เดเรก สเลเกอร์ ผู้ร่วมก่อตั้งและผู้บริหารระดับสูงของ Amperity – ซีรีส์สัมภาษณ์

เดเรก สเลเกอร์ เป็นผู้ร่วมก่อตั้งและผู้บริหารระดับสูงของ Amperity โดยที่เขานำทีมพัฒนาผลิตภัณฑ์และการดำเนินงานของบริษัทด้วยเทคโนโลยี AI เขาเป็นผู้ร่วมก่อตั้ง Amperity เพื่อให้ข้อมูลลูกค้าที่เชื่อถือได้สำหรับนักการตลาดและนักวิเคราะห์ และพัฒนาโครงสร้างพื้นฐานของ Amperity สำหรับการจัดการข้อมูลลูกค้าและโปรไฟล์แบบเรียลไทม์ ก่อนหน้านี้เขาเป็นส่วนหนึ่งของทีมผู้ก่อตั้ง Appature และดำรงตำแหน่งผู้นำด้านวิศวกรรมในระบบกระจายขนาดใหญ่และความปลอดภัย

Amperity เป็นแพลตฟอร์มข้อมูลลูกค้าแบบคลาวด์ที่ใช้ AI เพื่อช่วยให้ธุรกิจขนาดใหญ่รวมข้อมูลลูกค้าที่กระจายอยู่จากแหล่งต่างๆ เข้าด้วยกัน และสร้างโปรไฟล์ลูกค้าแบบเรียลไทม์ที่แม่นยำ แพลตฟอร์มของ Amperity รวมถึงการแก้ปัญหาอัตลักษณ์ลูกค้า, การจัดการข้อมูล, การวิเคราะห์, การสร้างแบบจำลองการคาดการณ์, และเครื่องมือการกระตุ้นการดำเนินการ ซึ่งช่วยให้ทีมการตลาดและทีมข้อมูลสามารถเข้าใจพฤติกรรมลูกค้า, สร้างประสบการณ์ที่เป็นส่วนตัว, วัดผลกระทบต่อรายได้, และประสานการดำเนินการระหว่างช่องทางต่างๆ ก่อตั้งขึ้นในปี 2016 Amperity ให้บริการมากกว่า 400 แบรนด์ทั่วโลก รวมถึง Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts, และ DICK’S Sporting Goods (DKS )

คุณได้ทำงานในด้านการวิเคราะห์ขั้นสูง, ข้อมูลลูกค้า, การจัดการผลิตภัณฑ์, ML/MLOps, และกลยุทธ์ AI ซึ่งช่วยให้คุณสร้างผลิตภัณฑ์หลักๆ ก่อนที่จะมาอยู่ที่ Amperity การเดินทางนี้มีผลต่อวิธีคิดของคุณเกี่ยวกับความสัมพันธ์ระหว่างคุณภาพข้อมูลลูกค้าและประสิทธิภาพ AI อย่างไร

การทำงานในอุตสาหกรรมของฉันจริงๆ แล้วมีศูนย์กลางอยู่ที่ปัญหาหนึ่ง: คุณจะทำให้ AI ตัดสินใจได้อย่างถูกต้องเกี่ยวกับคนเมื่อข้อมูลที่อธิบายคนเหล่านั้นไม่สมบูรณ์, ไม่สอดคล้องกัน, และเปลี่ยนแปลงอยู่เสมอ? ในช่วงแรกๆ ในบทบาทการวิเคราะห์และผลิตภัณฑ์ ฉันเห็นทีมสร้างโมเดลที่ซับซ้อนขึ้นบนข้อมูลลูกค้าที่ไม่น่าเชื่อถือ: บันทึกซ้ำ, ตัวระบุไม่ตรงกัน, คุณลักษณะที่ไม่ใหม่ ไม่ว่าโมเดลจะซับซ้อนแค่ไหน ก็ไม่สามารถแก้ปัญหาได้ มันแค่ซ่อนปัญหาไว้ได้ดีขึ้น

สัญชาตญาณนี้ทำให้เราได้สร้าง Amperity: การแก้ปัญหาอัตลักษณ์ไม่ใช่แค่ชั้นหนึ่งที่อยู่บน AI แต่เป็นพื้นฐานที่ทุกอย่างอื่นอยู่บนมัน เมื่อฉันดู AI ระดับองค์กรในปัจจุบัน ฉันเห็นรูปแบบเดียวกันนี้เกิดขึ้นในขนาดที่ใหญ่กว่า ทีมงานกำลังใช้ทรัพยากรในการเลือกโมเดลและวิศวกรรมคำสั่งซื้อ ในขณะที่มองข้อมูลลูกค้าที่เป็นอาหารให้กับโมเดลเหล่านั้นเป็นเรื่องธรรมดา มันไม่ใช่เรื่องธรรมดา ถ้าคุณทำชั้นอัตลักษณ์ผิด ทุกระบบ AI ลำดับถัดไปจะ继承ข้อผิดพลาดนั้นและขยายมัน

เรามักได้ยินถึงการอภิปรายเกี่ยวกับ AI ระดับองค์กรที่มุ่งเน้นไปที่การเลือกโมเดล แต่คุณแย้งว่าข้อมูลอัตลักษณ์ลูกค้าที่เชื่อถือได้กำลังจะสำคัญไม่แพ้กัน ทำไมการอภิปรายจึงเปลี่ยนจาก “โมเดลไหนดีที่สุด?” ไปเป็น “ข้อมูลไหนที่ AI สามารถเชื่อถือได้?”

ในช่วงแรกๆ ของคลื่น AI ที่สร้างขึ้นใหม่ ความสามารถของโมเดลเป็นปัญหาอุปสรรคที่แท้จริง เนื่องจากเครื่องมือเหล่านั้นยังไม่ดีเท่าที่ควร ตอนนี้สิ่งนั้นได้เปลี่ยนไปแล้ว โมเดลที่นำมาใช้ในปัจจุบันมีความสามารถที่น่าประทับใจ และช่องว่างระหว่างโมเดลเหล่านั้นได้ลดลงสำหรับกรณีการใช้งานทางธุรกิจส่วนใหญ่ สิ่งที่ยังไม่ตามทันคือข้อมูลที่เป็นอาหารให้กับโมเดลเหล่านั้นภายในองค์กร

คุณสามารถวางโมเดลที่ทันสมัยที่สุดไว้หน้าเอเจนต์บริการลูกค้าหรือเครื่องมือส่วนบุคคล แต่ถ้ามันใช้เหตุผลจากโปรไฟล์สามชุดซ้ำสำหรับคนเดียวกัน, อีเมลที่ไม่ใหม่, และประวัติการซื้อที่ไม่สมบูรณ์ ผลลัพธ์จะต้องผิด การอภิปรายเปลี่ยนไปเพราะผู้นำรู้สึกถึงช่องว่างนั้นโดยตรง พวกเขาได้ใช้โมเดลที่ดีแล้ว แต่ยังไม่เห็นผลตอบแทนที่คาดหวัง การได้เปรียบจริงๆ ในครั้งหน้าจะไม่มาจากโมเดลที่ดีกว่า แต่จะมาจากการที่องค์กรสามารถให้ระบบ AI ของตนได้รับข้อมูลที่เชื่อถือได้ในการตัดสินใจ

วิธีการที่ไม่ถูกต้องหรือกระจายของข้อมูลอัตลักษณ์ลูกค้าสามารถทำลายผลลัพธ์ของ AI ได้อย่างไร แม้แต่เมื่อโมเดลพื้นฐานมีความแข็งแกร่ง

รูปแบบบางอย่างปรากฏขึ้นเสมอ รูปแบบพื้นฐานที่สุดคือการซ้ำกัน ลูกค้าคนเดียวกันปรากฏเป็นบันทึก 5-6 ชุดต่างๆ ทั่วช่องทาง แต่ละชุดมีมุมมองที่ไม่สมบูรณ์เกี่ยวกับบุคคลนั้น ดังนั้นระบบ AI อาจส่งข้อเสนอการกลับมาคืนให้กับลูกค้าที่มีการสมัครสมาชิกที่ใช้งานอยู่ภายใต้บันทึกอื่น จากนั้นก็มีข้อมูลที่ไม่ใหม่ ข้อมูลที่ถูกต้องเมื่อหนึ่งปีที่แล้ว แต่ไม่ได้รับการอัปเดต ดังนั้นโมเดลจึงปรับให้เหมาะสมตามสิ่งที่ลูกค้าเคยเป็น ไม่ใช่สิ่งที่ลูกค้าเป็นในปัจจุบัน มีการรวมข้อมูลที่มากเกินไป ซึ่งเป็นเรื่องที่ละเอียดอ่อนกว่า: ระบบอัตลักษณ์ที่มีการจับคู่มากเกินไปอาจรวมบุคคลสองคนเข้าด้วยกันเป็นโปรไฟล์เดียว และตอนนี้ตัวแทน AI กำลังตัดสินใจด้วยความมั่นใจเกี่ยวกับบุคคลที่ไม่มีอยู่จริง สุดท้ายก็มีช่องว่างที่ชัดเจน กิจกรรมความภักดีในระบบหนึ่ง, ประวัติการสนับสนุนในอีกระบบหนึ่ง, พฤติกรรมในการท่องเว็บในระบบที่สาม โดยไม่มีระบบใดที่มีภาพรวมที่สมบูรณ์แต่ละอย่างดูเหมือนปัญหาความสะอาดของข้อมูล แต่ในบริบท AI มันสะสมเพราะโมเดลไม่รู้ว่าไม่รู้อะไร มันแค่สร้างคำตอบด้วยความมั่นใจเต็มที่

เมื่อ AI ที่สร้างขึ้นใหม่กลายเป็นประตูหน้าสำหรับการค้นพบผลิตภัณฑ์ สิ่งที่เปลี่ยนแปลงสำหรับแบรนด์คืออะไร เมื่อผู้บริโภคพึ่งพา AI มากขึ้นในการเปรียบเทียบตัวเลือก, ประเมินความภักดี, และการตัดสินใจซื้อ

โดยปกติ แบรนด์ควบคุมประตูหน้า พวกเขาสร้างเว็บไซต์, ปรับให้เหมาะสมสำหรับการค้นหา, ปรับปรุงการไหลของลูกค้า และลูกค้ามาถึงโดยตรงหรือผ่านผลลัพธ์ที่สามารถมีอิทธิพลได้ ตอนนี้ ประตูหน้านั้นคือการคุยกับตัวช่วย AI ที่แบรนด์ไม่สามารถควบคุมหรือมองเห็นภายในได้อย่างเต็มที่

ใครบางคนถามเครื่องมือ AI เพื่อเปรียบเทียบโปรแกรมความภักดีหรือแนะนำโรงแรม และงานของแบรนด์คือการเป็นที่รู้จักและเชื่อถือได้เพียงพอในขณะนั้นเพื่อให้ AI ให้คำตอบนั้น นั่นคือการเปลี่ยนแปลงที่แท้จริงในเรื่องที่การตลาดต้องปรับให้เหมาะสม มันหมายความว่าคุณภาพ, โครงสร้าง, และความถูกต้องของข้อมูลและเนื้อหาของแบรนด์เองมีความสำคัญมากขึ้น เนื่องจากระบบ AI กำลังสร้างสัญญาณจากทุกสิ่งที่สามารถหาได้

การวิจัยของ Amperity ชี้ว่าผู้บริโภคเพียงไม่กี่คนไปที่แบรนด์ที่คุ้นเคยโดยไม่พิจารณาแนะนำ AI ก่อน สิ่งนี้หมายถึงอะไรสำหรับความภักดีของแบรนด์, การปรับให้เหมาะสม, และการเดินทางของลูกค้าแบบดั้งเดิม

เราได้สำรวจผู้บริโภค 1,000 คนในสหรัฐฯ ในช่วงต้นปีนี้ และตัวเลขหนึ่งที่น่าสนใจคือ น้อยกว่าหนึ่งในสี่ที่บอกว่าไปที่แบรนด์ที่พวกเขารู้จักโดยไม่พิจารณาแนะนำ AI ก่อน และ 60% บอกว่า AI ได้นำพวกเขาไปสู่แบรนด์ที่พวกเขาไม่เคยพิจารณามาก่อน สิ่งนี้ทำให้ความได้เปรียบโดยอัตโนมัติที่แบรนด์ที่มีชื่อเสียงมีในอดีตจางลง ความภักดีไม่ได้หายไป แต่การไหลของลูกค้าก่อนการตัดสินใจเปลี่ยนไป แบรนด์ถูกประเมินและจัดสรรโดยระบบที่พวกเขาไม่สามารถควบคุมได้ โดยอาศัยข้อมูลที่มีอยู่เกี่ยวกับพวกเขา

การแก้ปัญหาอัตลักษณ์เป็นปัญหาข้อมูลมานานแล้ว สิ่งที่ทำให้มันเร่งด่วนมากขึ้นเมื่อเอเจนต์ AI, นักบิน, และอินเทอร์เฟซ AI ที่สร้างขึ้นใหม่กลายเป็นส่วนหนึ่งของการทำงานขององค์กร

การแก้ปัญหาอัตลักษณ์เป็นเรื่องสำคัญเสมอสำหรับสิ่งต่างๆ เช่น การป้องกันการซ้ำกันหรือการให้เครดิตที่เหมาะสมแก่สมาชิกความภักดี แต่ปัญหาเหล่านั้นยอมให้มีการจับข้อผิดพลาดของมนุษย์ เมื่อเอเจนต์ AI มีอำนาจในการดำเนินการจริง ไม่ว่าจะเป็นการออกเงินคืน, การใช้ส่วนลด, การแนะนำข้อเสนอที่ดีที่สุด, หรือการอัปเดตความชอบส่วนบุคคล มันจะทำเช่นนั้นโดยอาศัยการแก้ปัญหาอัตลักษณ์ที่ได้รับ โดยไม่มีมนุษย์ในวงจรการทำงาน หากคุณทำอัตลักษณ์ผิด เอเจนต์ไม่เพียงแต่ทำงานผิดเพียงครั้งเดียว แต่อาจทำงานผิดอย่างเป็นระบบและทันที ในขนาดใหญ่ ก่อนที่ใครจะสังเกตเห็น นั่นคือสิ่งที่ทำให้โอกาสนี้เร่งด่วนมากกว่าเดิม

บริษัทควรคิดเกี่ยวกับการระบุตัวตนลูกค้าเป็นส่วนหนึ่งของกลยุทธ์การกำกับดูแล AI อย่างไร ร่วมกับการรักษาความเป็นส่วนตัว, ความปลอดภัย, การติดตามโมเดล, และการปฏิบัติตามกฎระเบียบ

ฉันจะวางการระบุตัวตนลูกค้าข้างๆ กับเสาหลักอื่นๆ ไม่ใช่ด้านล่างพวกมัน การอภิปรายเกี่ยวกับการกำกับดูแล AI ส่วนใหญ่มุ่งเน้นไปที่โมเดล: มันลำเอียง, มั่นคง, ปฏิบัติตามกฎ, และถูกติดตามเพื่อตรวจจับการเปลี่ยนแปลง แต่สิ่งเหล่านี้จำเป็นต้องมีข้อมูลที่ใช้ในการให้เหตุผลเป็นฐานที่ถูกต้อง หากชั้นอัตลักษณ์ผิด คุณสามารถมีโมเดลที่มีการกำกับดูแลอย่างดี แต่ผลลัพธ์จะเกี่ยวกับบุคคลที่ไม่ถูกต้อง หรือโมเดลที่ดูเหมือนลำเอียงเมื่อข้อมูลที่ใช้จริงๆ มีข้อบกพร่องในลักษณะที่เป็นประโยชน์ต่อลูกค้าบางกลุ่ม

หลายองค์กรกำลังลงทุนอย่างมากในโครงการนำร่อง AI แต่ข้อมูลลูกค้าของพวกเขายังคงกระจายอยู่ในระบบการตลาด, การค้า, การสนับสนุน, ความภักดี, และระบบออฟไลน์ ขั้นตอนปฏิบัติใดที่ผู้นำควรทำก่อนที่จะขยาย AI ไปสู่การตัดสินใจทางปฏิบัติ

รูปแบบที่ฉันเห็นบ่อยที่สุดคือองค์กรที่กำลังดำเนินโครงการนำร่อง AI ที่มีแนวโน้มหลายโครงการ — โชว์เชตในหนึ่งจุด, การทดลองส่วนบุคคลในอีกจุด — แต่ละโครงการเชื่อมต่อกับข้อมูลที่ใกล้ที่สุดสำหรับทีมนั้น มันทำงานได้ดีพอที่จะถูกสนับสนุน แต่แล้วก็หยุดชะงักเมื่อมีใครพยายามขยายมันไปสู่การตัดสินใจทางปฏิบัติจริงๆ เพราะข้อมูลของโครงการนำร่องไม่เคยสะท้อนถึงลูกค้าเต็มรูปแบบ

ขั้นตอนแรกที่เป็นรูปธรรมคือการทำการสำรวจอย่างซื่อสัตย์: รู้ว่าแหล่งที่มาของความจริงของลูกค้าอยู่ที่ไหน (การตลาด, การค้า, การสนับสนุน, ความภักดี, ออฟไลน์) มัน перек ryกันอย่างไร? ที่ไหนที่มันไม่ перек ryกัน? จากนั้นลงทุนในการแก้ปัญหาอัตลักษณ์ก่อนที่จะลงทุนในโครงการนำร่องเพิ่มเติม มันเป็นสิ่งที่ทำให้ทุกโครงการ AI ในอนาคตสามารถใช้พื้นฐานที่เชื่อถือได้เหมือนกัน แทนที่จะให้ทีมงานสร้างพื้นฐานที่ไม่สมบูรณ์สำหรับตัวเอง องค์กรที่ทำลำดับนี้ผิดพลาดจะจบลงด้วยพอร์ตโฟลิโอของโครงการนำร่อง AI ที่ไม่เคยออกจากขั้นตอนนำร่อง เพราะ ไม่มีอะไรที่สามารถเชื่อถือได้ในการตัดสินใจจริงๆ

คุณวาดเส้นแบ่งระหว่างการปรับให้เหมาะสมที่รู้สึกมีประโยชน์ และการปรับให้เหมาะสมที่รู้สึกก้าวร้าวอย่างไร โดยเฉพาะอย่างยิ่งเมื่อระบบ AI สามารถอนุมานได้มากขึ้นจากโปรไฟล์ลูกค้าที่รวมกัน

เส้นแบ่งนั้นไม่ได้อยู่ที่ว่าแบรนด์รู้อะไรบ้าง แต่อยู่ที่ว่าสิ่งที่พวกเขาทำกับความรู้นั้นรู้สึกได้รับการยอมรับและเกี่ยวข้องในขณะนั้นหรือไม่ การแนะนำที่อาศัยประวัติการซื้อจริงๆ ของลูกค้ารู้สึกมีประโยชน์ การแนะนำที่เปิดเผยการอนุมานที่ลูกค้าไม่เคยแบ่งปันอย่างชัดเจนรู้สึกก้าวร้าวแม้ว่าจะถูกต้องเพราะมันแสดงให้เห็นว่ามีการแบ่งปันอะไรบ้าง

เมื่อมองไปข้างหน้า สิ่งใดจะแยกองค์กรที่ได้รับคุณค่าจริงจาก AI ออกจากองค์กรที่ยังคงอยู่ในโหมดทดลอง: โมเดลที่ดีกว่า, โครงสร้างพื้นฐานข้อมูลที่ดีกว่า, การกำกับดูแลที่เข้มงวด, หรือรูปแบบการดำเนินงานใหม่

คุณภาพของโมเดลไม่เคยเป็นตัวกำหนดที่ยั่งยืน โมเดลเปลี่ยนแปลงอย่างรวดเร็ว และองค์กรส่วนใหญ่มีการเข้าถึงโมเดลที่เหมือนกัน การกำกับดูแลมีความสำคัญ แต่เป็นข้อจำกัด ไม่ใช่แหล่งที่มาของคุณค่าในตัวเอง สองสิ่งที่ฉันคิดว่าแยกองค์กรที่ก้าวหน้าออกจากองค์กรอื่นคือโครงสร้างพื้นฐานข้อมูลและรูปแบบการดำเนินงาน ซึ่งเชื่อมโยงกัน

บริษัทที่ได้รับคุณค่าจริงจาก AI คือบริษัทที่ลงทุนในการมีมุมมองที่เชื่อถือได้และอัปเดตอย่างต่อเนื่องเกี่ยวกับลูกค้า โดยที่ทุกความสามารถ AI ใหม่สามารถใช้พื้นฐานนี้ได้ แต่นั่นจะทำงานได้เฉพาะหากโมเดลการดำเนินงานเปลี่ยนไปด้วย: หากโครงการ AI ยังคงเป็นของทีมต่อทีม โดยที่แต่ละทีมกำหนดเวอร์ชันของลูกค้าเอง คุณจะยังคงนำปัญหาเดิมๆ มาใช้ องค์กรที่ออกจากโหมดทดลองคือ รูปแบบการดำเนินงานของ Amperity ที่มีต่อการแก้ปัญหาอัตลักษณ์ลูกค้าและโครงสร้างพื้นฐานข้อมูลที่เชื่อถือได้

ขอขอบคุณเดเรกสำหรับการสัมภาษณ์ที่ให้ข้อมูลเชิงลึก ผู้อ่านสามารถเรียนรู้เพิ่มเติมเกี่ยวกับ Amperity และสำรวจข้อมูลเชิงลึกล่าสุดของ Derek Slager บน หน้าผู้เขียน Unite.AI ของเขา