デレク・スレイガー、Amperity共同創設者兼共同CEO – インタビュー・シリーズ

デレク・スレイガーは、Amperityの共同創設者兼共同CEOであり、同社のAI第一の変革を、製品と運営の両面で牽引しています。マーケターとアナリストが信頼できる顧客データを得ることを目的としてAmperityを共同創設し、同社の信頼できる顧客コンテキストの背後にある特許取得済みのアイデンティティ解決とリアルタイムプロファイル・アーキテクチャを構築しました。以前は、Appatureの創設チームの一員であり、大規模な分散システムとセキュリティのエンジニアリング・リーダーシップ・ロールを担っていました。

Amperityは、企業がオンラインおよびオフラインのソースからの断片化された顧客情報を、正確なリアルタイムの顧客プロファイルに統合することを支援するAIパワーの顧客データ・クラウドです。同社のプラットフォームは、機械学習ベースのアイデンティティ解決、データ管理、分析、予測モデリング、およびアクティベーション・ツールを組み合わせ、市場とデータチームが顧客の行動をよりよく理解し、体験をパーソナライズし、収益への影響を測定し、チャネル間でアクションを調整できるようにします。2016年に設立されたAmperityは、Alaska Airlines、Virgin Atlantic、Wyndham Hotels & Resorts、DICK’S Sporting Goodsを含む400以上のブランドにサービスを提供しています。

あなたは、先進的な分析、顧客の洞察、製品管理、ML/MLOps、AI戦略を横断して働いてきました。Amperityを構築する前に、基礎的な製品を構築するのに役立った経験について、顧客データの品質とAIのパフォーマンスの関係についてどう考えていますか。

私の業界での仕事は、実際には1つの問題に集中していました。AIが、不完全で、不一致で、変化する顧客データについて正しく推論するにはどうすればよいのか。初期の段階では、分析と製品の役割で、チームが信頼できない顧客データの上に、ますます洗練されたモデルを構築しているのを見ていました。重複レコード、不一致の識別子、古い属性などです。モデルの洗練度を何度高めても、根本的な問題は解決しませんでした。ただ、問題が見えにくくなっただけでした。

その直感が私たちをAmperityを構築するよう促したのです。アイデンティティ解決は、AIの上に重ねるべきものではありません。それは、他のすべてが乗る基盤です。現在の企業のAIを見ると、同じパターンが大きなスケールで繰り返されていることがわかります。チームは、モデル選択とプロンプト・エンジニアリングにリソースを投入していますが、モデルに供給される顧客データは、当然のことのように考えています。それは当然のことではありません。アイデンティティ・レイヤーが間違っていると、下流のAIシステムはそのエラーを継承し、拡大させます。

企業のAIに関する議論は、モデル選択を中心に展開されることが多いですが、あなたは、信頼できる顧客アイデンティティ・データが、モデル選択と同等に重要になっていることを主張しています。なぜ、議論は「どのモデルが最適か」から「AIが信頼できるデータを得ているか」に移りつつあるのでしょうか。

生成的なAIの最初の数年間は、モデルの能力が実際のボトルネックでした。ツールはまだ十分に洗練されていませんでした。現在は、状況が変わりました。現在の先端のモデルは、驚くほど能力が高く、ほとんどのビジネス・ユースケースでは、モデル間のギャップが縮小しています。しかし、モデルの供給元となるデータは、まだ追いついていません。

最も先進的なモデルを、顧客サービス・エージェントまたはパーソナライゼーション・エンジンに配置できますが、同じ人の3つの重複プロファイル、古いメール・アドレス、チャネルが欠けている購入履歴など、信頼できないデータを基に推論する場合、出力は間違っていることになります。議論は、リーダーがそのギャップを直接感じているため、変化しています。彼らは優れたモデルを採用しましたが、期待したROIを得られませんでした。次の実際的な利点は、より優れたモデルから来るのではなく、組織がAIシステムに信頼できるものを提供できるかどうかに依存します。

不正確または断片化された顧客アイデンティティ・データが、AIの成果を損なう最も一般的な方法は何ですか。モデル自体は技術的に優れていますが。

いくつかのパターンが繰り返し現れます。最も基本的なのは、重複です。同じ顧客が、チャネルごとに5つまたは6つの異なるレコードとして存在し、それぞれが顧客について部分的な見方を持っているため、AIシステムは、別のレコードでアクティブなサブスクリプションを持つ顧客に、取り戻しオファーを送信する可能性があります。次に、古さがあります。1年前に正確だったデータですが、更新されていません。モデルは、顧客が誰だったかではなく、誰であるかについて最適化しています。さらに、過剰なマージがあります。アイデンティティ・システムがマッチングにあまりにも積極的であるため、2人の異なる人を1つのプロファイルに結合し、AIエージェントは、実際には存在しない人について自信を持って決定を下します。最後に、ギャップがあります。1つのシステムでロイヤルティ・アクティビティ、別のシステムでサポート履歴、別のシステムでブラウジング・ビヘイビアがあり、どのシステムも全体像を保持していません。これらは、それぞれデータの清掃問題のように見えます。しかし、AIの文脈では、それらは複合し、モデルは何が欠けているかを知らないため、完全な信頼性で答えを生成します。

生成的なAIが製品の発見の新しいフロント・ドアになるにつれて、企業は、顧客がAIシステムに頼ってオプションを比較し、ロイヤルティを評価し、購入の決定を下すようになると、どのように変化しますか。

通常、企業はフロント・ドアをコントロールしていました。ウェブサイトを構築し、検索を最適化し、ファネルを洗練し、顧客は直接、または企業が影響を与えることができる結果を通じて来ました。現在、フロント・ドアは、企業が完全に見ることができず、コントロールできないAIアシスタントとの会話です。

誰かがAIツールにロイヤルティ・プログラムを比較したり、ホテルを勧めたりするよう頼むと、企業の役割は、AIが提供する答えとなるために、信頼性と透明性を高めることになります。これは、企業が最適化する必要があるマーケティングの新しいシフトです。企業の独自のデータとコンテンツの品質、構造、正確性が重要になります。なぜなら、AIシステムは、見つかる信号を合成するからです。

Amperityの調査によると、現在、少数の消費者しか、AIの勧告を考慮せずに、既知のブランドに直接アクセスしていないことがわかりました。ブランドのロイヤルティ、パーソナライゼーション、従来の顧客ジャーニーに、これは何を意味しますか。

今年の初めに、米国の1,000人の消費者に調査を実施しましたが、1つの数字が私の注意を引いたのです。4分の1以下の消費者が、AIの勧告を考慮せずに、既知のブランドに直接アクセスすることを報告し、60%の消費者が、AIが、以前考慮していなかったブランドを紹介したことがあると回答しました。これは、既存のブランドが以前持っていた既定の利点を侵食しています。ロイヤルティは消え去ったわけではありませんが、決定の上位にあるファネルは変化しました。ブランドは、コントロールできないシステムによって評価され、ショートリストされています。利用可能なデータに基づいてです。

既存の顧客を知っているという仮定に基づいて構築されたパーソナライゼーション戦略は、期待した成果を上げられません。同時に、顧客ジャーニー自体がより非線形になりました。顧客は、AIの要約によるレビューと比較を既に「販売」した状態で、ブランドのサイトに到達する可能性があります。これは、ブランドが直接形成する機会を得られなかった期待に応える必要があることを意味します。

アイデンティティ解決は、長年にわたってデータ問題として存在してきました。AIエージェント、コパイロット、生成的なAIインターフェイスが日常の企業ワークフローの一部になるにつれて、どのようにしてより緊急性を持つようになりましたか。

アイデンティティ解決は、重複メールの防止や、ロイヤルティ・メンバーが正しいクレジットを購入することを確実にするなどの問題で、常に重要でした。ただし、これらは、人間がミスの大部分をキャッチできる、比較的許容される問題です。エージェントは、セーフティ・ネットを取り除きます。

AIエージェントが、返金の発行、割引の適用、次のベスト・オファーの勧告、または設定の更新などのアクションを実際に実行できるようになると、アイデンティティ解決が与えられたものの上に実行され、機械のスピードで、人間の介入なしに実行されます。アイデンティティが間違っていると、エージェントは1回だけミスを犯すのではなく、即座に、スケールで、誰も気が付く前に、システム的にミスを犯します。これが、以前よりもこの瞬間をより緊急にしているのです。

企業は、より広いAIガバナンス戦略の一環として、顧客アイデンティティをどのように考慮するべきですか。プライバシー、セキュリティ、モデル監視、コンプライアンスと並んで。

私は、顧客アイデンティティを、他の柱と並んで、AIガバナンスの重要な柱の1つと考えています。AIガバナンスのほとんどの議論は、モデルに焦点を当てています。モデルは偏っていないか、セキュアで、コンプライアンスを満たしているか、ドリフトを監視しているか。ただし、これらは、モデルが推論する入力データが健全であることを前提としています。アイデンティティ・レイヤーが間違っていると、モデルは、間違った人について、またはデータが特定の顧客セグメントに不利な方法で断片化されているために、偏っていると見なされる決定を下します。

実際には、モデルを監視するのと同じ厳格さが、アイデンティティとデータのレイヤーにも適用される必要があります。誰が顧客のゴールデン・レコードを所有していますか。マッチの品質はどのように測定され、監視されていますか。マッチが間違っている場合、どのような措置が取られますか。モデル・レイヤーと同じ優先度で、AIガバナンスの質問としてこれらの質問を考える必要があります。

多くの組織は、AIのパイロット・プロジェクトに多大な投資をしていますが、顧客データは、市場、コマース、サポート、ロイヤルティ、オフライン・システムにわたって断片化しています。AIを運用上の意思決定にスケールアップする前に、リーダーはどのような実用的なステップを取るべきですか。

私が最もよく見るパターンは、組織が、各チームの近くにあるデータに接続された、多数の有望なAIパイロットを実行していることです。ここにチャットボットがあり、そこにパーソナライゼーションの実験があります。十分に機能しますが、誰かがそれを実際の運用上の決定にスケールアップしようとすると、壁に当たるのです。パイロットのデータは、完全な顧客を反映していないからです。

最初の実用的なステップは、正直なインベントリーです。顧客の真実のすべてのソースを把握します。市場、コマース、サポート、ロイヤルティ、オフライン。どの程度重複していますか。どこが重複していませんか。2つ目は、さらにパイロットに投資する前に、アイデンティティ解決に投資することです。これにより、将来のすべてのAIイニシアチブが、同じ信頼できる基盤を再利用できるようになります。各チームが部分的なものを再構築するのではなく、3つ目は、統一された顧客データの所有権を、機能別の所有者に少数置くことです。組織がこのシーケンスを逆にすると、AIパイロットのポートフォリオが、実際の決定を信頼することができないため、パイロットの段階を超えることができません。

パーソナライゼーションが役に立つと感じられる線と、侵入的と感じられる線を、特にAIシステムが統一された顧客プロファイルから多くの情報を推測できる場合に、どのように引くべきですか。

線は、企業が何を知っているかということよりも、企業がその知識を活用する方法が、顧客にとって関連性と正当性を感じさせるかどうかということです。実際の購入履歴に基づく勧告は、役に立つと感じられます。顧客が明示的に共有したことのない推論を明らかにする勧告は、正確であっても、侵入的と感じられます。なぜなら、それは、どれだけの情報が共有されているかを暴露するからです。

私たちの調査では、多数の消費者が、企業がデータをどのように使用しているかを信頼している場合、パーソナライゼーションに従事する可能性が高く、侵入的と感じられるパーソナライゼーションは、ブランドの選択を避ける可能性があると回答しました。私のルールは、AI駆動の推論を構築するチームにとって、シンプルです。説明するのが難しい場合は、まだそれを活用しないでください。パーソナライゼーションは、認識されているように感じられるべきであり、監視されているように感じられるべきではありません。

先を見て、企業がAIから実際の価値を得ることを可能にするのは、より優れたモデル、より優れたデータ・インフラストラクチャ、より強力なガバナンス、またはまったく新しい運用モデルですか。

モデル品質は、持続可能な差別化要因になることはありません。進化が速すぎますし、ほとんどの企業は、ほぼ同じモデルにアクセスできます。ガバナンスは重要ですが、それ自体では価値の源ではありません。実際に、企業がAIから実際の価値を得ていることを考えると、2つのことが重要であると考えています。データ・インフラストラクチャと運用モデルです。これらは、つながっています。AIの価値を得ている企業は、信頼できる顧客の単一のビューに既に投資しており、AIの新しい機能をその基盤に指向できるからです。しかし、これは、運用モデルも変化する必要があることを意味します。AIイニシアチブがまだチームごとに所有されている場合、各チームが顧客のバージョンを定義し、同じデータ品質の問題を繰り返します。実験モードから抜け出す組織は、信頼できる顧客データを共有インフラストラクチャとして扱い、AIの運用モデルをその前提で構築するものです。

デレクに感謝します。読者は、Amperityについてさらに学び、デレク・スレイガーの最新の洞察をUnite.AI著者ページで探索できます。