Derek Slager, mede-oprichter en mede-CEO van Amperity – Interviewreeks

Derek Slager is mede-oprichter en mede-CEO van Amperity, waar hij de AI-geleide transformatie van het bedrijf leidt, zowel op het gebied van producten als de manier waarop het bedrijf werkt. Hij richtte Amperity op om marketeers en analisten klantgegevens te geven die ze kunnen vertrouwen en ontwikkelde de gepatenteerde identiteitsoplossing en real-time profielarchitectuur achter de vertrouwde klantcontext van Amperity. Eerder was hij lid van het oprichtingsteam van Appature en had hij leidinggevende functies in grote, gedistribueerde systemen en beveiliging.

Amperity is een AI-geleide klantgegevenscloud die is ontworpen om grote ondernemingen te helpen gefragmenteerde klantgegevens van online en offline bronnen te verenigen in nauwkeurige, real-time klantprofielen. Het platform combineert machine learning-gebaseerde identiteitsoplossing, gegevensbeheer, analyse, predictief modeleren en activatiehulpmiddelen, waardoor marketeers en datateams beter kunnen begrijpen hoe klanten zich gedragen, ervaringen kunnen personaliseren, de impact op de omzet kunnen meten en acties kunnen coördineren over kanalen. Opgericht in 2016, serveert Amperity meer dan 400 merken wereldwijd, waaronder Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts en DICK’S Sporting Goods (DKS ).

U hebt gewerkt aan geavanceerde analyse, klantinzichten, productbeheer, ML/MLOps en AI-strategie, waarbij u heeft geholpen bij het opbouwen van fundamentale producten voordat Amperity ontstond. Hoe heeft die weg uw denken over de relatie tussen klantgegevenskwaliteit en AI-prestaties beïnvloed?

Mijn werk in de industrie heeft echt gefocust op één probleem: hoe krijg je AI zodanig dat het correct redeneert over mensen wanneer de gegevens die mensen beschrijven altijd onvolledig, inconsistent en veranderlijk zijn? Vroeg in mijn carrière, in analytische en productrollen, zag ik teams steeds geavanceerdere modellen bouwen op basis van klantgegevens die fundamenteel onbetrouwbaar waren: dubbele records, niet-overeenkomende identificatoren, verouderde attributen. Geen enkele hoeveelheid modelcomplexiteit loste dat op; het verborg het probleem alleen maar effectiever.

Die instinct is wat ons ertoe bracht Amperity op te richten: identiteitsoplossing is geen nice-to-have-laag bovenop AI, het is de basis waar alles else op rust. Wanneer ik naar enterprise AI kijk, zie ik hetzelfde patroon zich afspelen op een veel grotere schaal. Teams steken veel middelen in modelselectie en prompt-engineering, terwijl ze de klantgegevens die die modellen voeden als vanzelfsprekend behandelen. Dat is niet zo. Als de identiteitslaag verkeerd is, erven alle downstream AI-systemen die fout en versterken die.

We horen vaak enterprise AI-discussies die draaien om modelselectie, maar u stelt dat vertrouwde klantidentiteitsgegevens net zo belangrijk worden. Waarom verschuift het gesprek van “Welk model is het beste?” naar “Welke gegevens kan AI eigenlijk vertrouwen?”

De eerste paar jaar van de generatieve AI-golf waren modelmogelijkheden echt de bottleneck, omdat de tools gewoon nog niet goed genoeg waren. Nu is dat veranderd. De toonaangevende modellen van vandaag zijn opmerkelijk capabel en de kloof tussen hen is voor de meeste zakelijke use cases smaller geworden. Wat niet is bijgebleven, is de gegevens die die modellen binnen het bedrijf voeden.

U kunt het meest geavanceerde model voor een klantenserviceagent of een personalisatiemotor zetten, maar als het redeneert over drie dubbele profielen voor dezelfde persoon, een verouderd e-mailadres en een aankoopgeschiedenis die de helft van de kanalen waarin die persoon winkelt mist, is de output gegarandeerd verkeerd. Het gesprek verschuift omdat leiders die kloof rechtstreeks voelen. Ze hebben een geweldig model geadopteerd en zien nog steeds niet de ROI die ze verwachtten. De volgende echte voorsprong zal niet komen van een beter model. Het zal neerkomen op of een organisatie zijn AI-systemen iets vertrouwbaars kan geven om over na te denken in de eerste plaats.

Wat zijn de meest voorkomende manieren waarop onnauwkeurige of gefragmenteerde klantidentiteitsgegevens AI-resultaten kunnen ondermijnen, zelfs wanneer het onderliggende model technisch sterk is?

Een paar patronen komen constant voor. De meest basale is duplicatie. Dezelfde klant bestaat als vijf of zes verschillende records over kanalen, elk met een gedeeltelijk zicht op die persoon, dus een AI-systeem kan een win-back-aanbod sturen naar iemand wiens abonnement actief is onder een ander record. Dan is er staleness. Gegevens die een jaar geleden accuraat waren, maar niet zijn bijgewerkt, dus een model optimaliseert op basis van wie een klant vroeger was, in plaats van wie hij nu is. Er is ook over-merging, wat subtieler is: identiteitssystemen die te agressief zijn in het matchen, combineren twee verschillende personen in één profiel, en nu neemt een AI-agent met vertrouwen beslissingen voor iemand die niet echt bestaat. En tenslotte zijn er gewone hiaten. Loyalty-activiteit in één systeem, ondersteuningsgeschiedenis in een ander, browse-gedrag in een derde, met geen enkel systeem dat het volledige beeld heeft. Individueel lijken dit allemaal gegevenshygiëneproblemen. In een AI-context vermenigvuldigen ze zich omdat het model niet weet wat het niet weet. Het produceert gewoon een antwoord met totale vertrouwen.

Naarmate generatieve AI een nieuwe voordeur voor productontdekking wordt, wat verandert er voor merken wanneer consumenten steeds vaker AI-systemen gebruiken om opties te vergelijken, loyaliteit te evalueren en aankoopbeslissingen te nemen?

Meestal controleerden merken de voordeur. U bouwde een website, optimaliseerde voor zoekmachines, verfijnde uw trechter en klanten kwamen rechtstreeks naar u toe of via resultaten die u kon beïnvloeden. Nu is die voordeur een gesprek met een AI-assistent waarover een merk geen controle heeft en niet volledig naar binnen kan kijken.

Iemand vraagt een AI-hulpmiddel om loyaliteitsprogramma’s te vergelijken of een hotel aan te bevelen, en de taak van het merk is nu om leesbaar en vertrouwd genoeg te zijn op dat moment, om het antwoord te zijn dat de AI geeft. Dat is een echte verschuiving in wat marketing moet optimaliseren. Het betekent dat de kwaliteit, structuur en nauwkeurigheid van de eigen gegevens en inhoud van een merk meer belangrijk worden, omdat AI-systemen synthetiseren vanuit welk signaal ze ook kunnen vinden.

Amperity’s onderzoek suggereert dat slechts een minderheid van de consumenten nu rechtstreeks naar vertrouwde merken gaat zonder eerst AI-aanbevelingen te overwegen. Wat betekent dit voor merkloyaliteit, personalisatie en de traditionele klantreis?

We hebben eerder dit jaar 1.000 Amerikaanse consumenten ondervraagd en één getal sprong er voor me uit: minder dan een kwart zei dat ze rechtstreeks naar een merk gaan dat ze al kennen zonder eerst een AI-aanbeveling te overwegen, en 60% zei dat AI hen al heeft geleid naar een merk dat ze eerder niet hadden overwogen. Dat ondermijnt het standaardvoordeel dat gevestigde merken eerder hadden. Loyaliteit is niet verdwenen, maar de trechter boven die beslissing is veranderd. Merken worden geëvalueerd en geselecteerd door systemen die ze niet controleren, op basis van welke gegevens er over hen beschikbaar zijn.

Personalisatiestrategieën die zijn gebouwd op de veronderstelling dat ‘we deze klant al kennen, dus we hoeven zijn aandacht niet te verdienen’ zullen onderpresteren. Tegelijkertijd is de klantreis zelf minder lineair geworden. Een klant kan op de website van een merk aankomen terwijl hij al is ‘verkocht’ door een AI-samenvatting van beoordelingen en vergelijkingen, wat betekent dat de ervaring van het merk moet voldoen aan verwachtingen die het nooit de kans heeft gehad om direct te vormen.

Identiteitsoplossing heeft al jaren bestaan als een gegevensprobleem. Wat maakt het nu dringender nu AI-agents, copilots en generatieve AI-interfaces onderdeel worden van dagelijkse bedrijfsprocessen?

Identiteitsoplossing heeft altijd belangrijk geweest voor dingen als het voorkomen van dubbele post of ervoor zorgen dat een loyalty-lid de juiste credits krijgt voor een aankoop. Dat zijn echte problemen, maar relatief vergevingsgezinde waar een mens meestal de fout vangt. Agents verwijderen dat veiligheidsnet.

Wanneer een AI-agent is geautoriseerd om daadwerkelijk actie te ondernemen, of dat nu het uitgeven van een terugbetaling is, het toepassen van een korting, het aanbevelen van een volgend beste aanbod of het bijwerken van een voorkeur, doet hij dat op basis van welke identiteitsoplossing hij heeft gekregen, op machinesnelheid en vaak zonder menselijke tussenkomst. Als de identiteit verkeerd is, mislukt de agent niet alleen één keer. Het kan systematisch en onmiddellijk mislukken, op grote schaal, voordat iemand het merkt. Dat is wat deze tijd dringender maakt dan eerder.

Hoe moeten bedrijven denken over klantidentiteit als onderdeel van hun bredere AI-governance-strategie, naast privacy, beveiliging, modelmonitoring en compliance?

Ik zou klantidentiteit naast die andere pijlers plaatsen, niet eronder. De meeste AI-governance-gesprekken richten zich op het model: is het biased, beveiligd, compliant en wordt het gemonitord op drift? Die zijn noodzakelijk, maar ze gaan ervan uit dat de invoer die het model redeneert over solide is. Als de identiteitslaag verkeerd is, kunt u een perfect gereguleerd model hebben dat beslissingen neemt over de verkeerde persoon, of een model dat biased lijkt wanneer het eigenlijke probleem is dat de gegevens gefragmenteerd waren op manieren die bepaalde klantsegmenten benadeelden.

Praktisch gezien betekent dit dat dezelfde rigor die organisaties toepassen op modelmonitoring, moet worden toegepast op de identiteits- en datalaag eronder. Wie is de eigenaar van de gouden record van de klant? Hoe wordt de kwaliteit van de overeenkomst gemeten en gemonitord in de loop van de tijd? Wat gebeurt er als een overeenkomst verkeerd is? Die moeten governance-vragen zijn met dezelfde prioriteit als alles wat gebeurt op het modelniveau.

Veel organisaties investeren zwaar in AI-pilotprojecten, maar hun klantgegevens blijven gefragmenteerd over marketing, commerce, ondersteuning, loyaliteit en offline systemen. Wat zijn de praktische stappen die leiders moeten nemen voordat ze AI opschalen naar operationele besluitvorming?

Het patroon dat ik het meest zie, is een organisatie die verschillende veelbelovende AI-pilotprojecten uitvoert – een chatbot hier, een personalisatie-experiment daar – elk aangesloten op de gegevens die het dichtst bij die team liggen. Het werkt goed genoeg om gefinancierd te worden, maar raakt een muur wanneer iemand het probeert op te schalen naar een echte operationele beslissing, omdat de gegevens van het pilotproject nooit de volledige klant weerspiegelden.

De eerste praktische stap is een eerlijke inventaris: weet waar elke bron van klantwaarheid leeft (marketing, commerce, ondersteuning, loyaliteit, offline). Hoe veel overlappen ze? Waar niet? Ten tweede, investeer in identiteitsoplossing voordat u investeert in meer pilotprojecten. Dat is wat elke toekomstige AI-initiatief toelaat om hetzelfde vertrouwde fundament te hergebruiken, in plaats van dat elk team een gedeeltelijk fundament opnieuw moet opbouwen. Ten derde, bouw een klein aantal cross-functionele eigenaren voor die verenigde klantgegevens, in plaats van het eigendom over te laten aan het team dat het het hardst nodig heeft voor hun huidige pilotproject. Organisaties die deze volgorde achterstevoren doen, eindigen met een portfolio aan AI-pilotprojecten die nooit de pilotfase verlaten, omdat geen van hen kan worden vertrouwd met een echte beslissing.

Waar trekt u de grens tussen personalisatie die nuttig aanvoelt en personalisatie die indringend aanvoelt, vooral wanneer AI-systemen meer kunnen afleiden uit verenigde klantprofielen?

De grens ligt minder in hoeveel een merk weet en meer in of wat ze met die kennis doen, voelt verdiend en relevant aan in het moment. Een aanbeveling op basis van iemands daadwerkelijke aankoopgeschiedenis voelt behulpzaam. Een aanbeveling die een afleiding onthult die de klant nooit expliciet heeft gedeeld, voelt indringend aan, zelfs als het accuraat is, omdat het laat zien hoeveel wordt gedeeld.

Ons rapport vond dat een grote meerderheid van de consumenten zegt dat ze meer bereid zijn om te engageren met personalisatie wanneer ze vertrouwen in de manier waarop hun gegevens worden gebruikt, en een meerderheid zegt dat personalisatie die indringend aanvoelt, hen minder waarschijnlijk maakt om een merk te kiezen. Mijn vuistregel voor teams die AI-gedreven inferentie bouwen, is eenvoudig: als u niet zou willen uitleggen, in gewone taal, waarom het systeem weet wat het weet, moet u nog niet handelen. Personalisatie moet aanvoelen als herkend worden, niet als bespied worden.

Kijkend naar de toekomst, wat zal het verschil maken tussen ondernemingen die echte waarde uit AI halen en die die vastzitten in experimenteermodus: betere modellen, betere gegevensinfrastructuur, sterkere governance of een geheel nieuw operationeel model?

Modelkwaliteit was nooit een duurzame differentiator. Het evolueert te snel en de meeste ondernemingen hebben toegang tot ongeveer dezelfde modellen. Governance is belangrijk, maar het is een beperking, niet een bron van waarde op zich. De twee dingen die ik echt denk dat ondernemingen die voorop lopen, onderscheiden, zijn gegevensinfrastructuur en operationeel model, die met elkaar verbonden zijn.

De ondernemingen die echte waarde uit AI halen, zijn die die al hebben geïnvesteerd in het hebben van een enkel, vertrouwd, continu bijgewerkt zicht op de klant, zodat elke nieuwe AI-mogelijkheid op dat fundament kan worden gericht in plaats van zijn eigen gedeeltelijke fundament te moeten bouwen. Maar dat werkt alleen als het operationele model ook verandert: als AI-initiatieven nog steeds worden bezeten door team voor team, met elk team dat zijn eigen versie van de klant definieert, zal u blijven introduceren dezelfde gegevenskwaliteitsproblemen. De ondernemingen die uit de experimenteermodus breken, zijn die die vertrouwde klantgegevens behandelen als gedeelde infrastructuur en hun AI-operationele model daaromheen bouwen vanaf het begin.

Bedankt aan Derek voor het inspirerende interview. Lezers kunnen meer te weten komen over Amperity en Derek Slagers laatste inzichten bekijken op zijn Unite.AI auteurpagina.