Liderzy opinii

Luka w kontekście klienta, która hamuje sztuczną inteligencję w przedsiębiorstwach

Derek Slager
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyRozproszone dane klientów w różnych systemach powodują, że AI podejmuje błędne decyzje.
Zobacz więcej
  • Rozproszone dane klientów w różnych systemach powodują, że AI podejmuje błędne decyzje.
  • Kontekst klienta w czasie rzeczywistym jest niezbędny, aby AI działała zgodnie z bieżącymi intencjami.
  • Zaufany kontekst klienta staje się podstawową infrastrukturą dla AI w przedsiębiorstwach.

Sztuczna inteligencja w przedsiębiorstwach rozwija się szybciej niż większość organizacji potrafi dostarczyć jej niezawodny kontekst klienta.

Wyzwanie nie polega już na tym, czy sztuczna inteligencja może generować treści, rekomendacje, przewidywania czy decyzje. Wyzwanie polega na tym, czy te wyniki są oparte na dokładnym zrozumieniu klienta.

W wielu przedsiębiorstwach tak nie jest.

Organizacje przez ostatnie kilka lat inwestowały znaczne środki w generatywną sztuczną inteligencję, asystentów AI, systemy predykcyjne i autonomiczne procesy. Jednak wiele z tych inicjatyw ma trudności z przejściem poza izolowane przypadki użycia lub dostarczaniem ciągłej wartości biznesowej w skali. Powód jest często zaskakująco prosty: systemy sztucznej inteligencji podejmują decyzje bez pełnego zrozumienia klientów, których dotyczą te decyzje.

To wyzwanie pojawia się w całym przedsiębiorstwie. Silniki personalizacji rekomendują nieistotne produkty. Asystenci obsługi klienta generują niepełne odpowiedzi. Modele churnu błędnie klasyfikują lojalnych klientów. Platformy automatyzacji marketingu wyzwalają wiadomości, które przychodzą za późno lub nie odzwierciedlają ostatniego zachowania klienta.

Często opisuje się to jako problemy sztucznej inteligencji. Częściej są to problemy z kontekstem klienta.

Sztuczna inteligencja nie działa w próżni. Jej skuteczność zależy od jakości, kompletności i terminowości dostępnych informacji. Gdy tożsamość klienta jest rozproszona w systemach, sygnały behawioralne przychodzą za późno, lub różne aplikacje działają na sprzecznych wersjach klienta, systemy sztucznej inteligencji nieuchronnie produkują wyniki, które wydają się niezwiązane z rzeczywistością.

Większość organizacji już posiada podstawowe sygnały. Lata transakcji, interakcji, preferencji i danych behawioralnych już istnieją w ich środowiskach technologicznych. Wyzwanie polega na przekształceniu tych rozproszonych sygnałów w zaufany kontekst klienta, który systemy sztucznej inteligencji mogą wykorzystywać w sposób spójny.

Rozproszone dane tworzą niepełne zrozumienie klienta

Przedsiębiorstwa rzadko cierpią z powodu braku danych klienta. Zamiast tego, mają trudności z rozproszeniem.

Jeden klient może pojawić się na platformie e-commerce pod jednym adresem e-mail, na platformie lojalnościowej pod innym, a w aplikacji serwisowej bez stałego identyfikatora. Historia zakupów, zachowania związane z zaangażowaniem, preferencje dotyczące zgody, interakcje z obsługą i aktywność cyfrowa często istnieją w całkowicie oddzielnych systemach.

Z perspektywy modelu sztucznej inteligencji te fragmenty często pojawiają się jako różni ludzie.

Wpływ staje się znaczący, gdy systemy sztucznej inteligencji zaczynają podejmować decyzje operacyjne.

Model churnu może sklasyfikować lojalnego klienta jako nieaktywnego, ponieważ połowa jego historii zakupów istnieje pod innym profilem. Silnik rekomendacji może wyświetlić nieistotne produkty, ponieważ zachowania przeglądania i historia transakcji nie były połączone. Asystent sztucznej inteligencji może wygenerować niepełne odpowiedzi, ponieważ może uzyskać dostęp tylko do części relacji z klientem.

W miarę jak organizacje szerzej wdrażają sztuczną inteligencję, te problemy stają się coraz trudniejsze do ignorowania.

Wiele przedsiębiorstw zakłada, że scentralizowanie danych w hurtowni danych rozwiązuje problem. W rzeczywistości, konsolidacja sama w sobie nie tworzy zrozumienia klienta. Nie rozwiązuje konfliktów tożsamości, nie łączy zachowań klienta w systemach, nie ustanawia zaufanego widoku klienta. Systemy sztucznej inteligencji mogą nadal działać na niepełnych lub sprzecznych danych.

Przechowywanie nie jest zrozumieniem. Ta różnica staje się coraz ważniejsza, gdy przedsiębiorstwa przechodzą od eksperymentów sztucznej inteligencji do systemów sztucznej inteligencji osadzonych w procesach operacyjnych.

Zaufany kontekst klienta stał się podstawową infrastrukturą sztucznej inteligencji

Łączenie rekordów tożsamości tradycyjnie było postrzegane jako zdolność marketingowa. Coraz częściej staje się podstawowym komponentem infrastruktury sztucznej inteligencji w przedsiębiorstwie.

Ale sama tożsamość nie jest wystarczająca. Aby systemy sztucznej inteligencji podejmowały skuteczne decyzje, muszą mieć dostęp do szerszej warstwy zaufanego kontekstu klienta. Obejmuje to tożsamość, sygnały behawioralne, historię transakcji, dane dotyczące zgody, wzorce zaangażowania i kontekst biznesowy każdej interakcji z klientem.

Łączenie rekordów tożsamości odgrywa kluczową rolę, ponieważ określa, które rekordy należą do tej samej osoby w systemach rozłącznych. W skali przedsiębiorstwa wymaga to połączenia dopasowania deterministycznego, modelowania probabilistycznego i stale ewoluujących grafów tożsamości.

Bez tej podstawy systemy sztucznej inteligencji mają trudności z precyzyjnym wnioskowaniem o stanie, zachowaniu i intencjach klienta.

Wyzwanie staje się jeszcze bardziej złożone w środowiskach rzeczywistych, w których klienci często zmieniają urządzenia, adresy e-mail, lokalizacje i wzorce zaangażowania. Dokładne dopasowanie samo w sobie często pozostawia znaczące luki nierozwiązane. Nadmiernie agresywne dopasowanie może stworzyć problemy z zarządzaniem i zaufaniem, jeśli organizacje nie mogą zrozumieć, w jaki sposób doszło do wniosków.

W związku z tym wiele przedsiębiorstw przyjmuje podejścia hybrydowe, które łączą dopasowanie deterministyczne, uczenie maszynowe, wyjaśnialność i adaptacyjne grafy tożsamości, które ewoluują wraz z zachowaniem klienta.

Co ważne, organizacje coraz częściej wymagają wielu kontekstowych widoków tożsamości, a nie jednego uniwersalnego profilu. Zespoły marketingowe mogą nadawać priorytet zasięgowi i możliwości kierowania komunikacji do klientów. Zespoły lojalnościowe wymagają precyzji na poziomie konta. Zespoły antyfraudowe działają z całkowicie innymi progami. Systemy sztucznej inteligencji wspierające te funkcje potrzebują kontekstu klienta dostosowanego do ich konkretnych wymagań operacyjnych.

To zmienia sposób, w jaki organizacje myślą o swojej gotowości na sztuczną inteligencję. Sztuczna inteligencja w przedsiębiorstwie wymaga zaufanego kontekstu klienta, który może ciągle dostosowywać się, pozostając wyjaśnialnym, zarządzanym i dostępnym w systemach.

Kontekst klienta w czasie rzeczywistym jest niezbędny

Nawet organizacje, które pomyślnie ujednolicają tożsamość klienta, często napotykają na kolejne ograniczenie, jakim jest czas.

Wiele środowisk przedsiębiorstw nadal opiera się na opóźnionych potokach i procesach wsadowych. Profile klientów są aktualizowane godziny później. Sygnały behawioralne przychodzą po upływie odpowiedniego momentu.

W rezultacie systemy sztucznej inteligencji często podejmują decyzje na podstawie nieaktualnego stanu klienta, a nie bieżącej intencji klienta.

To opóźnienie wpływa zarówno na doświadczenie klienta, jak i wyniki biznesowe.

Klient może porzucić koszyk, ale sekwencja dalszych działań zostanie uruchomiona dopiero następnego ranka. Uczestnik programu lojalnościowego może wrócić na stronę, zanim aktualizacje profilu dotrą do wszystkich systemów, i otrzymać ogólne, niespersonalizowane doświadczenie. Pracownicy obsługi często kontaktują się z klientami, zanim pojawią się najnowsze sygnały behawioralne.

To jest powód, dla którego infrastruktura w czasie rzeczywistym stała się coraz bardziej ważna.

Organizacje potrzebują systemów, które mogą aktualizować grafy tożsamości, sygnały behawioralne, uprawnienia i profile klientów w trakcie interakcji. Systemy sztucznej inteligencji mogą podejmować decyzje w danej chwili tylko wtedy, gdy podstawowy kontekst klienta odzwierciedla tę chwilę.

Gdy autonomiczne procesy sztucznej inteligencji stają się bardziej powszechne, utrzymanie dokładnego kontekstu klienta w systemach i kanałach staje się niezbędne do dostarczania zarówno niezawodnych decyzji, jak i spójnych doświadczeń klienta.

Współdzielony kontekst klienta tworzy bardziej godną zaufania sztuczną inteligencję

Innym wyzwaniem, które pojawia się w środowiskach sztucznej inteligencji przedsiębiorstw, jest niekonsekwencja.

Organizacje wdrażają sztuczną inteligencję w platformach marketingowych, aplikacjach obsługi klienta, narzędziach analitycznych, asystentach AI i modelach opracowanych wewnętrznie jednocześnie. W wielu środowiskach każdy system uzyskuje dostęp do danych klienta w inny sposób i utrzymuje własną interpretację tożsamości, uprawnień i stanu klienta.

Z czasem rozproszona wiedza o kliencie prowadzi do rozproszonego zachowania sztucznej inteligencji.

Systemy sztucznej inteligencji w przedsiębiorstwie działają bardziej niezawodnie, gdy operują na wspólnej warstwie zaufanego kontekstu klienta. Oznacza to, że aplikacje sztucznej inteligencji mogą uzyskać dostęp do tych samych grafów tożsamości, profili klientów, sygnałów behawioralnych i ram zarządzania, niezależnie od miejsca, w którym są podejmowane decyzje.

Rezultatem są bardziej wiarygodne wyniki, silniejsze zarządzanie i większa zgodność operacyjna w całej organizacji.

Przyszłość sztucznej inteligencji w przedsiębiorstwie zależy od kontekstu klienta

Dyskusje na temat sztucznej inteligencji w przedsiębiorstwie często koncentrują się na modelach, zdolnościach rozumowania i automatyzacji. Te innowacje są ważne. Ale gdy modele podstawowe stają się coraz bardziej zdolne i dostępne, sama technologia w mniejszym stopniu stanowi czynnik wyróżniający.

Kluczowe pytanie brzmi, czy systemy sztucznej inteligencji mogą działać na podstawie dokładnego, połączonego i ciągle aktualizowanego zrozumienia klienta.

Wymaga to inwestycji w łączenie rekordów tożsamości, infrastrukturę w czasie rzeczywistym, zarządzanie i adaptacyjne architektury danych. Co ważniejsze, wymaga to, aby organizacje postrzegały kontekst klienta jako warstwę inteligencji operacyjnej, która wspiera podejmowanie decyzji sztucznej inteligencji w całym przedsiębiorstwie.

Większość organizacji już posiada podstawowe sygnały.

Następni liderzy w dziedzinie sztucznej inteligencji w przedsiębiorstwie niekoniecznie będą firmami z najbardziej zaawansowanymi modelami. Będą to firmy z najbardziej wiarygodnym zrozumieniem swoich klientów.

Ponieważ w świecie napędzanym sztuczną inteligencją kontekst klienta staje się podstawą każdej inteligentnej decyzji.

Derek Slager jest współzałożycielem i współprezesem Amperity, gdzie kieruje transformacją firmy z priorytetem dla sztucznej inteligencji, zarówno w produkcie, jak i w sposobie funkcjonowania firmy. Współzałożył Amperity, aby dać marketerom i analitykom dane klientów, którym mogliby ufać, i zbudował opatentowaną technologię dopasowywania tożsamości i architekturę profili w czasie rzeczywistym, stanowiące podstawę zaufanego kontekstu klienta Amperity. Wcześniej był w zespole założycielskim Appature i pełnił kierownicze role inżynierskie w dziedzinie rozproszonych systemów dużej skali i bezpieczeństwa.