Derek Slager, Co-Founder dan Co-CEO Amperity – Seri Wawancara

Derek Slager adalah co-founder dan co-CEO Amperity, di mana ia memimpin transformasi AI-first perusahaan di seluruh produk dan cara perusahaan beroperasi. Ia mendirikan Amperity untuk memberikan pemasar dan analis data pelanggan yang dapat dipercaya, dan membangun arsitektur identitas resolusi dan profil waktu nyata yang dipatenkan di balik konteks pelanggan yang dipercaya Amperity. Sebelumnya, ia berada di tim pendiri Appature dan memegang peran kepemimpinan teknik dalam sistem terdistribusi skala besar dan keamanan.

Amperity adalah cloud data pelanggan yang ditenagai AI yang dirancang untuk membantu perusahaan mempersatukan informasi pelanggan yang terfragmentasi dari sumber online dan offline menjadi profil pelanggan yang akurat dan waktu nyata. Platformnya menggabungkan identitas resolusi berbasis mesin pembelajaran, manajemen data, analitik, pemodelan prediktif, dan alat aktivasi, memungkinkan tim pemasaran dan data untuk lebih memahami perilaku pelanggan, mempersonalisasi pengalaman, mengukur dampak pendapatan, dan mengkoordinasikan tindakan di seluruh saluran. Didirikan pada tahun 2016, Amperity melayani lebih dari 400 merek di seluruh dunia, termasuk Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts, dan DICK’S Sporting Goods (DKS ).

Anda telah bekerja di bidang analitik lanjutan, wawasan pelanggan, manajemen produk, ML/MLOps, dan strategi AI, membantu membangun produk fondasional sebelum Amperity. Bagaimana jalur itu telah membentuk cara Anda berpikir tentang hubungan antara kualitas data pelanggan dan kinerja AI?

Pekerjaan saya di industri ini benar-benar berpusat pada satu masalah: bagaimana Anda membuat AI untuk berpikir dengan benar tentang orang-orang ketika data yang menjelaskan orang-orang itu selalu tidak lengkap, tidak konsisten, dan berubah? Awalnya, di peran analitik dan produk, saya menyaksikan tim membangun model yang semakin canggih di atas data pelanggan yang pada dasarnya tidak dapat diandalkan: catatan ganda, pengidentifikasi yang tidak cocok, atribut yang sudah ketinggalan zaman. Tidak ada jumlah kecanggihan pemodelan yang dapat memperbaiki itu; itu hanya menyembunyikan masalah lebih efektif.

Itu yang membuat kami membangun Amperity: identitas resolusi bukanlah lapisan yang bagus untuk dipasang di atas AI, itu adalah fondasi yang semua else duduk di atasnya. Ketika saya melihat AI perusahaan hari ini, saya melihat pola yang sama bermain di skala yang jauh lebih besar. Tim memasukkan sumber daya ke dalam pemilihan model dan rekayasa prompt sementara mengobati data pelanggan yang memberi makan model tersebut sebagai yang diberikan. Itu tidak. Dapatkan lapisan identitas salah, dan setiap sistem AI hilir mewarisi kesalahan itu dan memperkuatnya.

Kita sering mendengar diskusi AI perusahaan yang diframing sekitar pemilihan model, tetapi Anda berargumentasi bahwa data identitas pelanggan yang dipercaya menjadi sama pentingnya. Mengapa percakapan bergeser dari “Model mana yang terbaik?” menjadi “Data apa yang dapat AI percayai?”

Untuk beberapa tahun pertama gelombang AI generatif, kemampuan model benar-benar merupakan bottleneck, karena alat-alat tersebut belum cukup baik. Sekarang, itu telah berubah. Model terkemuka hari ini sangat mampu, dan celah antara mereka telah menyempit untuk sebagian besar kasus bisnis. Apa yang belum menyusul adalah data yang memberi makan model tersebut di dalam perusahaan.

Anda dapat meletakkan model yang paling canggih di depan agen layanan pelanggan atau mesin personalisasi, tetapi jika itu berpikir atas tiga profil ganda untuk orang yang sama, alamat email yang sudah ketinggalan zaman, dan riwayat pembelian yang hilang setengah saluran yang orang itu berbelanja, outputnya pasti salah. Percakapan bergeser karena pemimpin merasakan celah itu secara langsung. Mereka telah mengadopsi model yang hebat dan masih belum melihat ROI yang mereka harapkan. Keuntungan berikutnya tidak akan datang dari model yang lebih baik. Itu akan datang dari apakah suatu organisasi dapat memberikan sistem AI-nya sesuatu yang dapat dipercaya untuk dipertimbangkan pertama-tama.

Apa yang paling umum cara data identitas pelanggan yang tidak akurat atau terfragmentasi dapat merusak hasil AI, bahkan ketika model yang mendasarinya secara teknis kuat?

Beberapa pola muncul secara konstan. Yang paling dasar adalah duplikasi. Pelanggan yang sama ada sebagai lima atau enam catatan yang berbeda di seluruh saluran, masing-masing dengan pandangan sebagian dari orang itu, sehingga sistem AI mungkin mengirimkan penawaran kemenangan kembali kepada seseorang yang langganannya aktif di bawah catatan yang berbeda. Lalu ada staleness. Data yang akurat satu tahun yang lalu tetapi belum diperbarui, sehingga model mengoptimalkan berdasarkan siapa pelanggan dulu bukan siapa mereka sekarang. Ada juga over-merging, yang lebih halus: sistem identitas yang terlalu agresif dalam mencocokkan akhirnya menggabungkan dua orang yang berbeda menjadi satu profil, dan sekarang agen AI dengan percaya diri membuat keputusan atas nama seseorang yang tidak benar-benar ada. Dan akhirnya, ada celah yang jelas. Aktivitas loyalitas di satu sistem, riwayat dukungan di sistem lain, perilaku browsing di sistem ketiga, dengan tidak ada sistem tunggal yang memegang gambaran lengkap. Secara individual, masing-masing ini terlihat seperti masalah kebersihan data. Dalam konteks AI, mereka berkompromi karena model tidak tahu apa yang tidak diketahuinya. Itu hanya menghasilkan jawaban dengan kepercayaan penuh.

Seiring AI generatif menjadi pintu depan baru untuk penemuan produk, apa yang berubah bagi merek ketika konsumen semakin mengandalkan sistem AI untuk membandingkan pilihan, mengevaluasi loyalitas, dan membuat keputusan pembelian?

Biasanya, merek mengontrol pintu depan. Anda membangun situs web, mengoptimalkan untuk pencarian, memperhalus funnel, dan pelanggan datang langsung atau melalui hasil yang dapat Anda pengaruhi. Sekarang, pintu depan itu adalah percakapan dengan asisten AI yang merek tidak kontrol dan tidak dapat sepenuhnya melihat ke dalamnya.

Seseorang meminta alat AI untuk membandingkan program loyalitas atau merekomendasikan hotel, dan tugas merek sekarang adalah untuk menjadi cukup jelas dan dapat dipercaya, pada saat itu, untuk menjadi jawaban yang diberikan AI. Itu adalah perubahan nyata dalam apa yang pemasaran harus optimalkan. Itu berarti kualitas, struktur, dan akurasi data dan konten merek sendiri menjadi lebih penting, karena sistem AI mensintesis dari sinyal apa pun yang dapat ditemukan.

Penelitian Amperity menunjukkan bahwa hanya minoritas konsumen yang sekarang pergi langsung ke merek yang familiar tanpa mempertimbangkan rekomendasi AI terlebih dahulu. Apa yang ini berarti bagi loyalitas merek, personalisasi, dan perjalanan pelanggan tradisional?

Kami melakukan survei terhadap 1.000 konsumen AS awal tahun ini, dan satu angka yang menonjol bagi saya: kurang dari seperempat mengatakan mereka pergi langsung ke merek yang mereka kenal tanpa mempertimbangkan rekomendasi AI terlebih dahulu, dan 60% mengatakan AI telah membawa mereka ke merek yang belum pernah mereka pertimbangkan sebelumnya. Itu mengikis keuntungan default yang pernah dimiliki merek yang sudah mapan. Loyalitas belum menghilang, tetapi corong di atas keputusan itu telah berubah. Merek dievaluasi dan disingkat oleh sistem yang tidak mereka kontrol, berdasarkan data apa pun yang tersedia tentang mereka.

Strategi personalisasi yang dibangun atas asumsi bahwa ‘kita sudah tahu pelanggan ini, jadi kita tidak perlu mendapatkan perhatian mereka’ akan underperform. Pada saat yang sama, perjalanan pelanggan itu sendiri telah menjadi kurang linear. Pelanggan dapat tiba di situs web merek sudah ‘dijual’ oleh ringkasan AI dari ulasan dan perbandingan, yang berarti pengalaman merek sendiri perlu memenuhi harapan yang tidak pernah mereka dapatkan kesempatan untuk membentuk secara langsung.

Identitas resolusi telah ada sebagai masalah data selama bertahun-tahun. Apa yang membuatnya lebih mendesak sekarang bahwa agen AI, kopilot, dan antarmuka AI generatif menjadi bagian dari alur kerja perusahaan sehari-hari?

Identitas resolusi selalu penting untuk hal-hal seperti mencegah catatan ganda atau memastikan anggota loyalitas mendapatkan kredit yang tepat untuk pembelian. Itu adalah masalah nyata, tetapi relatif memaafkan di mana manusia biasanya menangkap kesalahan. Agen menghilangkan jaring pengaman itu.

Ketika agen AI diberdayakan untuk benar-benar mengambil tindakan, apakah itu mengeluarkan pengembalian, menerapkan diskon, merekomendasikan penawaran berikutnya, atau memperbarui preferensi. Itu dilakukan di atas identitas resolusi yang telah diberikan, pada kecepatan mesin dan sering tanpa manusia dalam loop. Dapatkan identitas salah, dan agen tidak hanya meleset sekali. Itu dapat meleset secara sistematis dan segera, pada skala, sebelum siapa pun menyadari. Itu yang membuat momen ini lebih mendesak daripada sebelumnya.

Bagaimana perusahaan harus memikirkan identitas pelanggan sebagai bagian dari strategi tata kelola AI yang lebih luas, bersama dengan privasi, keamanan, pemantauan model, dan kepatuhan?

Saya akan meletakkan identitas pelanggan tepat di samping pilar-pilar lainnya, bukan di bawahnya. Sebagian besar percakapan tentang tata kelola AI fokus pada model: apakah itu bias, aman, patuh, dan dipantau untuk drift? Itu diperlukan, tetapi mereka menganggap input yang model itu gunakan adalah suara. Jika lapisan identitas salah, Anda dapat memiliki model yang dikelola dengan baik yang menghasilkan keputusan tentang orang yang salah, atau model yang tampaknya bias ketika masalah sebenarnya adalah bahwa datanya terfragmentasi dengan cara yang merugikan segmen pelanggan tertentu.

Secara praktis, ini berarti bahwa tingkat ketat yang sama yang diterapkan organisasi pada pemantauan model perlu diterapkan pada lapisan identitas dan data di bawahnya. Siapa yang memiliki catatan emas pelanggan? Bagaimana kualitas pencocokan diukur dan dipantau dari waktu ke waktu? Apa yang terjadi ketika pencocokan salah? Itu harus menjadi pertanyaan tata kelola dengan prioritas yang sama dengan apa pun yang terjadi pada lapisan model.

Banyak organisasi yang berinvestasi besar dalam pilot AI, tetapi data pelanggan mereka tetap terfragmentasi di seluruh pemasaran, perdagangan, dukungan, loyalitas, dan sistem offline. Apa langkah-langkah praktis yang harus dilakukan pemimpin sebelum menskalakan AI ke dalam pengambilan keputusan operasional?

Polanya yang saya lihat paling sering adalah organisasi yang menjalankan beberapa pilot AI yang menjanjikan — chatbot di sini, eksperimen personalisasi di sana — masing-masing terhubung ke data apa pun yang terdekat untuk tim tersebut. Itu bekerja cukup baik untuk mendapatkan pendanaan, lalu mengenai tembok ketika seseorang mencoba menskalakannya ke dalam keputusan operasional yang sebenarnya, karena data pilot tidak pernah mencerminkan pelanggan yang lengkap.

Langkah praktis pertama adalah inventaris yang jujur: tahu di mana setiap sumber kebenaran pelanggan hidup (pemasaran, perdagangan, dukungan, loyalitas, offline). Seberapa banyak mereka tumpang tindih? Di mana mereka tidak? Kedua, investasikan dalam identitas resolusi sebelum menginvestasikan dalam pilot AI lebih lanjut. Itu yang memungkinkan setiap inisiatif AI masa depan untuk menggunakan fondasi yang dapat dipercaya yang sama, bukan setiap tim membangun yang sebagian. Ketiga, bangun sejumlah kecil pemilik fungsional untuk data pelanggan yang disatukan, bukan meninggalkan kepemilikan kepada tim yang kebetulan membutuhkannya untuk pilot mereka saat ini. Organisasi yang mendapatkan urutan ini terbalik berakhir dengan portofolio pilot AI yang tidak pernah meninggalkan tahap pilot, karena tidak satu pun dari mereka yang dapat dipercaya dengan keputusan yang sebenarnya.

Di mana Anda menggambar garis antara personalisasi yang terasa berguna dan personalisasi yang terasa mengganggu, terutama ketika sistem AI dapat menyimpulkan lebih dari profil pelanggan yang disatukan?

Garisnya kurang tentang seberapa banyak merek tahu dan lebih tentang apakah apa yang mereka lakukan dengan pengetahuan itu terasa layak dan relevan pada saat itu. Rekomendasi berdasarkan riwayat pembelian seseorang yang sebenarnya terasa berguna. Rekomendasi yang mengungkapkan kesimpulan yang tidak pernah secara eksplisit dibagikan terasa mengganggu bahkan ketika itu akurat, karena itu mengungkapkan seberapa banyak yang dibagikan.

Laporan kami menemukan bahwa sebagian besar konsumen mengatakan mereka lebih bersedia terlibat dengan personalisasi ketika mereka mempercayai bagaimana data mereka digunakan, dan sebagian besar mengatakan personalisasi yang terasa mengganggu membuat mereka kurang mungkin memilih merek sama sekali. Aturan saya untuk tim yang membangun pada inferensi yang didorong AI adalah sederhana: jika Anda tidak ingin menjelaskan, dalam bahasa yang jelas, mengapa sistem tahu apa yang diketahuinya, jangan bertindak atas dasar itu terlebih dahulu. Personalisasi harus terasa seperti diakui, bukan disurvei.

Menghadap ke depan, apa yang akan memisahkan perusahaan yang mendapatkan nilai nyata dari AI dari mereka yang tetap terjebak dalam mode eksperimen: model yang lebih baik, infrastruktur data yang lebih baik, tata kelola yang lebih kuat, atau model operasional yang benar-benar baru?

Kualitas model tidak pernah menjadi pembeda yang tahan lama. Itu berkembang terlalu cepat, dan sebagian besar perusahaan memiliki akses ke model yang hampir sama. Tata kelola penting, tetapi itu adalah kendala, bukan sumber nilai itu sendiri. Dua hal yang saya pikir memisahkan perusahaan yang mendapatkan nilai nyata dari AI adalah infrastruktur data dan model operasional, yang terkait.

Perusahaan yang mendapatkan nilai nyata dari AI adalah mereka yang telah berinvestasi dalam memiliki pandangan tunggal, dapat dipercaya, dan terus diperbarui dari pelanggan, sehingga setiap kemampuan AI baru dapat diarahkan ke fondasi itu bukan menyatukan yang sendiri. Tapi itu hanya berhasil jika model operasional berubah juga: jika inisiatif AI masih dimiliki tim per tim, dengan setiap grup mendefinisikan versi pelanggan mereka sendiri, Anda akan terus memperkenalkan masalah kualitas data yang sama. Organisasi yang keluar dari mode eksperimen adalah mereka yang memperlakukan data pelanggan yang dapat dipercaya sebagai infrastruktur yang dibagikan dan membangun model operasional AI mereka di sekitar asumsi itu dari awal.

Terima kasih kepada Derek untuk wawancara yang mendalam. Pembaca dapat mempelajari lebih lanjut tentang Amperity dan mengeksplorasi wawasan terbaru Derek Slager di halaman Unite.AInya.