Derek Slager, Współzałożyciel i Współprezes Amperity – Seria Wywiadów

Derek Slager jest współzałożycielem i współprezesem Amperity, gdzie kieruje transformacją firmy w kierunku sztucznej inteligencji, zarówno w zakresie produktów, jak i sposobu funkcjonowania. Założył Amperity, aby dać marketerom i analitykom dane klientów, którym mogliby ufać, i zbudował opatentowaną architekturę rozwiązania tożsamości i profilu w czasie rzeczywistym, który jest podstawą zaufanego kontekstu klienta Amperity. Wcześniej był w zespole założycielskim Appature i pełnił role kierownicze w zakresie dużych, rozproszonych systemów i bezpieczeństwa.

Amperity to chmura danych klienta wykorzystująca sztuczną inteligencję, zaprojektowana, aby pomóc przedsiębiorstwom zjednoczyć rozproszone informacje o klientach z źródeł online i offline w dokładne, aktualne profile klientów. Jej platforma łączy rozwiązanie tożsamości oparte na maszynowym uczeniu, zarządzanie danymi, analitykę, modelowanie predykcyjne i narzędzia aktywacyjne, umożliwiając zespołom marketingowym i analitycznym lepsze zrozumienie zachowań klientów, personalizację doświadczeń, pomiar wpływu na przychody i koordynację działań na kanałach. Założona w 2016 roku, Amperity obsługuje ponad 400 marek na całym świecie, w tym Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts i DICK’S Sporting Goods (DKS ).

Pracowałeś w zaawansowanej analityce, customer insights, zarządzaniu produktem, ML/MLOps i strategii AI, pomagając budować podstawowe produkty przed Amperity. Jak ta ścieżka ukształtowała twoje myślenie o relacji między jakością danych klienta a wydajnością AI?

Moja praca w branży koncentrowała się na jednym problemie: jak uzyskać, aby AI poprawnie rozumiało ludzi, kiedy dane opisujące tych ludzi są zawsze niepełne, niespójne i zmieniające się? Na początku, w rolach analitycznych i produkowych, obserwowałem zespoły budujące coraz bardziej zaawansowane modele na podstawie danych klientów, które były fundamentalnie niewiarygodne: duplikaty rekordów, niepasujące identyfikatory, przestarzałe atrybuty. Żadna ilość skomplikowania modelu nie rozwiązywała tego problemu; po prostu ukrywała go bardziej skutecznie.

To przekonanie doprowadziło nas do budowy Amperity: rozwiązanie tożsamości nie jest warstwą, którą można dodać na górze AI, ale fundamentem, na którym wszystko inne się opiera. Kiedy spoglądam na przedsiębiorstwa AI dzisiaj, widzę ten sam wzorzec powtarzający się w znacznie większej skali. Zespoły wydają ogromne środki na wybór modelu i inżynierię promptów, traktując dane klienta karmiące te modele jako dane pewne. Nie są one pewne. Pobierz warstwę tożsamości źle, a każdy system AI poniżej odziedziczy ten błąd i go powiększy.

Często słyszymy dyskusje na temat przedsiębiorstw AI skupione na wyborze modelu, ale twierdzisz, że zaufane dane tożsamości klienta stają się równie ważne. Dlaczego rozmowa przechodzi od „Jaki model jest najlepszy?” do „Jakie dane AI mogą rzeczywiście ufać?”

W pierwszych latach fali AI generatywnej możliwości modelu były naprawdę wąskim gardłem, ponieważ narzędzia po prostu nie były jeszcze wystarczająco dobre. Teraz to się zmieniło. Wiodące modele dzisiaj są niezwykle zdolne, a luka między nimi zmniejszyła się w większości przypadków biznesowych. To, co nie nadąża, to dane karmiące te modele wewnątrz przedsiębiorstwa.

Można umieścić najbardziej zaawansowany model przed agentem obsługi klienta lub silnikiem personalizacji, ale jeśli rozumie on nad trzema duplikatami profili dla tej samej osoby, nieaktualnym adresem e-mail i historią zakupów brakującą połowy kanałów, w których osoba ta robi zakupy, wynik będzie błędny. Rozmowa przechodzi w tym kierunku, ponieważ liderzy bezpośrednio odczuwają tę lukę. Przyjęli wspaniały model i nadal nie widzą oczekiwanego zwrotu z inwestycji. Następna prawdziwa przewaga nie przyjdzie z lepszego modelu. Będzie to zależało od tego, czy organizacja może dać swoim systemom AI coś, czemu mogą ufać, aby móc je wykorzystać.

Jakie są najczęstsze sposoby, w jakie niedokładne lub fragmentaryczne dane tożsamości klienta mogą podważyć wyniki AI, nawet wtedy, gdy podstawowy model jest technicznie silny?

Pojawiają się pewne wzorce. Podstawowy to duplikacja. Ten sam klient istnieje jako pięć lub sześć różnych rekordów w różnych kanałach, z których każdy ma częściową wizję tej osoby, więc system AI może wysłać ofertę zwrotu do kogoś, kto ma aktywną subskrypcję pod innym rekordem. Następnie jest staleness. Dane, które były dokładne rok temu, ale nie zostały odświeżone, więc model optymalizuje się na podstawie tego, kim klient był, a nie kim jest teraz. Jest również over-merging, co jest bardziej subtelne: systemy tożsamości, które są zbyt agresywne w dopasowaniu, łączą dwie różne osoby w jeden profil, a teraz agent AI jest pewny, że podejmuje decyzje w imieniu kogoś, kto nie istnieje naprawdę. I wreszcie, są proste luki. Aktywność programu lojalnościowego w jednym systemie, historia wsparcia w innym, zachowanie przeglądania w trzecim, bez żadnego systemu, który posiadałby pełen obraz. Indywidualnie, każdy z nich wygląda jak problem higieny danych. W kontekście AI kumulują się one, ponieważ model nie wie, czego nie wie. Po prostu produkuje odpowiedź z całkowitą pewnością.

Jak zmieniają się rzeczy dla marek, kiedy konsumenci coraz bardziej polegają na systemach AI, aby porównywać opcje, oceniać lojalność i podejmować decyzje zakupowe?

Zazwyczaj marki kontrolowały front drzwi. Budowały stronę internetową, optymalizowały ją pod kątem wyszukiwania, doskonaliły swój kanał i klienci przychodzili bezpośrednio lub za pośrednictwem wyników, na które marki miały wpływ.

Teraz to front drzwi to rozmowa z asystentem AI, nad którym marka nie ma kontroli i którego nie może w pełni zobaczyć. Ktoś prosi o porównanie programów lojalnościowych lub rekomendację hotelu, a zadaniem marki jest być na tyle czytelna i godna zaufania w tym momencie, aby być odpowiedzią, którą AI daje. To jest prawdziwa zmiana w tym, na co musi być zoptymalizowany marketing. Oznacza to, że jakość, struktura i dokładność własnych danych i treści marki mają większe znaczenie, ponieważ systemy AI syntetyzują je z każdego sygnału, jaki mogą znaleźć.

Badania Amperity sugerują, że tylko niewielka część konsumentów teraz idzie bezpośrednio do znanych marek bez rozważania rekomendacji AI. Co to oznacza dla lojalności marki, personalizacji i tradycyjnej ścieżki klienta?

Przeprowadziliśmy ankietę wśród 1 000 konsumentów w Stanach Zjednoczonych na początku tego roku, i jeden numer zwrócił moją uwagę: mniej niż jedna czwarta powiedziała, że idzie prosto do marki, którą już zna, bez wcześniejszego uwzględnienia rekomendacji AI, a 60% powiedziało, że AI już skierowało ich do marki, której wcześniej nie brali pod uwagę. To podważa domyślną przewagę, której wcześniej cieszyły się ugruntowane marki. Lojalność nie zniknęła, ale lejek powyżej tej decyzji się zmienił. Marki są oceniane i wybierane przez systemy, którymi nie kontrolują, na podstawie dostępnych danych o nich.

Tożsamość rozwiązania istniała jako problem danych przez lata. Co sprawia, że jest bardziej pilna teraz, kiedy agenci AI, pilotzy i interfejsy AI generatywne stają się częścią codziennych workflow przedsiębiorstw?

Rozwiązanie tożsamości zawsze miało znaczenie dla rzeczy takich jak zapobieganie duplikatowi poczty lub upewnienie się, że członek programu lojalnościowego otrzymuje odpowiednią nagrodę za zakup. Te są prawdziwymi problemami, ale dość wybaczalnymi, gdzie człowiek zwykle łapie błąd.

Kiedy agent AI jest upoważniony do podjęcia działań, niezależnie od tego, czy jest to wydanie zwrotu, zastosowanie rabatu, rekomendacja następnej oferty czy aktualizacja preferencji, robi to na podstawie rozwiązania tożsamości, które otrzymał, z prędkością maszyny i często bez udziału człowieka. Pobierz tożsamość źle, a agent nie tylko nie działa poprawnie raz. Może działać niepoprawnie systematycznie i natychmiast, w skali, zanim ktokolwiek zauważy. To sprawia, że ten moment jest bardziej pilny niż wcześniej.

Jak firmy powinny myśleć o tożsamości klienta jako części szerszej strategii zarządzania AI, obok prywatności, bezpieczeństwa, monitorowania modelu i zgodności?

Postawiłbym tożsamość klienta obok tych innych filarów, a nie pod nimi. Większość rozmów o zarządzaniu AI koncentruje się na modelu: czy jest on tendencyjny, bezpieczny, zgodny i monitorowany pod kątem dryfu? Te są konieczne, ale zakładają, że dane wejściowe, nad którymi model rozumie, są poprawne. Jeśli warstwa tożsamości jest błędna, możesz mieć idealnie zarządzany model, który produkuje decyzje o niewłaściwej osobie lub model, który wydaje się tendencyjny, kiedy prawdziisty problem polega na tym, że jego dane były fragmentaryczne w sposób, który niekorzystnie wpływa na pewne segmenty klientów.

Wiele organizacji inwestuje dużo w pilotaż AI, ale ich dane klienta pozostają rozproszone w marketingu, handlu, wsparciu, lojalności i systemach offline. Jakie praktyczne kroki powinni podjąć liderzy przed skalowaniem AI do podejmowania operacyjnych decyzji?

Wzorzec, który widzę najczęściej, to organizacja prowadząca kilka obiecujących pilotów AI — chatbota tutaj, eksperyment personalizacji tam — każdy podłączony do danych, które akurat są najbliżej dla tego zespołu. Działa to wystarczająco dobrze, aby uzyskać finansowanie, a potem uderza w ścianę, kiedy ktoś próbuje go skalować w rzeczywistą decyzję operacyjną, ponieważ dane pilota nigdy nie odzwierciedlały pełnego klienta.

Pierwszym praktycznym krokiem jest uczciwa inwentaryzacja: wiedza, gdzie każde źródło prawdy klienta się znajduje (marketing, handel, wsparcie, lojalność, offline). Jak bardzo się nakładają? Gdzie nie? Po drugie, zainwestuj w rozwiązanie tożsamości przed inwestowaniem w więcej pilotów. To pozwala każdej przyszłej inicjatywie AI ponownie wykorzystać ten sam godny zaufania fundament, zamiast każdy zespół budował częściowy. Trzecie, zbuduj niewielką liczbę właścicieli cross-funkcyjnych dla tych zjednoczonych danych klienta, zamiast pozostawiać własność temu zespołowi, który akurat potrzebuje ich dla swojego bieżącego pilota. Organizacje, które wykonują tę sekwencję wstecznie, kończą się portfelem pilotów AI, które nigdy nie opuszczają fazy pilotażu, ponieważ żaden z nich nie może być ufały z prawdziwą decyzją.

Gdzie rysujesz granicę między personalizacją, która wydaje się przydatna, a personalizacją, która wydaje się inwazyjna, zwłaszcza kiedy systemy AI mogą wnioskować więcej z zjednoczonych profili klienta?

Granica jest mniej związana z tym, ile marka wie, a bardziej z tym, czy to, co robi z tą wiedzą, wydaje się uzasadnione i istotne w tym momencie. Rekomendacja oparta na rzeczywistej historii zakupów wydaje się pomocna. Rekomendacja, która ujawnia wnioskowanie, którego klient nigdy nie udostępnił, wydaje się inwazyjna, nawet jeśli jest dokładna, ponieważ ujawnia, ile jest udostępniane.

Nasze badanie wykazało, że duża większość konsumentów mówi, że są bardziej skłonni zaangażować się w personalizację, kiedy ufają, jak ich dane są wykorzystywane, a większość mówi, że personalizacja, która wydaje się inwazyjna, sprawia, że są mniej skłonni wybrać markę w ogóle. Moja zasada dla zespołów budujących na wnioskowaniu AI jest prosta: jeśli nie chciałbyś wyjaśnić w prostym języku, dlaczego system wie, co wie, nie działać na tym jeszcze. Personalizacja powinna wydawać się rozpoznaniem, a nie inwigilacją.

Spójrzając w przyszłość, co będzie oddzielać przedsiębiorstwa, które uzyskają prawdziwą wartość z AI, od tych, które pozostaną w trybie eksperymentowania: lepsze modele, lepsza infrastruktura danych, silniejsze zarządzanie, czy całkowicie nowy model operacyjny?

Jakość modelu nigdy nie będzie trwałą różnicą. Rozwija się zbyt szybko, a większość przedsiębiorstw ma dostęp do mniej więcej tych samych modeli. Zarządzanie ma znaczenie, ale jest ograniczeniem, a nie źródłem wartości samego w sobie. Dwie rzeczy, które naprawdę oddzielają przedsiębiorstwa, które wysuwają się do przodu, to infrastruktura danych i model operacyjny, które są połączone.

Przedsiębiorstwa, które uzyskują prawdziwą wartość z AI, są tymi, które już zainwestowały w posiadanie jednego, godnego zaufania i ciągle aktualizowanego widoku klienta, tak aby każda nowa funkcjonalność AI mogła być skierowana na ten fundament, zamiast szycia razem własnego. Ale to działa tylko wtedy, gdy model operacyjny się zmienia również: jeśli inicjatywy AI nadal są własnością zespołu, z każdą grupą definiującą własną wersję klienta, będziesz w dalszym ciągu wprowadzał te same problemy z jakością danych. Przedsiębiorstwa, które wyłaniają się z trybu eksperymentowania, są tymi, które traktują zaufane dane klienta jako wspólną infrastrukturę i budują swój model operacyjny AI wokół tego założenia od samego początku.

Dziękujemy Derekowi za wnikliwy wywiad. Czytelnicy mogą dowiedzieć się więcej o Amperity i przeczytać najnowsze spostrzeżenia Dereka Slagera na jego stronie autorskiej Unite.AI.