Amperity联合创始人兼联合CEO Derek Slager – 采访系列

Derek Slager 是Amperity的联合创始人兼联合CEO，他领导公司在产品和运营方面的AI转型。他联合创立Amperity是为了给营销人员和分析师提供可靠的客户数据，并开发了Amperity的可靠客户上下文的专利身份解析和实时个人资料架构。在此之前，他是Appature的创始团队成员，并在大规模分布式系统和安全方面担任工程领导角色。

Amperity 是一个AI驱动的客户数据云，旨在帮助企业统一来自在线和离线来源的分散客户信息，创建准确的实时客户个人资料。其平台结合了基于机器学习的身份解析、数据管理、分析、预测建模和激活工具，允许营销和数据团队更好地了解客户行为、个性化体验、衡量收入影响和协调跨渠道的行动。Amperity成立于2016年，目前为全球400多个品牌提供服务，包括阿拉斯加航空、维珍大西洋航空、温德姆酒店和度假村以及迪克体育用品公司。

您在高级分析、客户洞察、产品管理、ML/MLOps和AI战略方面有着丰富的经验，帮助构建了基础产品。在Amperity之前，您的职业道路如何塑造了您对客户数据质量和AI性能之间关系的思考方式？

我的行业经验始终围绕着一个问题：如何让AI在客户数据不完整、不一致和不断变化的情况下做出正确的推理？早期，在分析和产品角色中，我看到团队建立了越来越复杂的模型，但这些模型建立在根本不可靠的客户数据之上：重复记录、不匹配的标识符、过时的属性。没有任何模型复杂度可以解决这个问题；它只是更有效地隐藏了问题。

这种直觉促使我们建立Amperity：身份解析不是AI上的一个很好的附加层，而是其他一切的基础。当我看今天的企业AI时，我看到同样的模式在更大规模上重演。团队将资源投入到模型选择和提示工程中，同时将客户数据视为理所当然的东西。但事实并非如此。如果身份层出错，每个下游AI系统都会继承该错误并放大它。

我们经常听到企业AI讨论围绕模型选择，但您认为可靠的客户身份数据变得同样重要。为什么对话从“哪个模型最好？”转变为“AI可以信任什么数据？”

在生成AI浪潮的前几年，模型能力是真正的瓶颈，因为工具还不够好。现在，这已经改变。今天的领先模型非常强大，对于大多数商业用例，差距已经缩小。然而，企业内部的数据尚未跟上这些模型的步伐。

您可以将最先进的模型放在客户服务代理或个性化引擎之前，但如果它基于同一人的三个重复个人资料、过时的电子邮件地址和缺少半个渠道的购买历史进行推理，输出将是错误的。对话正在转变，因为领导者直接感受到这种差距。他们采用了一个很好的模型，但仍然没有看到预期的投资回报率。下一个真正的优势不会来自于更好的模型，而是来自于组织是否能够为其AI系统提供可靠的数据。

不准确或分散的客户身份数据可能以哪些最常见的方式破坏AI结果，即使底层模型在技术上很强大？

出现了一些常见的模式。最基本的是重复。同一个客户在各个渠道中存在多个记录，每个记录都有对该人的部分视图，因此AI系统可能会向订阅活动的客户发送赢回优惠。然后还有过时的数据。数据一年前是准确的，但没有更新，因此模型是基于客户过去的样子而不是现在的样子来优化的。还有过度合并，这更为微妙：身份系统过于激进地匹配，导致将两个不同的人合并为一个个人资料，现在AI代理正在自信地代表一个实际不存在的人做出决定。最后，还有明显的缺口。一个系统中的忠诚度活动，另一个系统中的支持历史，第三个系统中的浏览行为，没有单个系统拥有完整的图景。每个问题看起来像是数据卫生问题，但在AI的背景下，它们会叠加，因为模型不知道自己不知道什么。它只是以完全的信心产生一个答案。

随着生成AI成为产品发现的新前门，品牌如何适应消费者越来越依赖AI系统来比较选项、评估忠诚度和做出购买决策的变化？

通常，品牌控制着前门。您建立了一个网站，优化了搜索，完善了您的漏斗，客户直接或通过您可以影响的结果来到您这里。现在，这个前门是一个与AI助手的对话，品牌无法控制，也无法完全看到其中的内容。

有人要求AI工具比较忠诚度计划或推荐一家酒店，品牌的工作现在是让自己在那一刻变得足够清晰和可靠，以便成为AI给出的答案。这是一个真正的转变，营销必须优化的内容。它意味着品牌自己的数据和内容的质量、结构和准确性变得更加重要，因为AI系统正在从它能找到的任何信号中综合信息。

Amperity的研究表明，少数消费者现在会直接访问熟悉的品牌，而不会考虑AI推荐。对于品牌忠诚度、个性化和传统的客户旅程，这意味着什么？

我们今年早些时候对1000名美国消费者进行了调查，有一项数据引起了我的注意：不到四分之一的消费者在考虑AI推荐之前直接访问他们已经知道的品牌，60%的消费者表示AI已经将他们引向了他们以前没有考虑过的品牌。这侵蚀了成熟品牌曾经拥有的默认优势。忠诚度并没有消失，但决策前的漏斗已经改变。品牌正在被系统评估和短列，这些系统不是由他们控制的，而是基于关于他们的可用数据。

身份解析已经存在多年，成为一个数据问题。现在AI代理、副驾驶和生成AI界面成为日常企业工作流的一部分，什么使得它更加紧迫？

身份解析一直很重要，用于防止重复邮件或确保忠诚度会员获得适当的积分。这些都是真正的问题，但相对来说比较宽容，因为人类通常会捕捉到错误。当AI代理被授权采取行动时，无论是发出退款、应用折扣、推荐下一个最佳优惠还是更新首选项，它都基于所提供的身份解析来进行操作，并以机器速度进行，通常没有人类的干预。如果身份解析出错，代理不仅会一次性错误地操作，而且会系统地、立即地出错，且在任何人注意到之前就会发生。这就是使得这一刻比以前更紧迫的原因。

公司应该如何将客户身份视为其更广泛的AI治理战略的一部分，包括隐私、安全、模型监控和合规性？

我会把客户身份放在其他支柱旁边，而不是放在它们下面。大多数AI治理对话都集中在模型上：它是否有偏见、安全、合规，并且正在被监控以防止漂移？这些都是必要的，但它们假设模型推理的输入数据是合理的。如果身份层出错，即使模型治理完善，也会产生关于错误的人或模型看似有偏见（但实际上是因为数据分散）的决定。

在实践中，这意味着组织对模型监控所采用的严谨态度也应适用于身份和数据层。谁拥有客户的金标准记录？如何衡量和监控匹配质量随时间的变化？匹配错误时会发生什么？这些应该与模型层发生的任何事情具有相同的治理优先级。

许多组织正在大量投资AI试点，但他们的客户数据仍然分散在营销、商务、支持、忠诚度和离线系统中。领导者在将AI扩展到运营决策之前应该采取什么实际步骤？

我看到的最常见的模式是组织运行多个有前途的AI试点——这里有一个聊天机器人，那里有一个个性化实验——每个试点都连接到团队最接近的数据。它足以获得资金，但当有人尝试将其扩展到实际的运营决策时，它会遇到障碍，因为试点的数据从未反映出完整的客户。

第一步是进行一次诚实的清点：了解每个客户真相的来源（营销、商务、支持、忠诚度、离线）。它们有多大的重叠？哪里没有？其次，在投资更多试点之前，投资身份解析。这使得每个未来的AI计划都可以重用相同的可靠基础，而不是每个团队重建一个部分的基础。第三，建立少数跨职能的统一客户数据所有者，而不是将所有权留给需要它的团队。按照错误的顺序做这些事情的组织最终会拥有一个无法离开试点阶段的AI试点投资组合，因为没有一个可以被信任来做出真正的决定。

在AI系统可以从统一的客户个人资料中推断出更多信息的情况下，个人化在什么时候会感到有用，什么时候会感到侵入？

界限不在于品牌知道多少，而在于他们如何利用这些知识是否在那一刻显得合理和相关。基于某人实际购买历史的推荐会感到有帮助。基于对客户从未明确分享的内容的推断的推荐，即使准确，也会感到侵入，因为它暴露了正在共享的内容。

我们的报告发现，大多数消费者表示，当他们信任自己的数据被使用方式时，他们更愿意与个性化内容互动，并且大多数人表示，感觉侵入的个性化会使他们不太可能选择一个品牌。我的团队建立在AI驱动的推断基础上的规则很简单：如果您不想用简单的语言解释系统为什么知道它知道的内容，请不要在此基础上采取行动。个性化应该让人感到被认可，而不是被监视。

展望未来，什么将使企业从AI中获得真正的价值，而不是陷入实验模式？是更好的模型、更好的数据基础设施、更强的治理，还是一种全新的运营模式？

模型质量从来都不是一个可持续的区别。它会迅速演变，大多数企业都可以访问大致相同的模型。治理很重要，但它是一种限制，而不是价值的来源。实际上，我认为将领先的企业与其他企业区分开来的两件事是数据基础设施和运营模式，它们是相互关联的。

真正从AI中获得价值的企业是那些已经投资于拥有单一、可靠、持续更新的客户视图的企业，因此任何新的AI能力都可以针对该基础进行操作，而不是将自己的基础拼凑起来。但这只会起作用，如果运营模式也发生变化：如果AI计划仍然由团队拥有，每个团队都定义自己的客户版本，那么您将继续引入相同的数据质量问题。那些打破实验模式的组织是那些将可靠的客户数据视为共享基础并从一开始就围绕该假设构建其AI运营模式的组织。感谢Derek的深刻采访。读者可以在Derek Slager的Unite.AI作者页面上了解更多关于Amperity的信息并探索他的最新见解。