Derek Slager, medgrunnlegger og med-CEO av Amperity – Intervju-serie

Derek Slager er medgrunnlegger og med-CEO av Amperity, der han leder selskapets AI-drevne transformasjon over både produkt og drift. Han grunnla Amperity for å gi markedsførere og analytikere kundedata de kunne stole på, og bygde den patenterte identitetsløsningen og sanntidsprofilarkitekturen bak Amperitys pålitelige kundekontekst. Tidligere var han en del av grunnleggerlaget i Appature og hadde ingeniørlederroller i store, distribuerte systemer og sikkerhet.

Amperity er en AI-drevet kundedata-skytjeneste som er designet for å hjelpe bedrifter å samle fragmentert kundinformasjon fra online- og offline-kilder til nøyaktige, sanntids kundeprofiler. Plattformen kombinerer maskinlæringsbasert identitetsløsning, datahåndtering, analyse, prediktiv modellering og aktiveringsverktøy, som gjør det mulig for markedsførings- og data-team å forstå kundeatferd bedre, tilpasse opplevelser, måle omsetningseffekt og koordinere handlinger på tvers av kanaler. Grunnlagt i 2016, tjener Amperity over 400 merkevarer verden over, inkludert Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts og DICK’S Sporting Goods.

Du har arbeidet med avansert analyse, kundeinnsikt, produktledelse, ML/MLOps og AI-strategi, og hjulpet med å bygge grunnleggende produkter før Amperity. Hvordan har denne veien formet måten du tenker om forholdet mellom kundedatakvalitet og AI-ytelse?

Mitt arbeid i bransjen har virkelig sentrert seg rundt ett problem: hvordan får man AI til å resonnere riktig om mennesker når dataene som beskriver disse menneskene alltid er ufullstendige, inkonsistente og endrer seg? Tidlig, i analytiske og produktroller, så jeg teamene bygge stadig mer sofistikerte modeller på toppen av kundedata som var fundamentalt u pålitelige: duplikate poster, mismatchede identifikatorer, stille attributter. Ingen modell-sophistikasjon fikset dette; det skjulte bare problemet mer effektivt.

Denne instinkten er det som ledet oss til å bygge Amperity: identitetsløsning er ikke en nice-to-have-lag på toppen av AI, det er grunnlaget alt annet hviler på. Når jeg ser på bedrifts-AI i dag, ser jeg samme mønster spille ut på en mye større skala. Teamene heller ressurser i modellvalg og prompt-engineering mens de behandler kundedata som mates inn i modellene som en gitt. Det er det ikke. Få identitetslaget feil, og hver nedstrøms AI-system arver feilen og forsterker den.

Vi hører ofte diskusjoner om bedrifts-AI som handler om modellvalg, men du hevder at pålitelige kundeid-data blir like viktig. Hvorfor skifter samtalen fra “Hvilken modell er best?” til “Hva data kan AI faktisk stole på?”

I de første årene av den generative AI-bølgen var modellkapasiteter virkelig flaskenhalen, siden verktøyene bare ikke var gode nok ennå. Nå har det endret seg. Ledende modeller i dag er merkbart kapable, og gapet mellom dem har blitt smalere for de fleste forretningsbrukstilfeller. Det som ikke har holdt tritt er dataene som mates inn i modellene innenfor bedriftene.

Man kan plassere den mest avanserte modellen foran en kundeservice-agent eller en personaliseringssystem, men hvis den resonnere over tre duplikate profiler for samme person, en utdatert e-postadresse og en kjøpehistorikk som mangler halvparten av kanalene personen handler i, vil utgangen være feil. Samtalen skifter fordi ledere føler gapet direkte. De har adoptert en god modell og ser ennå ikke avkastningen de forventet. Neste virkelige fordel kommer ikke fra en bedre modell. Det kommer til å handle om hvorvidt en organisasjon kan gi sine AI-systemer noe pålitelig å resonnere over fra første sted.

Hva er de vanligste måtene usikre eller fragmenterte kundeid-data kan undergrave AI-resultater, selv når den underliggende modellen er teknisk sterk?

Noen mønster dukker opp konstant. Det mest grunnleggende er duplikasjon. Samme kunde eksisterer som fem eller seks forskjellige poster på tvers av kanaler, hver med en delvis visning av personen, så et AI-system kan sende en vinne-tilbake-tilbud til noen hvis abonnement er aktivt under en annen post. Så er det stalhet. Data som var nøyaktig for et år siden, men ikke har blitt oppdatert, så en modell optimaliserer basert på hvem en kunde var tidligere enn hvem de er nå. Det er også over-merging, som er mer subtil: identitetssystemer som er for aggressive med å matche, kombinerer to forskjellige personer til en profil, og nå er et AI-system trygt i stand til å fatte beslutninger på vegne av noen som ikke faktisk eksisterer. Og til slutt er det rene hull. Lojalitetsaktivitet i ett system, støttehistorikk i et annet, browse-atferd i et tredje, med ingen enkelt system som holder det fullstendige bildet. Individuelt ser hver av disse ut som et data-hygiene-problem. I en AI-kontekst, komprimerer de fordi modellen ikke vet hva den ikke vet. Det produserer bare et svar med full tillit.

Når generativ AI blir en ny frontdør for produktoppdagelse, hva endrer seg for merkevarer når forbrukerne stadig mer avhenger av AI-systemer for å sammenligne alternativer, evaluere lojalitet og fatte kjøpsbeslutninger?

Vanligvis kontrollerte merkevarer frontdøren. Du bygde en nettside, optimaliserte for søk, finjusterte din kanal, og kundene kom direkte til deg eller gjennom resultater du kunne påvirke. Nå er frontdøren en samtale med en AI-assistent som en merkevare ikke kontrollerer og ikke fullstendig kan se inn i.

Noen spør en AI-verktøy om å sammenligne lojalitetsprogrammer eller anbefale et hotell, og merkevariets jobb nå er å være lesbar og pålitelig nok i det øyeblikket, til å være svaret AI-verktøyet gir. Dette er en ekte endring i hva markedsføring må optimalisere for. Det betyr at kvaliteten, strukturen og nøyaktigheten av en merkevares egne data og innhold betyr mer, fordi AI-systemer syntetiserer fra hva som helst signal de kan finne.

Amperitys forskning viser at bare en minoritet av forbrukerne nå går direkte til kjente merkevarer uten å vurdere AI-anbefalinger først. Hva betyr dette for merkevarelojalitet, personalisering og den tradisjonelle kundeveien?

Vi undersøkte 1 000 amerikanske forbrukere tidligere i år, og ett tall sto ut for meg: færre enn en fjerdedel sa de går rett til en merkevare de allerede kjenner uten å vurdere en AI-anbefaling først, og 60 % sa AI allerede har ledet dem til en merkevare de ikke tidligere hadde vurdert. Dette undergraver den standardfordelen etablerte merkevarer tidligere hadde. Lojalitet har ikke forsvunnet, men kanalen over denne avgjørelsen har endret seg. Merkevarer blir vurdert og shortlistet av systemer de ikke kontrollerer, basert på hva som helst data som er tilgjengelig om dem.

Personaliseringsstrategier bygget på antagelsen at “vi allerede kjenner denne kunden, så vi trenger ikke å tjene deres oppmerksomhet” vil underprestere. Samtidig har kundeveien selv blitt mindre lineær. En kunde kan ankomme en merkevares nettside allerede som har blitt “solgt” av en AI-oppsummering av anmeldelser og sammenligninger, noe betyr at merkevariets egen opplevelse må holde seg mot forventningene det ikke fikk sjansen til å forme direkte.

Hva gjør identitetsløsning mer presserende nå når AI-agenter, kopiloter og generative AI-grensesnitt blir en del av daglige bedriftsprosesser?

Identitetsløsning har alltid vært viktig for ting som å forebygge duplikate e-poster eller å sikre at en lojalitetsmedlem får riktig kreditt for en kjøp. Disse er virkelige problemer, men relativt tilgivende problemer hvor et menneske vanligvis fanger feilen. Agenter fjerner denne sikkerhetsnettingen.

Når en AI-agent er beføynt til å faktisk iverksette handlinger, enten det er å utstedde en refusjon, å bruke en rabatt, å anbefale et neste beste tilbud eller å oppdatere en preferanse, gjør den det på toppen av hvilken som helst identitetsløsning den har fått, i maskin-hastighet og ofte uten en menneskelig i løkken. Får man identiteten feil, og agenten misfyrer ikke bare en gang. Den kan misfyrer systematisk og umiddelbart, i skala, før noen legger merke til det. Dette er hva gjør dette øyeblikket mer presserende enn før.

Hvordan bør selskaper tenke om kundeid som en del av sin bredere AI-styringsstrategi, sammen med personvern, sikkerhet, modell-overvåking og etterlevelse?

Jeg ville plassere kundeid like ved siden av disse andre pillarene, ikke under dem. De fleste AI-styringsdiskusjoner fokuserer på modellen: er den skjev, sikker, etterlevende og overvåket for drift? Disse er nødvendige, men de antar at inndata modellen resonnere over er lydige. Hvis identitetslaget er feil, kan man ha en perfekt styrt modell som produserer beslutninger om feil person, eller en modell som ser skjev ut når det virkelige problemet er at dens data var fragmentert på måter som misgynnet visse kundesegmenter.

Praktisk betyr dette at samme rigor selskaper anvender på modell-overvåking må anvendes på identitets- og datalaget under det. Hvem eier kundens gyldige post? Hvordan måles og overvåkes match-kvalitet over tid? Hva skjer når en match er feil? Disse bør være styrings-spørsmål med samme prioritet som noe som skjer på modell-nivå.

Mange organisasjoner investerer tungt i AI-piloter, men deres kundedata forblir siloet på tvers av markedsføring, handel, støtte, lojalitet og offline-systemer. Hva praktiske skritt bør ledere ta før de skalerer AI til operasjonelle avgjørelser?

Mønsteret jeg ser oftest er en organisasjon som kjører flere lovende AI-piloter — en chatbot her, en personaliserings-eksperiment der — hver koblet til hva som helst data som skjer å være nærmest tilgjengelig for det teamet. Det fungerer godt nok til å bli finansiert, så treffes det en vegg når noen prøver å skalerer det til en faktisk operasjonell avgjørelse, fordi pilotens data aldri reflekterte den fullstendige kunden.

Det første praktiske skrittet er en ærlig inventar: vite hvor hver kilde til kundesannhet bor (markedsføring, handel, støtte, lojalitet, offline). Hvor mye overlapper de? Hvor ikke? For det andre, invester i identitetsløsning før investering i flere piloter. Dette er hva lar hver fremtidig AI-initiativ gjenbruke samme pålitelige grunnlag, i stedet for at hvert team bygger en delvis en. Tredje, bygge en liten gruppe tverrfaglige eiere for den samlede kundedata, i stedet for å la eierskapet tilhøre hvilket som helst team som skjer å trenge det for deres nåværende pilot. Organisasjoner som får denne sekvensen bakover ender opp med en portefølje av AI-piloter som aldri forlater pilot-stadiet, fordi ingen av dem kan stoles på med en virkelig avgjørelse.

Hvor trekker du linjen mellom personalisering som føles nyttig og personalisering som føles invasiv, spesielt når AI-systemer kan slutte mer fra samlede kundeprofiler?

Linjen er mindre om hvor mye en merkevare vet og mer om hvorvidt hva de gjør med den kunnskapen føles fortjent og relevant i øyeblikket. En anbefaling basert på noen sin faktiske kjøpehistorikk føles nyttig. En anbefaling som avslører en slutning som kunden aldri uttrykkelig delte føles invasiv, selv når den er nøyaktig, fordi den avslører hvor mye som deltes.

Vår rapport fant at en stor majoritet av forbrukerne sier de er mer villige til å engasjere seg med personalisering når de stoler på hvordan deres data brukes, og en majoritet sier personalisering som føles invasiv gjør dem mindre sannsynlig til å velge en merkevare overhodet. Min regel for team som bygger på AI-drevne slutninger er enkel: hvis du ikke ville forklare, i ren språk, hvorfor systemet vet hva det vet, ikke handle på det ennå. Personalisering bør føles som å bli gjenkjent, ikke overvåket.

Ser fremover, hva vil skille bedrifter som får virkelig verdi fra AI fra de som forblir fast i eksperiment-mode: bedre modeller, bedre data-infrastruktur, sterkere styring eller en ny driftsmodell?

Modellkvalitet var aldri gå til å være en varig differensierer. Det utvikler seg for raskt, og de fleste bedrifter har tilgang til omtrent samme modeller. Styring betyr noe, men det er en begrensning, ikke en kilde til verdi på egen hånd. De to tingene jeg faktisk tror skiller bedriftene som kommer frem er data-infrastruktur og driftsmodell, som er koblet.

Selskapene som får virkelig verdi fra AI er de som allerede har investert i å ha en enkelt, pålitelig, kontinuerlig oppdatert visning av kunden, så noen nye AI-kapasiteter kan pekes mot det grunnlaget i stedet for å sy sammen sin egen. Men det fungerer bare hvis driftsmodellen endres også: hvis AI-initiativer fortsatt eies team for team, med hver gruppe som definerer sin egen versjon av kunden, vil du fortsette å introdusere samme datakvalitetsproblemer. Organisasjonene som bryter ut av eksperiment-mode er de som behandler pålitelige kundedata som felles infrastruktur og bygger sin AI-driftsmodell rundt den antagelsen fra første sted.

Takk til Derek for det interessante intervjuet. Leserne kan lære mer om Amperity og utforske Dereks siste innsikter på hans Unite.AI-forfatter-side.