Derek Slager, Đồng sáng lập và Đồng CEO của Amperity – Loạt phỏng vấn

Derek Slager là đồng sáng lập và đồng CEO của Amperity, nơi ông lãnh đạo sự chuyển đổi AI đầu tiên của công ty trên cả sản phẩm và cách công ty hoạt động. Ông đồng sáng lập Amperity để cung cấp cho các nhà tiếp thị và nhà phân tích dữ liệu khách hàng mà họ có thể tin cậy, và xây dựng kiến trúc giải quyết danh tính và hồ sơ thời gian thực được cấp bằng sáng chế đằng sau ngữ cảnh khách hàng đáng tin cậy của Amperity. Trước đó, ông là thành viên sáng lập tại Appature và giữ các vị trí lãnh đạo kỹ thuật trong các hệ thống phân tán lớn và bảo mật.

Amperity là một đám mây dữ liệu khách hàng được hỗ trợ bởi AI, được thiết kế để giúp các doanh nghiệp thống nhất thông tin khách hàng bị phân mảnh từ các nguồn trực tuyến và ngoại tuyến thành hồ sơ khách hàng chính xác, thời gian thực. Nền tảng của nó kết hợp giải quyết danh tính dựa trên học máy, quản lý dữ liệu, phân tích, mô hình hóa dự đoán và công cụ kích hoạt, cho phép các nhóm tiếp thị và dữ liệu hiểu rõ hơn về hành vi của khách hàng, cá nhân hóa trải nghiệm, đo lường tác động doanh thu và phối hợp hành động trên các kênh. Thành lập vào năm 2016, Amperity phục vụ hơn 400 thương hiệu trên toàn thế giới, bao gồm Alaska Airlines, Virgin Atlantic, Wyndham Hotels & Resorts và DICK’S Sporting Goods.

Bạn đã làm việc trong lĩnh vực phân tích nâng cao, thông tin khách hàng, quản lý sản phẩm, ML/MLOps và chiến lược AI, giúp xây dựng các sản phẩm cơ bản trước Amperity. Làm thế nào con đường đó đã định hình cách bạn nghĩ về mối quan hệ giữa chất lượng dữ liệu khách hàng và hiệu suất AI?

Công việc của tôi trong ngành đã tập trung vào một vấn đề: làm thế nào để AI suy luận chính xác về con người khi dữ liệu mô tả những người đó luôn không đầy đủ, không nhất quán và thay đổi? Sớm, trong các vai trò phân tích và sản phẩm, tôi đã chứng kiến các nhóm xây dựng các mô hình ngày càng tinh vi trên dữ liệu khách hàng cơ bản không đáng tin cậy: hồ sơ trùng lặp, định danh không khớp, thuộc tính cũ. Không có sự tinh vi của mô hình nào có thể sửa được điều đó; nó chỉ che giấu vấn đề hiệu quả hơn.

Đó là trực giác đã dẫn chúng tôi xây dựng Amperity: giải quyết danh tính không phải là một lớp trên cùng của AI, mà là nền tảng mà mọi thứ khác dựa vào. Khi tôi nhìn vào AI doanh nghiệp ngày nay, tôi thấy cùng một mẫu đang diễn ra ở quy mô lớn hơn. Các nhóm đang đổ nguồn lực vào việc chọn mô hình và kỹ thuật nhắc lệnh trong khi coi dữ liệu khách hàng cho các mô hình đó là một điều đã cho. Nó không phải như vậy. Nếu lớp danh tính sai, thì mọi hệ thống AI hạ nguồn sẽ thừa hưởng lỗi đó và khuếch đại nó.

Chúng ta thường nghe các cuộc thảo luận về AI doanh nghiệp được định khung xung quanh việc chọn mô hình, nhưng bạn lập luận rằng dữ liệu danh tính khách hàng đáng tin cậy đang trở nên quan trọng không kém. Tại sao cuộc trò chuyện đang chuyển từ “Mô hình nào là tốt nhất?” sang “Dữ liệu nào mà AI thực sự có thể tin cậy?”

Trong những năm đầu của làn sóng AI tạo sinh, khả năng của mô hình thực sự là nút thắt, vì các công cụ đơn giản là chưa đủ tốt. Giờ đây, điều đó đã thay đổi. Các mô hình hàng đầu ngày nay rất có khả năng, và khoảng cách giữa chúng đã thu hẹp đối với hầu hết các trường hợp sử dụng kinh doanh. Điều gì chưa theo kịp là dữ liệu cho các mô hình đó bên trong doanh nghiệp.

Bạn có thể đặt mô hình tiên tiến nhất trước một đại lý dịch vụ khách hàng hoặc một động cơ cá nhân hóa, nhưng nếu nó suy luận trên ba hồ sơ trùng lặp cho cùng một người, một địa chỉ email cũ và lịch sử mua hàng thiếu nửa kênh mà người đó mua sắm, thì đầu ra chắc chắn sẽ sai. Cuộc trò chuyện đang thay đổi vì các nhà lãnh đạo đang cảm nhận trực tiếp khoảng cách đó. Họ đã áp dụng một mô hình tuyệt vời và vẫn chưa thấy ROI mà họ mong đợi. Ưu thế thực sự tiếp theo sẽ không đến từ một mô hình tốt hơn. Nó sẽ phụ thuộc vào liệu một tổ chức có thể cung cấp cho các hệ thống AI của mình một thứ gì đó đáng tin cậy để suy luận hay không.

Những cách phổ biến nhất mà dữ liệu danh tính khách hàng không chính xác hoặc bị phân mảnh có thể phá hoại kết quả AI, ngay cả khi mô hình cơ bản là mạnh?

Một số mẫu xuất hiện liên tục. Cơ bản nhất là trùng lặp. Cùng một khách hàng tồn tại như năm hoặc sáu hồ sơ khác nhau trên các kênh, mỗi hồ sơ có một cái nhìn một phần về người đó, vì vậy một hệ thống AI có thể gửi một đề nghị giành lại đến ai đó có đăng ký đang hoạt động dưới một hồ sơ khác. Sau đó là sự cũ. Dữ liệu đã chính xác một năm trước nhưng chưa được làm mới, vì vậy một mô hình được tối ưu hóa dựa trên ai mà khách hàng đã từng là chứ không phải là ai bây giờ. Có sự hợp nhất quá mức, đó là một sự tinh vi hơn: các hệ thống danh tính quá hung hăng trong việc khớp kết thúc hợp nhất hai người khác nhau thành một hồ sơ, và bây giờ một đại lý AI tự tin đưa ra quyết định thay mặt cho ai đó không thực sự tồn tại. Và cuối cùng, có những khoảng trống đơn giản. Hoạt động忠诚 trong một hệ thống, lịch sử hỗ trợ trong một hệ thống khác, hành vi duyệt web trong hệ thống thứ ba, với không có hệ thống nào nắm giữ toàn bộ hình ảnh. Cá nhân, mỗi vấn đề này trông giống như một vấn đề về vệ sinh dữ liệu. Trong một ngữ cảnh AI, chúng tích lũy vì mô hình không biết những gì nó không biết. Nó chỉ tạo ra một câu trả lời với sự tự tin hoàn toàn.

Khi AI tạo sinh trở thành một cánh cửa mới cho việc khám phá sản phẩm, điều gì thay đổi cho các thương hiệu khi người tiêu dùng ngày càng dựa vào các hệ thống AI để so sánh lựa chọn, đánh giá忠诚 và đưa ra quyết định mua hàng?

Thông thường, các thương hiệu kiểm soát cánh cửa trước. Bạn xây dựng một trang web, tối ưu hóa cho tìm kiếm, tinh chỉnh kênh và khách hàng đến trực tiếp hoặc thông qua kết quả mà bạn có thể ảnh hưởng. Giờ đây, cánh cửa trước đó là một cuộc trò chuyện với một trợ lý AI mà một thương hiệu không kiểm soát và không thể nhìn thấy hoàn toàn.

Người nào đó yêu cầu một công cụ AI so sánh chương trình忠诚 hoặc giới thiệu một khách sạn, và công việc của thương hiệu bây giờ là đủ rõ ràng và đáng tin cậy, vào thời điểm đó, để trở thành câu trả lời mà AI đưa ra. Đó là một sự thay đổi thực sự trong những gì mà tiếp thị phải tối ưu hóa. Nó có nghĩa là chất lượng, cấu trúc và độ chính xác của dữ liệu và nội dung của thương hiệu quan trọng hơn, vì các hệ thống AI đang tổng hợp từ bất kỳ tín hiệu nào mà chúng có thể tìm thấy.

Nghiên cứu của Amperity cho thấy rằng chỉ một thiểu số người tiêu dùng hiện nay đi trực tiếp đến các thương hiệu quen thuộc mà không xem xét các khuyến nghị AI trước. Điều này có nghĩa là gì cho忠诚 của thương hiệu, cá nhân hóa và hành trình khách hàng truyền thống?

Chúng tôi đã khảo sát 1.000 người tiêu dùng Mỹ vào đầu năm nay, và một con số nổi bật với tôi: ít hơn một phần tư cho biết họ đi thẳng đến một thương hiệu mà họ đã biết mà không xem xét trước một khuyến nghị AI, và 60% cho biết AI đã dẫn họ đến một thương hiệu mà họ chưa từng xem xét trước đó. Điều đó xói mòn lợi thế mặc định mà các thương hiệu đã thiết lập trước đây. 忠诚 chưa biến mất, nhưng phễu trên quyết định đó đã thay đổi. Các thương hiệu đang được đánh giá và đưa vào danh sách ngắn bởi các hệ thống mà họ không kiểm soát, dựa trên bất kỳ dữ liệu nào có sẵn về họ.

Chiến lược cá nhân hóa được xây dựng trên giả định rằng ‘chúng tôi đã biết khách hàng này, vì vậy chúng tôi không cần phải kiếm được sự chú ý của họ’ sẽ hoạt động kém. Đồng thời, hành trình khách hàng đã trở nên ít tuyến tính hơn. Một khách hàng có thể đến trang web của một thương hiệu đã được ‘bán’ bởi tóm tắt của AI về các đánh giá và so sánh, điều đó có nghĩa là trải nghiệm của thương hiệu cần phải đứng vững trước những kỳ vọng mà họ không có cơ hội định hình trực tiếp.

Giải quyết danh tính đã tồn tại như một vấn đề dữ liệu trong nhiều năm. Điều gì làm cho nó trở nên cấp thiết hơn bây giờ khi các đại lý AI, đồng pilot và giao diện AI tạo sinh trở thành một phần của quy trình làm việc doanh nghiệp hàng ngày?

Giải quyết danh tính đã luôn quan trọng đối với những điều như ngăn chặn hồ sơ trùng lặp hoặc đảm bảo rằng một thành viên忠诚 nhận được tín dụng đúng cho một lần mua. Những vấn đề đó thực sự, nhưng tương đối dễ chịu khi một con người thường bắt được lỗi. Các đại lý loại bỏ mạng lưới an toàn đó.

Khi một đại lý AI được trao quyền thực sự thực hiện hành động, cho dù đó là cấp phát lại, áp dụng giảm giá, giới thiệu một đề nghị tiếp theo hay cập nhật một sở thích. Nó đang thực hiện trên cơ sở giải quyết danh tính mà nó đã được cung cấp, với tốc độ máy và thường không có con người trong vòng lặp. Nếu danh tính sai, thì đại lý không chỉ bắn sai một lần. Nó có thể bắn sai một cách hệ thống và ngay lập tức, với quy mô, trước khi ai đó nhận thấy. Đó là điều làm cho thời điểm này cấp thiết hơn trước.

Làm thế nào các công ty nên suy nghĩ về danh tính khách hàng như một phần của chiến lược quản trị AI rộng lớn hơn, cùng với quyền riêng tư, bảo mật, giám sát mô hình và tuân thủ?

Tôi sẽ đặt danh tính khách hàng ngay cạnh những cột trụ khác, không dưới chúng. Hầu hết các cuộc thảo luận về quản trị AI tập trung vào mô hình: nó có bị thiên vị, bảo mật, tuân thủ và được giám sát để trôi? Những điều đó là cần thiết, nhưng chúng giả định rằng đầu vào mà mô hình đang suy luận là âm thanh. Nếu lớp danh tính sai, thì bạn có thể có một mô hình được quản trị hoàn hảo đang tạo ra quyết định về người sai, hoặc một mô hình có vẻ bị thiên vị khi vấn đề thực sự là dữ liệu của nó bị phân mảnh theo cách bất lợi cho một số phân khúc khách hàng nhất định.

Trong thực tế, điều này có nghĩa là cùng một sự nghiêm ngặt mà các tổ chức áp dụng cho việc giám sát mô hình cần được áp dụng cho lớp dữ liệu và danh tính bên dưới nó. Ai sở hữu hồ sơ vàng của khách hàng? Làm thế nào để đo lường và giám sát chất lượng khớp trong thời gian? Điều gì xảy ra khi một khớp không chính xác? Những câu hỏi đó nên là các câu hỏi quản trị với cùng một mức độ ưu tiên như bất kỳ điều gì xảy ra ở lớp mô hình.

Nhiều tổ chức đang đầu tư mạnh vào các dự án thí điểm AI, nhưng dữ liệu khách hàng của họ vẫn còn bị phân mảnh trên các hệ thống tiếp thị, thương mại, hỗ trợ,忠诚 và ngoại tuyến. Những bước thực tế nào mà các nhà lãnh đạo nên thực hiện trước khi mở rộng AI vào việc ra quyết định hoạt động?

Mẫu mà tôi thấy thường nhất là một tổ chức chạy một số dự án thí điểm AI hứa hẹn — một chatbot ở đây, một thí nghiệm cá nhân hóa ở đó — mỗi dự án được kết nối với bất kỳ dữ liệu nào gần nhất có sẵn cho nhóm đó. Nó hoạt động đủ tốt để được tài trợ, sau đó nó gặp phải một rào cản khi ai đó cố gắng mở rộng nó thành một quyết định hoạt động thực sự, vì dữ liệu của dự án thí điểm không bao giờ phản ánh toàn bộ khách hàng.

Bước thực tế đầu tiên là một cuộc kiểm kê trung thực: biết nơi mọi nguồn chân lý khách hàng sống (tiếp thị, thương mại, hỗ trợ,忠诚, ngoại tuyến). Chúng chồng chéo nhau đến mức nào? Ở đâu chúng không? Thứ hai, đầu tư vào giải quyết danh tính trước khi đầu tư vào nhiều dự án thí điểm hơn. Đó là điều cho phép mọi sáng kiến AI trong tương lai tái sử dụng cùng một nền tảng đáng tin cậy, thay vì mỗi nhóm xây dựng một nền tảng một phần. Thứ ba, xây dựng một số chủ sở hữu chức năng chéo cho dữ liệu khách hàng thống nhất, thay vì để quyền sở hữu cho nhóm nào cần nó cho dự án thí điểm hiện tại. Các tổ chức đưa ra trình tự sai lầm sẽ kết thúc với một danh mục dự án thí điểm AI mà không bao giờ rời khỏi giai đoạn thí điểm, vì không ai trong số họ có thể được tin cậy với một quyết định thực sự.

Ở đâu bạn vẽ ranh giới giữa cá nhân hóa có ích và cá nhân hóa có cảm giác xâm phạm, đặc biệt khi các hệ thống AI có thể suy luận nhiều hơn từ các hồ sơ khách hàng thống nhất?

Ranh giới ít hơn về việc một thương hiệu biết bao nhiêu và nhiều hơn về việc những gì họ làm với kiến thức đó có cảm giác xứng đáng và liên quan trong thời điểm đó. Một khuyến nghị dựa trên lịch sử mua hàng thực tế của ai đó có cảm giác hữu ích. Một khuyến nghị tiết lộ một suy luận mà khách hàng chưa bao giờ chia sẻ rõ ràng cảm giác xâm phạm ngay cả khi nó chính xác, vì nó tiết lộ bao nhiêu đang được chia sẻ.

Báo cáo của chúng tôi cho thấy rằng đa số khách hàng cho biết họ sẵn sàng tham gia vào cá nhân hóa khi họ tin tưởng vào cách dữ liệu của mình đang được sử dụng, và đa số cho biết cá nhân hóa có cảm giác xâm phạm làm cho họ ít có khả năng chọn một thương hiệu. Nguyên tắc của tôi cho các nhóm xây dựng trên suy luận AI là đơn giản: nếu bạn không muốn giải thích, bằng ngôn ngữ đơn giản, tại sao hệ thống biết những gì nó biết, thì đừng hành động trên nó. Cá nhân hóa nên cảm giác như được công nhận, không bị theo dõi.

Nhìn về phía trước, điều gì sẽ phân biệt các doanh nghiệp nhận được giá trị thực từ AI với những doanh nghiệp vẫn còn mắc kẹt trong chế độ thí điểm: mô hình tốt hơn, cơ sở hạ tầng dữ liệu tốt hơn, quản trị mạnh mẽ hơn, hay một mô hình hoạt động hoàn toàn mới?

Chất lượng mô hình không bao giờ là sự khác biệt bền vững. Nó tiến hóa quá nhanh, và hầu hết các doanh nghiệp đều có quyền truy cập vào các mô hình tương tự. Quản trị quan trọng, nhưng đó là một ràng buộc, không phải là nguồn giá trị của riêng nó. Hai điều mà tôi thực sự nghĩ sẽ phân biệt các doanh nghiệp đang dẫn đầu là cơ sở hạ tầng dữ liệu và mô hình hoạt động, những điều này có liên quan.

Các công ty nhận được giá trị thực từ AI là những công ty đã đầu tư vào việc có một cái nhìn thống nhất, đáng tin cậy và liên tục cập nhật về khách hàng, vì vậy bất kỳ khả năng AI mới nào cũng có thể được chỉ vào nền tảng đó thay vì khâu lại dữ liệu của riêng nó. Nhưng điều đó chỉ hoạt động nếu mô hình hoạt động thay đổi quá. Nếu các sáng kiến AI vẫn còn thuộc về từng nhóm, với mỗi nhóm định nghĩa phiên bản riêng của khách hàng, bạn sẽ tiếp tục giới thiệu cùng một vấn đề chất lượng dữ liệu. Các tổ chức thoát khỏi chế độ thí điểm là những tổ chức coi dữ liệu khách hàng đáng tin cậy là cơ sở hạ tầng chung và xây dựng mô hình hoạt động AI của họ xung quanh giả định đó từ đầu.

Cảm ơn Derek vì cuộc phỏng vấn sâu sắc. Người đọc có thể tìm hiểu thêm về Amperity và khám phá những thông tin mới nhất của Derek Slager trên trang Unite.AI của ông.