Derek Slager, Co-Fondatore e Co-CEO di Amperity – Serie di Interviste

Derek Slager è co-fondatore e co-CEO di Amperity, dove guida la trasformazione dell’azienda verso un approccio AI-first sia per il prodotto che per il modo in cui l’azienda opera. Ha co-fondato Amperity per fornire ai marketer e agli analisti dati sui clienti affidabili e ha sviluppato l’architettura di risoluzione delle identità e di profili in tempo reale brevettata dietro il contesto del cliente affidabile di Amperity. In precedenza, faceva parte del team di fondazione di Appature e ha ricoperto ruoli di leadership tecnica in sistemi distribuiti su larga scala e sicurezza.

Amperity è un cloud di dati sui clienti alimentato da intelligenza artificiale progettato per aiutare le aziende a unificare le informazioni sui clienti frammentate provenienti da fonti online e offline in profili dei clienti precisi e in tempo reale. La sua piattaforma combina la risoluzione delle identità basata su apprendimento automatico, la gestione dei dati, l’analisi, la modellazione predittiva e gli strumenti di attivazione, consentendo ai team di marketing e dati di comprendere meglio il comportamento dei clienti, personalizzare le esperienze, misurare l’impatto sui ricavi e coordinare le azioni attraverso i canali. Fondata nel 2016, Amperity serve più di 400 marchi in tutto il mondo, tra cui Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts e DICK’S Sporting Goods (DKS ).

Ha lavorato nel settore di analisi avanzate, insight sui clienti, gestione del prodotto, ML/MLOps e strategia AI, aiutando a costruire prodotti fondamentali prima di Amperity. Come ha influenzato il suo percorso il modo in cui pensa alla relazione tra la qualità dei dati sui clienti e le prestazioni dell’AI?

Il mio lavoro nel settore si è concentrato su un problema: come fare in modo che l’AI ragioni correttamente sulle persone quando i dati che le descrivono sono sempre incompleti, inconsistenti e in cambiamento? All’inizio, nei ruoli di analisi e prodotto, ho visto team costruire modelli sempre più sofisticati su dati dei clienti fondamentalmente inaffidabili: record duplicati, identificatori non corrispondenti, attributi obsoleti. Nessuna quantità di sofisticazione del modello ha risolto il problema; ha solo nascosto il problema in modo più efficace.

Quell’intuizione è ciò che ci ha portato a costruire Amperity: la risoluzione delle identità non è un livello “nice-to-have” sopra l’AI, è la base su cui poggia tutto il resto. Quando guardo all’AI aziendale oggi, vedo lo stesso modello ripetersi su una scala molto più grande. I team stanno investendo risorse nella selezione dei modelli e nell’ingegneria dei prompt mentre trattano i dati dei clienti che alimentano quei modelli come un dato acquisito. Non lo è. Se si sbaglia il livello di identità, ogni sistema AI a valle eredita quell’errore e lo amplifica.

Spesso sentiamo discussioni sull’AI aziendale incentrate sulla selezione dei modelli, ma lei sostiene che i dati di identità dei clienti affidabili stanno diventando altrettanto importanti. Perché la conversazione si sta spostando da “Quale modello è il migliore?” a “Quali dati può realmente fidarsi l’AI?”

Per i primi anni dell’onda dell’AI generativa, le capacità dei modelli erano veramente il collo di bottiglia, poiché gli strumenti semplicemente non erano abbastanza buoni. Ora, questo è cambiato. I modelli leader di oggi sono notevolmente capaci e il gap tra di loro si è ridotto per la maggior parte dei casi d’uso aziendali. Ciò che non ha tenuto il passo è il dato che alimenta quei modelli all’interno dell’azienda.

Si può mettere il modello più avanzato davanti a un agente di servizio clienti o a un motore di personalizzazione, ma se ragiona su tre profili duplicati per la stessa persona, un indirizzo email obsoleto e una storia degli acquisti che manca della metà dei canali in cui quella persona fa shopping, l’output sarà sicuramente sbagliato. La conversazione si sta spostando perché i leader stanno sentendo direttamente quel gap. Hanno adottato un grande modello e non vedono ancora il ROI che si aspettavano. Il prossimo vero vantaggio non verrà da un modello migliore. Verrà dal fatto che un’organizzazione possa fornire ai suoi sistemi AI qualcosa di affidabile su cui ragionare per prima cosa.

Quali sono i modi più comuni in cui i dati di identità dei clienti inaccurati o frammentati possono compromettere i risultati dell’AI, anche quando il modello sottostante è tecnicamente solido?

Alcuni modelli si presentano costantemente. Il più basilare è la duplicazione. Lo stesso cliente esiste come cinque o sei record diversi attraverso i canali, ognuno con una visione parziale di quella persona, quindi un sistema AI potrebbe inviare un’offerta di recupero a qualcuno la cui sottoscrizione è attiva sotto un record diverso. Poi c’è la stagnazione. Dati che erano accurati un anno fa ma non sono stati aggiornati, quindi un modello si sta ottimizzando in base a chi era il cliente in passato piuttosto che a chi è ora. C’è anche la sovrapposizione, che è più sottile: sistemi di identità che sono troppo aggressivi nel fare corrispondenze finiscono per combinare due persone diverse in un unico profilo, e ora un agente AI sta prendendo decisioni con fiducia per conto di qualcuno che non esiste realmente. E infine, ci sono semplici lacune. Attività di fedeltà in un sistema, storia di supporto in un altro, comportamento di navigazione in un terzo, con nessun sistema che detiene l’intero quadro. Individualmente, ognuno di questi sembra un problema di igiene dei dati. In un contesto AI, si sommano perché il modello non sa cosa non sa. Produce semplicemente una risposta con totale fiducia.

Man mano che l’AI generativa diventa una nuova porta d’ingresso per la scoperta dei prodotti, cosa cambia per i marchi quando i consumatori si affidano sempre più ai sistemi AI per confrontare opzioni, valutare la fedeltà e prendere decisioni d’acquisto?

Di solito, i marchi controllavano la porta d’ingresso. Costruivano un sito web, ottimizzavano per i motori di ricerca, raffinavano il loro imbuto e i clienti venivano direttamente da loro o attraverso risultati che potevano influenzare. Ora, quella porta d’ingresso è una conversazione con un assistente AI che il marchio non controlla e non può vedere completamente all’interno.

Qualcuno chiede a uno strumento AI di confrontare programmi di fedeltà o di raccomandare un hotel, e il lavoro del marchio ora è essere abbastanza leggibile e affidabile in quel momento per essere la risposta che l’AI fornisce. Questo è un vero e proprio cambiamento in ciò per cui il marketing deve ottimizzare. Significa che la qualità, la struttura e l’accuratezza dei propri dati e contenuti del marchio contano di più, perché i sistemi AI stanno sintetizzando da qualsiasi segnale possano trovare.

La ricerca di Amperity suggerisce che solo una minoranza di consumatori va direttamente ai marchi familiari senza considerare le raccomandazioni AI prima. Cosa significa questo per la fedeltà del marchio, la personalizzazione e il percorso del cliente tradizionale?

Abbiamo condotto un sondaggio su 1.000 consumatori statunitensi all’inizio di quest’anno, e un numero mi è sembrato particolarmente interessante: meno di un quarto ha detto di andare direttamente a un marchio che già conoscevano senza prima considerare una raccomandazione AI, e il 60% ha detto che l’AI li ha già portati a un marchio che non avevano precedentemente considerato. Ciò erode il vantaggio predefinito che i marchi stabiliti avevano un tempo. La fedeltà non è scomparsa, ma l’imbuto sopra quella decisione è cambiato. I marchi vengono valutati e selezionati da sistemi che non controllano, in base a qualsiasi dato disponibile su di loro.

Le strategie di personalizzazione costruite sull’assunzione che ‘già conosciamo questo cliente, quindi non dobbiamo guadagnare la sua attenzione’ saranno sottoperformanti. Allo stesso tempo, il percorso del cliente stesso è diventato meno lineare. Un cliente può arrivare al sito di un marchio già essendo stato ‘venduto’ da un riassunto AI di recensioni e confronti, il che significa che l’esperienza del marchio deve reggere le aspettative che non ha avuto la possibilità di plasmare direttamente.

La risoluzione delle identità è esistita come un problema di dati per anni. Cosa la rende più urgente ora che gli agenti AI, i copiloti e le interfacce AI generative stanno diventando parte dei flussi di lavoro aziendali quotidiani?

La risoluzione delle identità ha sempre contato per cose come prevenire la posta duplicata o assicurarsi che un membro della fedeltà riceva il credito appropriato per un acquisto. Questi sono problemi reali, ma relativamente perdonativi dove un essere umano di solito coglie l’errore.

Quando un agente AI è autorizzato a prendere effettivamente azioni, sia che si tratti di emettere un rimborso, applicare uno sconto, raccomandare un’offerta successiva o aggiornare una preferenza, lo fa sulla base della risoluzione delle identità che gli è stata fornita, a velocità di macchina e spesso senza un essere umano nel loop. Se si sbaglia l’identità, l’agente non si limita a sbagliare una volta. Può sbagliare sistematicamente e immediatamente, su larga scala, prima che qualcuno se ne accorga. È questo che rende questo momento più urgente di prima.

Come dovrebbero pensare le aziende all’identità del cliente come parte della loro strategia di governance dell’AI, accanto alla privacy, alla sicurezza, al monitoraggio dei modelli e alla conformità?

Mettersi l’identità del cliente proprio accanto a quegli altri pilastri, non sotto di essi. La maggior parte delle conversazioni sulla governance dell’AI si concentra sul modello: è distorto, sicuro, conforme e monitorato per il drift? Queste sono necessarie, ma assumono che il dato in ingresso su cui il modello ragiona sia solido. Se il livello di identità è sbagliato, puoi avere un modello governato alla perfezione che produce decisioni su persona sbagliata, o un modello che sembra distorto quando il vero problema è che i suoi dati erano frammentati in modi che svantaggiavano certi segmenti di clienti.

Praticamente, significa che la stessa rigorosità che le organizzazioni applicano al monitoraggio dei modelli deve applicarsi anche al livello di identità e dati sottostante. Chi possiede il record d’oro del cliente? Come viene misurata e monitorata la qualità della corrispondenza nel tempo? Cosa succede quando una corrispondenza è sbagliata? Queste dovrebbero essere domande di governance con la stessa priorità di qualsiasi cosa accada al livello del modello.

Molte organizzazioni stanno investendo pesantemente in progetti pilota di AI, ma i loro dati dei clienti rimangono frammentati attraverso i sistemi di marketing, commercio, supporto, fedeltà e offline. Quali passi pratici dovrebbero intraprendere i leader prima di scalare l’AI nella presa di decisioni operative?

Il modello che vedo più spesso è un’organizzazione che esegue diversi progetti pilota di AI promettenti — un chatbot qui, un esperimento di personalizzazione lì — ognuno collegato ai dati che capita di avere a portata di mano per quel team. Funziona abbastanza bene da essere finanziato, poi colpisce un muro quando qualcuno tenta di scalare in una decisione operativa reale, perché i dati del progetto pilota non riflettevano mai il cliente completo.

Il primo passo pratico è un inventario onesto: sapere dove vive ogni fonte di verità del cliente (marketing, commercio, supporto, fedeltà, offline). Quanto si sovrappongono? Dove non si sovrappongono? In secondo luogo, investire nella risoluzione delle identità prima di investire in altri progetti pilota. È ciò che consente a ogni futura iniziativa AI di riutilizzare la stessa base affidabile, piuttosto che far ricostruire a ogni team una parziale. In terzo luogo, costruire un numero limitato di proprietari cross-funzionali per quei dati dei clienti unificati, piuttosto che lasciare la proprietà al team che capita di averne bisogno per il progetto pilota attuale. Le organizzazioni che eseguono questa sequenza al contrario finiscono con un portfolio di progetti pilota di AI che non lasciano mai la fase pilota, perché nessuno di essi può essere considerato affidabile per una decisione reale.

Dove traccia la linea tra personalizzazione che sembra utile e personalizzazione che sembra invasiva, specialmente quando i sistemi AI possono inferire di più da profili dei clienti unificati?

La linea è meno su quanto un marchio conosce e più su se ciò che fa con quelle conoscenze sembra guadagnato e pertinente nel momento. Una raccomandazione basata sulla storia degli acquisti effettivi di qualcuno sembra utile. Una raccomandazione che rivela un’inferenza che il cliente non ha mai condiviso esplicitamente sembra invasiva anche quando è precisa, perché espone quanto viene condiviso.

Il nostro rapporto ha scoperto che una grande maggioranza dei consumatori dice di essere più disposta a interagire con la personalizzazione quando si fida di come vengono utilizzati i suoi dati, e una maggioranza dice che la personalizzazione che sembra invasiva li rende meno propensi a scegliere un marchio. La mia regola per i team che costruiscono sull’inferenza guidata dall’AI è semplice: se non vorresti spiegare, in linguaggio chiaro, perché il sistema sa ciò che sa, non agire ancora. La personalizzazione dovrebbe sembrare essere riconosciuti, non sorvegliati.

Guardando avanti, cosa separerà le aziende che ottengono un valore reale dall’AI da quelle che rimangono bloccate nella modalità di sperimentazione: migliori modelli, migliori infrastrutture di dati, governance più solida o un nuovo modello operativo nel suo complesso?

La qualità del modello non era mai destinata a essere un differenziatore duraturo. Evolve troppo rapidamente, e la maggior parte delle aziende ha accesso grossomodo agli stessi modelli. La governance conta, ma è un vincolo, non una fonte di valore di per sé. Le due cose che credo separino le aziende che stanno ottenendo valore reale dall’AI sono l’infrastruttura dei dati e il modello operativo, che sono collegati.

Le aziende che ottengono un valore reale dall’AI sono quelle che hanno già investito in una visione unificata, affidabile e costantemente aggiornata del cliente, in modo che ogni nuova capacità AI possa essere puntata su quella base invece di cucire insieme la propria. Ma funziona solo se il modello operativo cambia anche: se le iniziative AI sono ancora di proprietà dei team, con ogni gruppo che definisce la propria versione del cliente, continuerai a introdurre gli stessi problemi di qualità dei dati. Le organizzazioni che escono dalla modalità di sperimentazione sono quelle che trattano i dati dei clienti affidabili come infrastruttura condivisa e costruiscono il loro modello operativo AI attorno a quell’assunzione fin dall’inizio.

Grazie a Derek per l’intervista approfondita. I lettori possono saperne di più su Amperity e esplorare le ultime idee di Derek Slager sulla sua pagina autore Unite.AI.