produit et de fonctionnement. Il a co-fondé Amperity pour offrir aux marketeurs et aux analystes des données client fiables, et a conçu l’architecture de résolution d’identité et de profil en temps réel brevetée derrière le contexte client fiable d’Amperity. Auparavant, il faisait partie de l’équipe fondatrice d’Appature et occupait des postes de direction en ingénierie dans des systèmes distribués et des systèmes de sécurité à grande échelle.

Amperity est un cloud de données client alimenté par l’intelligence artificielle conçu pour aider les entreprises à unifier les informations client fragmentées en ligne et hors ligne en des profils client précis et en temps réel. Sa plateforme combine la résolution d’identité basée sur le machine learning, la gestion de données, l’analyse, la modélisation prédictive et les outils d’activation, permettant aux équipes marketing et données de mieux comprendre le comportement client, de personnaliser les expériences, de mesurer l’impact sur les revenus et de coordonner les actions sur les canaux. Fondée en 2016, Amperity sert plus de 400 marques dans le monde, dont Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts et DICK’S Sporting Goods (DKS ).

Vous avez travaillé dans l’analyse avancée, les insights client, la gestion de produit, le ML/MLOps et la stratégie d’intelligence artificielle, aidant à construire des produits fondamentaux avant Amperity. Comment ce parcours a-t-il façonné votre façon de penser à la relation entre la qualité des données client et les performances de l’intelligence artificielle ?

Mon travail dans l’industrie a vraiment centré sur un problème : comment faire en sorte que l’intelligence artificielle raisonne correctement sur les personnes lorsque les données les décrivant sont toujours incomplètes, incohérentes et changeantes ? Au début, dans les rôles d’analyse et de produit, j’ai vu des équipes construire des modèles de plus en plus sophistiqués sur des données client fondamentalement peu fiables : enregistrements en double, identificateurs non correspondants, attributs obsolètes. Aucune sophistication de modèle n’a résolu ce problème ; elle l’a simplement caché plus efficacement.

C’est cette intuition qui nous a menés à construire Amperity : la résolution d’identité n’est pas une couche superflue sur l’intelligence artificielle, c’est la fondation sur laquelle tout le reste repose. Lorsque je regarde l’intelligence artificielle d’entreprise aujourd’hui, je vois le même modèle se reproduire à une échelle beaucoup plus grande. Les équipes consacrent des ressources à la sélection de modèles et à l’ingénierie de prompte, tout en traitant les données client qui alimentent ces modèles comme acquises. Ce n’est pas le cas. Si la couche d’identité est incorrecte, chaque système d’intelligence artificielle en aval hérite de cette erreur et l’amplifie.

On entend souvent des discussions sur l’intelligence artificielle d’entreprise axées sur la sélection de modèles, mais vous soutenez que les données d’identité client fiables deviennent tout aussi importantes. Pourquoi la conversation passe-t-elle de « Quel est le meilleur modèle ? » à « Quelles données l’intelligence artificielle peut-elle vraiment faire confiance ? »

Pendant les premières années de la vague d’intelligence artificielle générative, les capacités de modèle étaient vraiment le goulet d’étranglement, car les outils n’étaient simplement pas suffisamment bons. Maintenant, cela a changé. Les modèles de pointe aujourd’hui sont remarquablement capables, et l’écart entre eux a diminué pour la plupart des cas d’utilisation commerciaux. Ce qui n’a pas rattrapé, c’est les données qui alimentent ces modèles à l’intérieur de l’entreprise.

Vous pouvez mettre le modèle le plus avancé devant un agent de service client ou un moteur de personnalisation, mais s’il raisonne sur trois profils en double pour la même personne, une adresse e-mail obsolète et un historique d’achat manquant la moitié des canaux dans lesquels cette personne fait ses achats, la sortie sera nécessairement incorrecte. La conversation change parce que les dirigeants ressentent directement cet écart. Ils ont adopté un excellent modèle et ne voient toujours pas le retour sur investissement qu’ils attendaient. Le prochain véritable avantage ne viendra pas d’un meilleur modèle. Il viendra de savoir si une organisation peut donner à ses systèmes d’intelligence artificielle quelque chose de fiable sur lequel raisonner en premier lieu.

Quelles sont les façons les plus courantes dont des données d’identité client inexactes ou fragmentées peuvent miner les résultats de l’intelligence artificielle, même lorsque le modèle sous-jacent est techniquement solide ?

Plusieurs modèles apparaissent constamment. Le plus basique est la duplication. Le même client existe sous cinq ou six enregistrements différents sur les canaux, chacun avec une vue partielle de cette personne, donc un système d’intelligence artificielle pourrait envoyer une offre de rattrapage à quelqu’un dont l’abonnement est actif sous un autre enregistrement. Ensuite, il y a la staleness. Des données qui étaient exactes il y a un an mais n’ont pas été mises à jour, donc un modèle est optimisé sur la base de qui était le client à l’époque et non de qui il est maintenant. Il y a également la sur-merging, qui est plus subtile : les systèmes d’identité qui sont trop agressifs pour faire correspondre les enregistrements finissent par combiner deux personnes différentes en un seul profil, et maintenant un agent d’intelligence artificielle prend des décisions avec confiance au nom de quelqu’un qui n’existe pas réellement. Et enfin, il y a des lacunes pures et simples. L’activité de fidélité dans un système, l’historique de support dans un autre, le comportement de navigation dans un troisième, sans qu’aucun système ne détienne l’image complète. Individuellement, chacun de ces problèmes ressemble à un problème d’hygiène des données. Dans un contexte d’intelligence artificielle, ils se cumulent car le modèle ne sait pas ce qu’il ne sait pas. Il produit simplement une réponse avec une confiance totale.

À mesure que l’intelligence artificielle générative devient une nouvelle porte d’entrée pour la découverte de produits, quels changements pour les marques lorsque les consommateurs s’appuient de plus en plus sur les systèmes d’intelligence artificielle pour comparer les options, évaluer la fidélité et prendre des décisions d’achat ?

Habituellement, les marques contrôlaient la porte d’entrée. Vous construisiez un site Web, optimisiez pour la recherche, affiniez votre tunnel et les clients venaient directement à vous ou via des résultats que vous pouviez influencer. Maintenant, cette porte d’entrée est une conversation avec un assistant d’intelligence artificielle que la marque ne contrôle pas et ne peut pas voir pleinement à l’intérieur.

Quelqu’un demande à un outil d’intelligence artificielle de comparer les programmes de fidélité ou de recommander un hôtel, et le travail de la marque est maintenant de être suffisamment lisible et digne de confiance, à ce moment-là, pour être la réponse que l’intelligence artificielle donne. C’est un véritable changement dans ce que le marketing doit optimiser. Cela signifie que la qualité, la structure et la précision des propres données et contenu de la marque comptent davantage, car les systèmes d’intelligence artificielle synthétisent à partir de tout signal qu’ils peuvent trouver.

Les recherches d’Amperity suggèrent qu’une minorité de consommateurs vont désormais directement aux marques familières sans considérer les recommandations d’intelligence artificielle en premier. Qu’est-ce que cela signifie pour la fidélité de la marque, la personnalisation et le parcours client traditionnel ?

Nous avons interrogé 1 000 consommateurs américains plus tôt cette année, et un chiffre m’a particulièrement frappé : moins d’un quart ont déclaré qu’ils allaient directement à une marque qu’ils connaissaient déjà sans d’abord tenir compte d’une recommandation d’intelligence artificielle, et 60 % ont déclaré que l’intelligence artificielle les avait déjà menés à une marque qu’ils n’avaient pas considérée auparavant. Cela érode l’avantage par défaut dont disposaient les marques établies. La fidélité n’a pas disparu, mais le tunnel au-dessus de cette décision a changé. Les marques sont évaluées et sélectionnées par des systèmes qu’elles ne contrôlent pas, sur la base de toutes les données disponibles à leur sujet.

Les stratégies de personnalisation construites sur l’hypothèse que « nous connaissons déjà ce client, donc nous n’avons pas besoin de gagner son attention » sous-performeront. Dans le même temps, le parcours client lui-même est devenu moins linéaire. Un client peut arriver sur le site d’une marque après avoir déjà été « vendu » par un résumé d’intelligence artificielle des avis et des comparaisons, ce qui signifie que l’expérience de la marque doit tenir face aux attentes qu’elle n’a pas eu l’occasion de façonner directement.

La résolution d’identité a existé en tant que problème de données pendant des années. Qu’est-ce qui la rend plus urgente maintenant que les agents d’intelligence artificielle, les copilotes et les interfaces d’intelligence artificielle générative deviennent partie intégrante des flux de travail d’entreprise quotidiens ?

La résolution d’identité a toujours compté pour des choses comme prévenir les envois en double ou s’assurer qu’un membre de fidélité reçoive le crédit approprié pour un achat. Ce sont des problèmes réels, mais relativement tolérants où un humain attrape généralement l’erreur. Les agents suppriment ce filet de sécurité.

Lorsqu’un agent d’intelligence artificielle est habilité à prendre réellement des mesures, que ce soit émettre un remboursement, appliquer une remise, recommander une offre suivante ou mettre à jour une préférence, il le fait sur la base de la résolution d’identité qu’il a reçue, à une vitesse de machine et souvent sans humain dans la boucle. Si l’identité est incorrecte, l’agent ne se trompe pas une fois. Il se trompe systématiquement et immédiatement, à grande échelle, avant que quiconque ne s’en aperçoive. C’est ce qui rend ce moment plus urgent qu’avant.

Comment les entreprises devraient-elles penser à l’identité client dans le cadre de leur stratégie de gouvernance de l’intelligence artificielle, aux côtés de la confidentialité, de la sécurité, de la surveillance des modèles et de la conformité ?

Je placerais l’identité client droit aux côtés de ces autres piliers, et non en dessous. La plupart des conversations sur la gouvernance de l’intelligence artificielle se concentrent sur le modèle : est-il biaisé, sécurisé, conforme et surveillé pour le dérive ? Ce sont des nécessités, mais elles supposent que les données d’entrée sur lesquelles le modèle raisonne sont solides. Si la couche d’identité est incorrecte, vous pouvez avoir un modèle parfaitement géré produisant des décisions sur la mauvaise personne, ou un modèle qui semble biaisé lorsque le véritable problème est que ses données étaient fragmentées de manière à désavantager certains segments de clients.

Pratiquement, cela signifie que la même rigueur que les organisations appliquent à la surveillance des modèles doit s’appliquer à la couche d’identité et de données en dessous. Qui possède l’enregistrement doré du client ? Comment la qualité de correspondance est-elle mesurée et surveillée au fil du temps ? Que se passe-t-il lorsqu’une correspondance est incorrecte ? Ce devraient être des questions de gouvernance avec la même priorité que tout ce qui se passe à la couche du modèle.

De nombreuses organisations investissent lourdement dans des pilotes d’intelligence artificielle, mais leurs données client restent cloisonnées dans les systèmes de marketing, de commerce, de support, de fidélité et hors ligne. Quelles étapes pratiques les dirigeants devraient-ils prendre avant de mettre l’intelligence artificielle à l’échelle dans la prise de décision opérationnelle ?

Le modèle que je vois le plus souvent est une organisation qui exécute plusieurs pilotes d’intelligence artificielle prometteurs — un chatbot ici, une expérience de personnalisation là — chacun connecté aux données qui se trouvent à portée de main pour cette équipe. Cela fonctionne suffisamment bien pour être financé, puis heurte un mur lorsqu’on essaie de le mettre à l’échelle en une décision opérationnelle réelle, car les données du pilote n’ont jamais reflété l’ensemble du client.

La première étape pratique est un inventaire honnête : savoir où vit chaque source de vérité client (marketing, commerce, support, fidélité, hors ligne). Dans quelle mesure se chevauchent-elles ? Où ne le font-elles pas ? Ensuite, investir dans la résolution d’identité avant d’investir dans plus de pilotes. C’est ce qui permet à chaque future initiative d’intelligence artificielle de réutiliser la même fondation fiable, plutôt que chaque équipe de reconstruire une fondation partielle. Troisièmement, construire un petit nombre de propriétaires transversaux pour ces données client unifiées, plutôt que de laisser la propriété à l’équipe qui en a besoin pour son pilote actuel. Les organisations qui inversent cette séquence finissent par avoir un portefeuille de pilotes d’intelligence artificielle qui ne quittent jamais le stade du pilote, car aucun d’entre eux ne peut être considéré comme fiable pour une décision réelle.

Où tracez-vous la ligne entre la personnalisation qui semble utile et la personnalisation qui semble envahissante, surtout lorsque les systèmes d’intelligence artificielle peuvent déduire davantage à partir de profils client unifiés ?

La ligne est moins liée à la quantité de données que possède une marque et plus à savoir si ce qu’elle fait avec ces connaissances semble mérité et pertinent dans l’instant. Une recommandation basée sur l’historique d’achat réel de quelqu’un semble utile. Une recommandation qui révèle une inférence que le client n’a jamais partagée explicitement semble envahissante, même si elle est exacte, car elle expose combien est partagé.

Notre rapport a constaté qu’une grande majorité des consommateurs déclarent qu’ils sont plus disposés à s’engager dans la personnalisation lorsqu’ils font confiance à la manière dont leurs données sont utilisées, et une majorité déclarent que la personnalisation qui semble envahissante les rend moins susceptibles de choisir une marque. Ma règle de base pour les équipes qui construisent sur l’inférence d’intelligence artificielle est simple : si vous ne voudriez pas expliquer, en langage clair, pourquoi le système sait ce qu’il sait, n’agissez pas encore. La personnalisation devrait ressembler à être reconnu, et non surveillé.

En regardant vers l’avenir, qu’est-ce qui séparera les entreprises qui tirent une valeur réelle de l’intelligence artificielle de celles qui restent bloquées dans le mode expérimentation : de meilleurs modèles, une meilleure infrastructure de données, une gouvernance plus solide ou un nouveau modèle opérationnel ?

La qualité du modèle n’était jamais destinée à être un facteur de différenciation durable. Elle évolue trop rapidement, et la plupart des entreprises ont accès aux mêmes modèles. La gouvernance compte, mais c’est une contrainte, et non une source de valeur en soi. Les deux choses que je pense vraiment séparent les entreprises qui prennent les devants sont l’infrastructure de données et le modèle opérationnel, qui sont liés.

Les entreprises qui tirent une valeur réelle de l’intelligence artificielle sont celles qui ont déjà investi dans l’obtention d’une vue unique, fiable et continuellement mise à jour du client, de sorte que toute nouvelle capacité d’intelligence artificielle puisse être pointée vers cette fondation au lieu de coudre sa propre fondation. Mais cela ne fonctionne que si le modèle opérationnel change également : si les initiatives d’intelligence artificielle sont toujours possédées équipe par équipe, avec chaque groupe définissant sa propre version du client, vous continuerez à introduire les mêmes problèmes de qualité de données. Les organisations qui sortent du mode expérimentation sont celles qui traitent les données client fiables comme une infrastructure partagée et construisent leur modèle opérationnel d’intelligence artificielle autour de cette hypothèse dès le départ.

Merci à Derek pour cet entretien éclairant. Les lecteurs peuvent en savoir plus sur Amperity et explorer les dernières idées de Derek Slager sur sa page d’auteur Unite.AI .