Amperity’nin Kurucu Ortağı ve CEO’su Derek Slager – Röportaj Serisi

Derek Slager Amperity’nin kurucu ortak ve CEO’sudur ve şirketin AI-öncelikli dönüşümünü hem ürün hem de şirketin operasyonları açısından yönetmektedir. Müşterilere güvenilebilir müşteri verileri sunmak için Amperity’yi kurmuş ve Amperity’nin güvenilir müşteri bağlamının arkasındaki patenti alınan kimlik çözümü ve gerçek zamanlı profil mimarisini geliştirmiştir. Daha önce Appature’un kurucu ekibinde yer almış ve büyük ölçekli dağıtılmış sistemler ve güvenlik alanında mühendislik liderliği rollerini üstlenmiştir.

Amperity işletmelere, çevrimiçi ve çevrimdışı kaynaklardan parçalanmış müşteri bilgilerini doğru ve gerçek zamanlı müşteri profillerine birleştirmelerine yardımcı olmak için tasarlanmış bir AI destekli müşteri veri bulutudur. Platformu, makine öğrenimi tabanlı kimlik çözümü, veri yönetimi, analiz, öngörülü modelleme ve etkinleştirme araçlarını birleştirir, böylece pazarlama ve veri ekiplerinin müşteri davranışını daha iyi anlamalarına, deneyimleri kişiselleştirmelerine, gelir etkilerini ölçmelerine ve kanallar arası eylemleri koordine etmelerine olanak sağlar. 2016 yılında kurulan Amperity, Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts ve DICK’S Sporting Goods (DKS ) dahil olmak üzere dünya çapında 400’den fazla markaya hizmet vermektedir.

İleri düzey analitik, müşteri içgörüler, ürün yönetimi, ML/MLOps ve AI stratejisi alanlarında çalıştınız ve Amperity’den önce temel ürünleri inşa etmeye yardımcı oldunuz. Bu yol, müşteri veri kalitesi ile AI performansı arasındaki ilişki hakkında düşünme şeklinizi nasıl etkiledi?

Endüstrideki çalışmalarım aslında bir problem etrafında odaklandı: AI’nın, insanların tanımlanmasında eksik, tutarsız ve değişken olan verilerle doğru şekilde neden olmasını nasıl sağlayabilirsiniz? Analitik ve ürün rollerinde, ekiplerin, temelde güvensiz müşteri verilerine dayalı giderek daha karmaşık modeller oluştururken izledim: yinelenen kayıtlar, eşleşmeyen tanımlayıcılar, eskimiş öznitelikler. Modelleme sofistikasyonu bu sorunu çözmedi; sadece daha etkili bir şekilde gizledi.

Bu içgüdü, bizi Amperity’yi inşa etmeye yöneltti: kimlik çözümü, AI’nin üzerine kurulacak bir temel değil, AI’nin üzerine kurulacak bir katmandır. Şirketlerin AI’yi nasıl kullandığını düşününce, aynı modeli daha büyük ölçekte görmekteyim. Ekipler, model seçimi ve.prompt mühendisliğine kaynak ayırmaktadır, ancak AI sistemlerine beslenen müşteri verilerini veri olarak kabul etmektedir. Bu değildir. Kimlik katmanını yanlış yaparsanız, her AI sistemi bu hatayı miras alır ve büyütür.

Şirketler genellikle AI tartışmalarını model seçimi etrafında yürütürken, siz ise güvenilir müşteri kimlik verilerinin aynı derecede önemli hale geldiğini savunuyorsunuz. Konuşma “Hangi model en iyisi?”den “AI hangi verilere güvenebilir?”e neden kayıyor?

Yaratıcı AI dalgasının ilk birkaç yılında, model yetenekleri gerçekten bir engel olarak görülüyordu, çünkü araçlar henüz yeterli değildi. Şimdi bu değişti. Günümüzün önde gelen modelleri gerçekten yeteneklidir ve çoğu iş durumu için aralarındaki fark daralmıştır. Ancak bu yeteneklere ulaşan veri, işletme içinde aynı hızda ilerlememiştir.

En gelişmiş modeli, bir müşteri hizmetleri temsilcisine veya kişiselleştirme motoruna koyabilirsiniz, ancak bu, aynı kişinin üç yinelenen profiline, güncel olmayan bir e-posta adresine ve bu kişinin alışveriş yaptığı kanalların yarısını içermeyen bir satın alma geçmişine dayalı olarak çalışıyorsa, çıktı yanlış olacaktır. Liderler, bu açığı doğrudan hissetmektedirler. Bir modèle benimsemişler, ancak bekledikleri getiriyi görememişlerdir. Bir sonraki gerçek avantaj, daha iyi bir modelden gelmeyecek. Müşteri verilerine güvenebilen AI sistemlerine sahip olmakla ilgili olacak.

Doğru veya parçalanmış müşteri kimlik verilerinin AI sonuçlarını nasıl bozabileceği hakkında en yaygın örnekler nelerdir, özellikle AI sistemleri birleştirilmiş müşteri profillerinden daha fazla şey çıkarabilirlerse?

Birkaç model sürekli olarak ortaya çıkmaktadır. En temel olanı, yinelenmedir. Aynı müşteri, farklı kanallarda altı farklı kayıt olarak varolabilir, her biri bu kişinin kısmi bir görünümüne sahip olabilir, bu nedenle AI sistemi, bir kayıtta aktif olan aboneliği olan birine kazanma teklifi gönderebilir. Sonra, eskime vardır. Bir yıl önce doğru olan veriler, ancak güncellenmeyen veriler, bu nedenle model, müşteri kim olduğu hakkında değil, kim olduğu hakkında optimize edilmektedir. Ayrıca, aşırı birleştirme vardır; bu, daha inceliklidir: kimlik sistemleri, iki farklı kişiyi bir profile birleştirmek için çok agresiftir ve şimdi AI ajanı, aslında var olmayan birine behalfinde kararlar almaktadır. Ve son olarak, boşluklar vardır. Bir sistemde sadakat faaliyeti, başka bir sistemde destek geçmişi, bir üçüncü sistemde tarama davranışı, hiçbir sistemin tam resmi yoktur. Bireysel olarak, her biri bir veri hijyeni sorunu gibi görünmektedir. AI bağlamında, bunlar birikebilir, çünkü model ne bilmediğini bilmez.

Üretici AI, ürün keşfi için yeni bir ön kapı haline geldikçe, markalar için neler değişir? Tüketiciler AI sistemlerine, seçenekleri karşılaştırmak, sadakati değerlendirmek ve satın alma kararları almak için giderek daha fazla güvenirlerse?

Genellikle, markalar ön kapıyı kontrol ediyordu. Bir web sitesi oluşturdunuz, arama için optimize ettiniz, kanalınızı iyileştirdiniz ve müşteriler doğrudan veya etkileyebileceğiniz sonuçlar aracılığıyla size geldiler. Şimdi, bu ön kapı, markanın kontrol edemediği ve tam olarak göremediği bir AI asistanı ile yapılan bir sohbet haline geldi.

Birisi, bir AI aracına sadakat programlarını karşılaştırmak veya bir otel önermek için sorar ve markanın işi, o anda AI’nın verdiği cevap olmak için yeterli derecede okunabilir ve güvenilir olmaktır. Bu, pazarlamanın optimize etmesi gereken şeyde gerçek bir değişimdir. Bu, markanın kendi verilerinin ve içeriğinin kalitesi, yapısı ve doğruluğunun daha önemli hale geldiği anlamına gelir, çünkü AI sistemleri, bulabildikleri her sinyali sentezlemektedir.

Amperity’nin araştırması, tüketicilerin artık AI önerilerini dikkate almadan doğrudan tanıdık markalara gitmediğini gösteriyor. Bu, marka sadakati, kişiselleştirme ve geleneksel müşteri yolculuğu için ne anlama geliyor?

Bu yılın başlarında 1.000 ABD’li tüketiciyi araştırdık ve bana göre dikkat çekici bir rakam, doğrudan tanıdık bir markaya gitmeden önce AI önerilerini dikkate almayan tüketicilerin sadece dörtte birinden az olması ve %60’ın AI’nin zaten daha önce düşünmedikleri bir markaya yönlendirdiğini söylemesidir. Bu, kurulmuş markaların önceden sahip olduğu varsayılan avantajı aşındırır. Sadakat ortadan kalkmadı, ancak kararın üzerindeki ocağın değişti. Markalar, kontrol edemedikleri sistemler tarafından değerlendirilmekte ve shortlist edilmektedir ve bu sistemler, onlara ilişkin mevcut olan her türlü veriyi kullanmaktadır.

Kimlik çözümü, yıllardır bir veri problemi olarak var olmuştur. AI ajanları, kaptanları ve üretken AI arayüzlerinin günlük işletme iş akışlarının bir parçası haline gelmesiyle bu neden daha acil hale geldi?

Kimlik çözümü her zaman önemliydi, Örneğin, yinelenen postaları önlemek veya bir sadakat üyesinin satın alma için uygun krediyi almasını sağlamak için. Bunlar gerçek problemlerdir, ancak insan genellikle hatayı yakalar. Ajanlar, bu güvenlik ağını ortadan kaldırır.

Bir AI ajanı, bir iade çıkarmak, bir indirim uygulamak, bir sonraki en iyi teklifi önermek veya bir tercihi güncellemek gibi eylemler gerçekleştirmek için yetkilendirilir ve bunu, kendisine verilen kimlik çözümüne dayanarak yapar. Hızla ve genellikle insan müdahalesi olmadan yapar. Kimliği yanlış yaparsanız, ajan sadece bir kez yanlış yapmaz, sistemli olarak ve hemen, ölçeklenmeden önce, kimse fark etmeden yanlış yapar. Bu, bu anı daha öncekinden daha acil hale getirmektedir.

Şirketler, müşteri kimliğini daha geniş AI yönetim stratejilerinin bir parçası olarak, gizlilik, güvenlik, model izleme ve uyumla birlikte nasıl düşünmelidir?

Müşteri kimliğini, diğer sütunlarla birlikte, aynı düzeyde düşünüyorum, onlara değil, altında değil. Çoğu AI yönetim tartışması, modele odaklanıyor: önyargılı mı, güvenli mi, uyumlu mu ve sürüklenme için izleniyor mu? Bunlar gerekli, ancak AI sistemine beslenen verilerin sound olduğu varsayımı yapıyor. Kimlik katmanı yanlışsa, mükemmel bir şekilde yönetilen bir model, yanlış kişi hakkında kararlar alabilir veya verisi parçalanmış müşteri segmentlerine zarar verecek şekilde önyargılı gibi görünebilir.

Pratik olarak, bu, model izlemeye uygulanan aynı disiplinin, kimlik ve veri katmanına da uygulanması anlamına gelir. Müşterinin altın kaydının sahibi kim? Eşleşme kalitesi nasıl ölçülür ve izlenir? Yanlış bir eşleşme olduğunda ne olur? Bunlar, model katmanında olanlar kadar öncelikli olan yönetim soruları olmalıdır.

Çok sayıda kuruluş, AI pilotlarına önemli yatırımlar yapmaktadır, ancak müşteri verileri masih pazarlama, ticaret, destek, sadakat ve çevrimdışı sistemler arasında bölünmektedir. Liderlerin AI’yi operasyonel kararlara ölçeklendirmeden önce hangi pratik adımları atmaları gerekir?

Gördüğüm en yaygın model, bir organizasyonun, her biri yakındaki verilere bağlı olan birkaç vaat edilen AI pilotuna sahip olmasıdır. Bir sohbet botu burada, bir kişiselleştirme deneyi orada, her biri kendi müşteri görünümünü yeniden inşa etmektedir. Bu, finanse edilmeye yetecek kadar iyi çalışır, ancak bir operasyonel karara ölçeklendirilmeye çalışıldığında bir duvara çarpar, çünkü pilotun verileri asla tam müşteriyi yansıtmamıştır.

İlk pratik adım, dürüst bir envanter yapmaktır: her müşteri gerçeğinin nerede yaşadığını bilin (pazarlama, ticaret, destek, sadakat, çevrimdışı). Kaç tane örtüşüyor? Nerede örtüşmüyor? İkinci olarak, daha fazla pilot yatırımı yapmadan önce kimlik çözümüne yatırım yapın. Bu, her gelecekteki AI girişiminin, her ekibin kısmi birini yeniden inşa etmek yerine, aynı güvenilir temeli yeniden kullanabilmesini sağlar. Üçüncü olarak, birleştirilmiş müşteri verilerine sahip birkaç cross-fonksiyonel sahibi oluşturun, bu verilerin sahibi hangi takıma bağlı kalmasın. AI pilotlarının hiçbiri asla pilot aşamasından çıkmaz, çünkü hiçbiri gerçek bir karara güvenilmez, çünkü her biri farklı, parçalanmış bir müşteri görünümüne dayanmaktadır.

Yararlı hissettiren kişiselleştirmeler ile müdahaleci hissettiren kişiselleştirmeler arasında çizgi nerede çizilir, özellikle AI sistemleri birleştirilmiş müşteri profillerinden daha fazla şey çıkarabilirlerse?

Çizgi, markanın ne kadar şey bildiğiyle ilgili değil, markanın bu bilgiyi ne şekilde kullandığıyla ilgilidir. Bir satın alma geçmişine dayalı bir öneri yararlı görünür. Müşteri açıkça paylaştığı şeyi açığa çıkaran bir öneri, doğru olsa bile, müdahaleci görünür, çünkü paylaştığı şeyin ne kadarını paylaştığını açıklar.

Raporumuz, büyük çoğunlukla, tüketicilerin, verilerinin nasıl kullanıldığına güvendiklerinde, kişiselleştirmeye daha fazla katıldıklarını ve kişiselleştirmenin müdahaleci görünmesinin, bir markayı tercih etme olasılıklarını azalttığını buldu. AI’ye dayalı çıkarımlarla çalışan ekipler için kuralım basittir: eğer sistemin neden bildiğini bildiğini açıklayamazsanız, henüz hareket etmeyin. Kişiselleştirme, tanınmayı hissetmelidir, gözetlenmeyi değil.

İleriye bakıldığında, AI’den gerçek değer alan işletmelerle, masih deneme aşamasında kalan işletmeler arasında ne अलगlık olacaktır: daha iyi modeller, daha iyi veri altyapısı, daha güçlü yönetim, veya tamamen yeni bir işletme modeli?

Model kalitesi, hiçbir zaman dayanıklı bir farklılaştırıcı olmayacaktı. Çok hızlı bir şekilde evrimleşiyor ve çoğu işletmenin erişimi yaklaşık olarak aynı modellere var. Yönetim önemli, ancak kendi başına bir değer kaynağı değil, bir kısıtlamadır. Gerçekten öne çıkan işletmeler, AI’den gerçek değer alanlardır ve bu, iki şeye bağlıdır: veri altyapısı ve işletme modeli, bunlar birbirleriyle bağlantılıdır.

AI’den gerçek değer alan şirketler, herhangi bir yeni AI yeteneğinin bu temelde çalışabileceği şekilde, tek, güvenilir ve sürekli güncellenen bir müşteri görünümü yatırımı yapmış şirketlerdir. Ancak bu, işletme modelinin de değişmesi durumunda işe yarar: AI girişimleri hala takım takım sahip olunduğunda ve her grup kendi müşteri tanımını yapıyorsa, aynı veri kalitesi sorunlarını sürekli olarak tanıtacaksınız. Deney aşamasından çıkan işletmeler, güvenilir müşteri verilerini paylaşılan altyapı olarak gören ve AI işletme modelini bu varsayımdan başlattıkları işletmelerdir.

İlginç röportaj için Derek’e teşekkür ederiz. Okuyucular, Amperity hakkında daha fazla bilgi edinebilir ve Derek Slager’in son içgörülerini Unite.AI yazar sayfasında keşfedebilir.