Derek Slager, medgrundare och med-VD för Amperity – Intervjuserie

Derek Slager är medgrundare och med-VD för Amperity, där han leder företagets AI-första transformation över både produkt och hur företaget opererar. Han grundade Amperity för att ge marknadsförare och analytiker kunddata som de kunde lita på, och byggde den patenterade identitetslösningen och realtidsprofilarkitekturen bakom Amperitys tillförlitliga kundkontext. Tidigare var han med i grundarteamet på Appature och hade ledande roller inom storskaliga distribuerade system och säkerhet.

Amperity är en AI-driven kunddatabas som är utformad för att hjälpa företag att förena fragmenterad kundinformation från online- och offlinekällor till precisa, realtidskundprofiler. Plattformen kombinerar maskinlärningsbaserad identitetslösning, datamanagement, analyser, prediktiv modellering och aktiveringsverktyg, vilket möjliggör för marknads- och datateam att bättre förstå kundbeteende, anpassa upplevelser, mäta intäktspåverkan och samordna åtgärder över kanaler. Grundat 2016, servar Amperity över 400 varumärken världen över, inklusive Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts och DICK’S Sporting Goods (DKS ).

Du har arbetat med avancerad analys, kundinsikter, produktledning, ML/MLOps och AI-strategi, och hjälpt till att bygga grundläggande produkter innan Amperity. Hur har den resan format ditt sätt att tänka om relationen mellan kunddatorkvalitet och AI-prestanda?

Mitt arbete i branschen har verkligen handlat om ett problem: hur får man AI att resonera korrekt om människor när data som beskriver dessa människor alltid är ofullständig, inkonsekvent och föränderlig? Tidigt, i analytiska och produktrelaterade roller, såg jag team bygga alltmer sofistikerade modeller på toppen av kunddata som var fundamentalt opålitlig: dubblettposter, felmatchade identifierare, föråldrade attribut. Ingen mängd modellkomplexitet fixade det; det dolde bara problemet mer effektivt.

Den instinkten är vad som ledde oss att bygga Amperity: identitetslösning är inte en “nice-to-have”-funktion ovanpå AI, det är grunden som allt annat vilar på. När jag tittar på företags-AI idag ser jag samma mönster spela ut sig i en mycket större skala. Team investerar resurser i modellurval och promptteknik medan de behandlar kunddata som matar modellerna som en given. Det är det inte. Får man identitetsskiktet fel, och varje nedströms AI-system ärver det felet och förstärker det.

Vi hör ofta diskussioner om företags-AI som handlar om modellurval, men du hävdar att tillförlitlig kundidentitetsdata blir lika viktig. Varför skiftar samtalet från “Vilken modell är bäst?” till “Vilken data kan AI verkligen lita på?”

För de första åren av den generativa AI-vågen var modellförmåga den verkliga flaskhalsen, eftersom verktygen enkelt inte var tillräckligt bra ännu. Nu har det förändrats. De ledande modellerna idag är anmärkningsvärt kapabla, och gapet mellan dem har minskat för de flesta affärsanvändningsfall. Vad som inte har hunnit ikapp är data som matar modellerna inom företaget.

Man kan sätta den mest avancerade modellen framför en kundtjänstagent eller en personaliseringsmotor, men om den resoneras över tre dubblettprofiler för samma person, en föråldrad e-postadress och en köphistorik som saknar hälften av de kanaler som personen handlar i, blir utdata felaktig. Samtalet skiftar eftersom ledare känner av det gapet direkt. De har antagit en bra modell och ser ändå inte den avkastning de förväntade sig. Nästa verkliga fördel kommer inte från en bättre modell. Det kommer att handla om om en organisation kan ge sina AI-system något pålitligt att resonera över från början.

Vilka är de vanligaste sätten som felaktig eller fragmenterad kundidentitetsdata kan undergräva AI-resultat, även när den underliggande modellen är tekniskt stark?

En del mönster dyker upp konstant. Det mest grundläggande är dubblett. Samma kund existerar som fem eller sex olika poster över kanaler, var och en med en partiell vy av den personen, så ett AI-system kan skicka ett återvinningserbjudande till någon vars prenumeration är aktiv under en annan post. Sedan finns det föråldring. Data som var korrekt för ett år sedan men inte har uppdaterats, så en modell optimerar baserat på vem en kund använde för att vara snarare än vem de är nu. Det finns också över-sammanfogning, som är mer subtil: identitetssystem som är för aggressiva med att matcha slutar kombinera två olika personer till en profil, och nu är ett AI-agenter mycket säkert på att fatta beslut för någon som inte faktiskt existerar. Och slutligen finns det rena luckor. Lojalitetsaktivitet i ett system, support-historik i ett annat, surfingsbeteende i ett tredje, med ingen enskild vy som håller den fulla bilden. Individuellt ser var och en av dessa ut som ett datahygienproblem. I ett AI-sammanhang förstärker de eftersom modellen inte vet vad den inte vet. Den producerar bara ett svar med totalt förtroende.

När generativ AI blir en ny frontdörr för produktupptäckt, vad förändras för varumärken när konsumenter alltmer förlitar sig på AI-system för att jämföra alternativ, utvärdera lojalitet och fatta köpbeslut?

Vanligtvis kontrollerade varumärkena frontdörren. Du byggde en webbplats, optimerade för sökning, finslipade din tratt och kunderna kom direkt till dig eller genom resultat som du kunde påverka. Nu är den frontdörren en konversation med ett AI-assistent som varumärket inte kontrollerar och inte fullständigt kan se in i.

Någon ber ett AI-verktyg att jämföra lojalitetsprogram eller rekommendera ett hotell, och varumärkets jobb nu är att vara tillräckligt läsbar och trovärdig i den stunden för att vara svaret som AI ger. Det är en genuin förändring i vad marknadsföring måste optimera för. Det betyder att kvaliteten, strukturen och noggrannheten i varumärkets egna data och innehåll betyder mer, eftersom AI-system syntetiserar från vilken signal de kan hitta.

Amperitys forskning tyder på att endast en minoritet av konsumenterna nu går direkt till bekanta varumärken utan att först överväga AI-rekommendationer. Vad betyder detta för varumärkeslojalitet, personalisering och den traditionella kundresan?

Vi undersökte 1 000 amerikanska konsumenter tidigare i år, och ett nummer som stack ut för mig var: färre än en kvart sa att de gick raka vägen till ett varumärke de redan kände utan att först ta hänsyn till en AI-rekommendation, och 60 % sa att AI redan hade lett dem till ett varumärke de inte tidigare hade övervägt. Det urholkar den fördel som etablerade varumärken tidigare hade. Lojalitet har inte försvunnit, men tratten ovanför det beslutet har förändrats. Varumärken utvärderas och förkortas av system som de inte kontrollerar, baserat på vilken data som finns tillgänglig om dem.

Personaliseringsstrategier byggda på antagandet att “vi känner redan till denna kund, så vi behöver inte vinna deras uppmärksamhet” kommer att underprestera. Samtidigt har kundresan blivit mindre linjär. En kund kan anlända till varumärkets webbplats redan efter att ha “sålts” av en AI:s sammanfattning av recensioner och jämförelser, vilket betyder att varumärkets egen upplevelse måste stå emot förväntningar som de inte fick chansen att forma direkt.

Identitetslösning har funnits som ett dataproblem i år. Vad gör det mer brådskande nu att AI-agenter, co-piloter och generativa AI-gränssnitt blir en del av dagliga företagsflöden?

Identitetslösning har alltid varit viktigt för saker som att förhindra dubblettutskick eller se till att en lojalitetsmedlem får rätt kredit för ett köp. Det är verkliga problem, men relativt förlåtande där en människa vanligtvis fångar misstaget. Agenter tar bort det skyddsnätet.

När ett AI-agenter har befogenhet att faktiskt vidta åtgärder, antingen det är att utfärda en återbetalning, tillämpa en rabatt, rekommendera ett nästa bästa erbjudande eller uppdatera en preferens. Det gör det ovanpå vilken identitetslösning det har fått, i maskinens hastighet och ofta utan en människa i loopen. Får man identiteten fel, och agenten misslyckas inte bara en gång. Det kan misslyckas systematiskt och omedelbart, i skala, innan någon märker det. Det är vad som gör den här stunden mer brådskande än tidigare.

Hur bör företag tänka på kundidentitet som en del av sin bredare AI-styrningsstrategi, bredvid sekretess, säkerhet, modellövervakning och regelefterlevnad?

Jag skulle sätta kundidentitet bredvid de andra pelarna, inte under dem. De flesta AI-styrningsdiskussioner fokuserar på modellen: är den fördomsfull, säker, regelefterlevande och övervakad för drift? Dessa är nödvändiga, men de antar att indata som modellen resoneras över är sund. Om identitetsskiktet är fel, kan man ha en perfekt styrd modell som producerar beslut om fel person, eller en modell som verkar fördomsfull när det faktiska problemet är att dess data var fragmenterad på sätt som missgynnade vissa kundsegment.

Praktiskt betyder detta att samma rigor som organisationer tillämpar på modellövervakning behöver tillämpas på identitets- och dataskiktet under det. Vem äger kundens gyllene post? Hur mäts och övervakas matchkvalitet över tid? Vad händer när en matchning är fel? Dessa bör vara styrningsfrågor med samma prioritet som allt som händer på modellskiktet.

Många organisationer investerar kraftigt i AI-piloter, men deras kunddata förblir siloade över marknadsföring, handel, support, lojalitet och offline-system. Vilka praktiska steg bör ledare ta innan de skalar AI till operativa beslutsfattanden?

Mönstret jag ser oftast är att en organisation kör flera lovande AI-piloter — en chatbot här, en personaliseringsförsök där — var och en ansluten till den data som råkar finnas närmast för det teamet. Det fungerar tillräckligt bra för att få finansiering, sedan träffar det en vägg när någon försöker skala det till ett verkligt operativt beslut, eftersom pilotens data aldrig reflekterade den fulla kunden.

Det första praktiska steget är en ärlig inventering: veta var varje källa till kundens sanning bor (marknadsföring, handel, support, lojalitet, offline). Hur mycket överlappar de? Var inte? För det andra, investera i identitetslösning innan du investerar i fler piloter. Det är vad som låter varje framtida AI-initiativ återanvända samma pålitliga grund, snarare än att varje team bygger en partiell. För det tredje, bygg ett litet antal tvärfunktionella ägare för den förenade kunddatan, snarare än att lämna ägandet till vilket team som råkar behöva det för sin nuvarande pilot. Organisationer som får den sekvensen bakåt slutar med en portfölj av AI-piloter som aldrig lämnar pilotstadiet, eftersom ingen av dem kan lita på ett verkligt beslut.

Var drar du gränsen mellan personalisering som känns användbar och personalisering som känns invasiv, särskilt när AI-system kan dra mer från förenade kundprofiler?

Gränsen är mindre om hur mycket ett varumärke vet och mer om huruvida vad de gör med den kunskapen känns förtjänt och relevant i stunden. En rekommendation baserad på någons faktiska köphistorik känns hjälpsam. En rekommendation som avslöjar en inferens som kunden aldrig uttryckligen delade känns invasiv, även när den är korrekt, eftersom den avslöjar hur mycket som delas.

Vår rapport fann att en stor majoritet av konsumenterna säger att de är mer villiga att engagera sig i personalisering när de litar på hur deras data används, och en majoritet säger att personalisering som känns invasiv gör dem mindre benägna att välja ett varumärke över huvud taget. Min tumregel för team som bygger på AI-driven inferens är enkel: om du inte vill förklara, på vanligt språk, varför systemet vet vad det vet, agera inte på det än. Personalisering ska kännas som att bli erkänd, inte övervakad.

Om man ser framåt, vad kommer att skilja företag som får verkligt värde från AI från de som förblir fast i experimentmodus: bättre modeller, bättre datainfrastruktur, starkare styrning eller en ny driftsmodell?

Modellkvalitet var aldrig tänkt att vara den varaktiga differentiatorn. Den utvecklas för snabbt, och de flesta företag har tillgång till ungefär samma modeller. Styrning är viktigt, men det är en begränsning, inte en källa till värde i sig. De två saker jag faktiskt tror skiljer företag som kommer fram från de som är kvar i experimentmodus är datainfrastruktur och driftsmodell, som är kopplade.

Företagen som får verkligt värde från AI är de som redan har investerat i att ha en enda, pålitlig, kontinuerligt uppdaterad vy av kunden, så att varje ny AI-funktion kan pekas mot den grunden istället för att sy ihop sin egen. Men det fungerar bara om driftsmodellen förändras också: om AI-initiativ fortfarande ägs team för team, med varje grupp som definierar sin egen version av kunden, kommer du att fortsätta introducera samma datakvalitetsproblem. Företagen som bryter ut ur experimentmodus är de som behandlar tillförlitlig kunddata som en gemensam infrastruktur och bygger sin AI-driftsmodell runt den antagandet från början.

Tack till Derek för den insiktsfulla intervjun. Läsare kan lära sig mer om Amperity och utforska Dereks senaste insikter på hans Unite.AI-författarsida.