Дерек Слейгер, сооснователь и со-главный исполнительный директор Amperity – Интервью

Дерек Слейгер является сооснователем и со-главным исполнительным директором Amperity, где он руководит трансформацией компании в сторону искусственного интеллекта как в продуктах, так и в операциях. Он основал Amperity, чтобы дать маркетологам и аналитикам данные о клиентах, которым можно доверять, и разработал запатентованную систему разрешения идентификации и архитектуру профилей в режиме реального времени защищенного контекста клиентов Amperity. Ранее он был в составе основной команды Appature и занимал руководящие должности в области крупномасштабных распределенных систем и безопасности.

Amperity – это облачная платформа для работы с данными клиентов, работающая на основе искусственного интеллекта, предназначенная для того, чтобы помочь предприятиям объединить фрагментированную информацию о клиентах из онлайн- и офлайн-источников в точные профили клиентов в режиме реального времени. Ее платформа объединяет решение проблемы идентификации на основе машинного обучения, управление данными, аналитику, прогностическое моделирование и инструменты активации, что позволяет командам по маркетингу и данным лучше понять поведение клиентов, персонализировать опыт, измерять влияние на доход и координировать действия в различных каналах. Основанная в 2016 году, Amperity обслуживает более 400 брендов по всему миру, включая Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts и DICK’S Sporting Goods (DKS ).

Вы работали в области продвинутой аналитики,洞察 клиентов, управления продуктами, ML/MLOps и стратегии ИИ, помогая создавать фундаментальные продукты до Amperity. Как этот путь сформировал ваше мышление о взаимосвязи между качеством данных клиентов и производительностью ИИ?

Моя работа в отрасли действительно сосредоточилась на одной проблеме: как заставить ИИ правильно рассуждать о людях, когда данные, описывающие этих людей, всегда неполные, несоответствующие и меняющиеся? Рано, в аналитических и продуктивных ролях, я наблюдал, как команды создают все более сложные модели на основе данных клиентов, которые были фундаментально ненадежными: дублирующие записи, несовпадающие идентификаторы, устаревшие атрибуты. Никакое количество сложности моделирования не исправляло это; оно просто скрывало проблему более эффективно.

Этот инстинкт привел нас к созданию Amperity: разрешение идентификации не является дополнительным слоем поверх ИИ, это основа, на которой все остальное строится. Когда я смотрю на корпоративный ИИ сегодня, я вижу ту же самую закономерность, играющуюся на гораздо большей шкале. Команды вкладывают ресурсы в выбор модели и инжиниринг подсказок, а данные клиентов, которые кормят эти модели, принимаются как должное. Это не так. Если слой идентификации неправильный, каждая система ИИ, наследующая эту ошибку, усиливает ее.

Мы часто слышим обсуждения корпоративного ИИ, сформулированные вокруг выбора модели, но вы утверждаете, что доверенные данные идентификации клиентов становятся столь же важными. Почему разговор смещается от “Какая модель лучше?” к “Какие данные могут доверять ИИ?”

В течение первых нескольких лет волны генеративного ИИ возможности моделей действительно были узким местом, поскольку инструменты просто не были достаточно хорошими. Теперь это изменилось. Ведущие модели сегодня удивительно способны, и разрыв между ними сузился для большинства деловых случаев. То, что не поспевает, – это данные, которые кормят эти модели внутри предприятия.

Вы можете поставить самую передовую модель перед агентом службы поддержки клиентов или движком персонализации, но если она рассуждает о трех дублирующих профилях для одного и того же человека, устаревшем адресе электронной почты и истории покупок, в которой отсутствует половина каналов, в которых этот человек покупает, вывод будет обязательно неправильным. Разговор смещается, потому что лидеры напрямую чувствуют этот разрыв. Они приняли отличную модель и все еще не видят ожидаемой отдачи от инвестиций. Следующее реальное преимущество не придет от лучшей модели. Оно будет заключаться в том, сможет ли организация дать своим системам ИИ что-то достоверное, над чем можно рассуждать.

Какие наиболее распространенные способы, которыми неточные или фрагментированные данные идентификации клиентов могут подорвать результаты ИИ, даже когда базовая модель технически сильна?

Несколько закономерностей постоянно появляются. Самая базовая – дублирование. Один и тот же клиент существует как пять или шесть разных записей в различных каналах, каждая с частичным представлением этого человека, поэтому система ИИ может отправить предложение о возвращении клиента кому-то, чья подписка активна под другой записью. Затем есть устаревание. Данные, которые были точными год назад, но не были обновлены, поэтому модель оптимизируется на основе того, кем был клиент, а не тем, кем он является сейчас. Есть также чрезмерное слияние, которое более тонкое: системы идентификации, которые слишком агрессивны в сопоставлении, в результате объединяют двух разных людей в один профиль, и теперь агент ИИ с уверенностью принимает решения от имени человека, который на самом деле не существует. И, наконец, есть простые пробелы. Лояльность в одной системе, история поддержки в другой, поведение при просмотре в третьей, без единой системы, которая держит полную картину. Индивидуально каждая из них выглядит как проблема гигиены данных. В контексте ИИ они усугубляются, потому что модель не знает, чего она не знает. Она просто производит ответ с полной уверенностью.

Когда генеративный ИИ становится новым входом для открытия продукта, что меняется для брендов, когда потребители все больше полагаются на системы ИИ для сравнения вариантов, оценки лояльности и принятия решений о покупке?

Обычно бренды контролировали вход. Вы создали веб-сайт, оптимизировали для поиска, усовершенствовали свой воронку, и клиенты приходили к вам напрямую или через результаты, которые вы могли повлиять. Теперь этот вход – это разговор с инструментом ИИ, который бренд не контролирует и не может полностью увидеть.

Кто-то просит инструмент ИИ сравнить программы лояльности или порекомендовать отель, и задача бренда теперь заключается в том, чтобы быть достаточно понятным и заслуживающим доверия в этот момент, чтобы быть ответом, который дает ИИ. Это настоящий сдвиг в том, за что должен оптимизироваться маркетинг. Это означает, что качество, структура и точность собственных данных и контента бренда имеют большее значение, потому что системы ИИ синтезируют из любого сигнала, который они могут найти.

Исследования Amperity показывают, что только меньшинство потребителей сейчас напрямую обращаются к знакомым брендам без учета рекомендаций ИИ сначала. Что это означает для лояльности бренда, персонализации и традиционного пути клиента?

Мы провели опрос среди 1000 потребителей США ранее в этом году, и одна цифра привлекла мое внимание: менее четверти заявили, что они идут прямо к бренду, который они уже знают, не учитывая рекомендацию ИИ сначала, и 60% сказали, что ИИ уже привел их к бренду, который они ранее не рассматривали. Это подрывает преимущество, которое ранее имели устоявшиеся бренды. Лояльность не исчезла, но воронка над этим решением изменилась. Бренды оцениваются и выделяются системами, которые они не контролируют, на основе любых данных, доступных о них.

Стратегии персонализации, построенные на предположении, что “мы уже знаем этого клиента, поэтому не нужно зарабатывать его внимание”, будут недооцениваться. В то же время путь клиента стал менее линейным. Клиент может прибыть на сайт бренда, уже будучи “проданным” кратким изложением ИИ обзоров и сравнений, что означает, что опыт бренда должен соответствовать ожиданиям, которые он не имел шанса сформировать напрямую.

Идентификация личности существовала как проблема данных в течение многих лет. Что делает ее более срочной сейчас, когда агенты ИИ, сопилоты и интерфейсы генеративного ИИ становятся частью повседневных рабочих процессов предприятия?

Идентификация личности всегда имела значение для таких вещей, как предотвращение дублирования почты или обеспечение того, чтобы член лояльности получил правильный кредит за покупку. Это реальные проблемы, но относительно снисходительные, где человек обычно ловит ошибку. Агенты удаляют эту сеть безопасности.

Когда агент ИИ уполномочен фактически принимать действия, будь то выпуск возмещения, применение скидки, рекомендация следующего лучшего предложения или обновление предпочтения, он делает это на основе разрешения идентификации, которое было дано ему, на скорости машины и часто без человека в цикле. Если идентификация неправильна, агент не просто ошибается один раз. Он может ошибаться систематически и сразу, в масштабе, прежде чем кто-то заметит. Это то, что делает этот момент более срочным, чем раньше.

Как компании должны думать об идентификации клиентов как части своей более широкой стратегии управления ИИ, наряду с конфиденциальностью, безопасностью, мониторингом моделей и соблюдением?

Я бы поставил идентификацию клиентов рядом с этими другими столпами, а не под ними. Большинство разговоров о управлении ИИ сосредоточены на модели: она предвзята, безопасна, соответствует требованиям и контролируется на предмет дрейфа? Это необходимые, но они предполагают, что входные данные, которые модель рассуждает, являются звучными. Если слой идентификации неправильный, вы можете иметь идеально управляемую модель, производящую решения о неправильном человеке, или модель, которая кажется предвзятой, когда реальная проблема заключается в том, что ее данные были фрагментированы способами, которые обидели определенные сегменты клиентов.

Практически это означает, что та же строгость, которую организации применяют к мониторингу моделей, должна применяться к слою идентификации и данных под ним. Кто владеет золотой записью клиента? Как измеряется и контролируется качество совпадения с течением времени? Что происходит, когда совпадение неправильное? Эти должны быть вопросами управления с тем же приоритетом, что и все, что происходит на уровне модели.

Многие организации инвестируют значительные средства в пилотные проекты ИИ, но их данные клиентов остаются разрозненными по маркетингу, коммерции, поддержке, лояльности и офлайн-системам. Какие практические шаги должны предпринять лидеры до того, как масштабировать ИИ в операционные решения?

Закономерность, которую я вижу чаще всего, заключается в том, что организация запускает несколько перспективных пилотных проектов ИИ – чат-бот здесь, эксперимент по персонализации там – каждый подключен к тем данным, которые случайно находятся рядом с этой командой. Это работает достаточно хорошо, чтобы получить финансирование, затем сталкивается со стеной, когда кто-то пытается масштабировать его в фактическое операционное решение, потому что данные пилота никогда не отражали полного клиента.

Первым практическим шагом является честный инвентарь: знать, где живет каждый источник истины клиента (маркетинг, коммерция, поддержка, лояльность, офлайн). Насколько они перекрываются? Где нет? Во-вторых, инвестируйте в разрешение идентификации до того, как инвестировать в больше пилотных проектов. Это то, что позволяет каждой будущей инициативе ИИ повторно использовать одно и то же достоверное основание, а не каждой команде перестраивать частичное. В-третьих, создайте небольшое количество владельцев, пересекающих функции, для объединенных данных клиентов, а не оставляйте владение той команде, которая случайно нуждается в этом для своего текущего пилота. Организации, которые получают эту последовательность назад, в конечном итоге заканчиваются портфелем пилотных проектов ИИ, которые никогда не покидают стадию пилота, потому что ни один из них не может быть доверен реальному решению.

Где вы проводите границу между персонализацией, которая кажется полезной, и персонализацией, которая кажется навязчивой, особенно когда системы ИИ могут сделать больше выводов из объединенных профилей клиентов?

Граница заключается не в том, сколько бренд знает, а в том, кажется ли то, что он делает с этими знаниями, заслуживающим доверия и актуальным в этот момент. Рекомендация, основанная на фактической истории покупок человека, кажется полезной. Рекомендация, которая раскрывает вывод, который клиент никогда не явно поделился, кажется навязчивой, даже если она точна, потому что она раскрывает, сколько делится.

Наш отчет показал, что большая часть потребителей говорит, что они более готовы взаимодействовать с персонализацией, когда доверяют тому, как используются их данные, и большинство говорят, что персонализация, которая кажется навязчивой, делает их менее склонными выбирать бренд вообще. Моя основная рекомендация для команд, строящих на основе выводов ИИ, проста: если вы не хотели бы объяснить, в простых словах, почему система знает, что она знает, не действуйте на этом пока. Персонализация должна казаться признанием, а не слежкой.

Взглянув вперед, что будет отделять предприятия, которые получают реальную ценность от ИИ, от тех, кто остается в режиме экспериментирования: лучшие модели, лучшая инфраструктура данных, более сильное управление, или совершенно новая операционная модель?

Качество модели никогда не будет устойчивым дифференциатором. Оно развивается слишком быстро, и большинство предприятий имеют доступ к примерно одним и тем же моделям. Управление имеет значение, но это ограничение, а не источник ценности сам по себе. Две вещи, которые, по моему мнению, действительно отделяют предприятия, которые получают реальную ценность от ИИ, – это инфраструктура данных и операционная модель, которые связаны.

Компании, которые получают реальную ценность от ИИ, – это те, которые уже инвестировали в наличие единого, достоверного и постоянно обновляемого представления о клиенте, поэтому любая новая возможность ИИ может быть направлена на это основание вместо того, чтобы шить вместе свое. Но это работает только в том случае, если операционная модель также меняется: если инициативы ИИ все еще принадлежат команде за командой, с каждой группой, определяющей свою версию клиента, вы продолжите вводить одни и те же проблемы качества данных. Организации, которые выходят из режима экспериментирования, – это те, которые рассматривают доверенные данные клиентов как общую инфраструктуру и строят свою операционную модель ИИ вокруг этого предположения с самого начала.

Благодарим Дерека за проницательное интервью. Читатели могут узнать больше об Amperity и изучить последние идеи Дерека Слейгера на его странице автора Unite.AI.