Puls

Golden Whale Productions: moć pozitivnog pojačanja

Suosnivačica i izvršna direktorica Golden Whale Productions, Claudia Heiling, raspravlja o tome kako kombiniranje sustava temeljenih na pojačanju s tehnologijom strojnog učenja omogućuje CRM timovima da dobiju uvide o svojim klijentima u djeliću vremena potrebnog za ručno A/B testiranje.

Kakav utjecaj sustavi temeljeni na pojačanju mogu imati na CRM aktivnost? Kako ovi modeli koriste korisničke podatke za testiranje hipoteza i pročišćavanje pretpostavki tijekom vremena?

Kako bismo općenito odgovorili na ovo pitanje, možemo reći da modeli strojnog učenja uvijek pronalaze korisne primjene kad god su problemi višedimenzionalni, budući da su to najčešće područja u kojima ljudi teško razumiju korelacije.

Zamorno A/B testiranje može se zamijeniti eksperimentalnim izvođenjem naših LOOPS sustava, pri čemu se optimizirani rezultati postižu daleko brže i uz manje trzanja u organizaciji.

Za rad u CRM-u to znači da organizacije koje koriste naše metode mogu pokrenuti više kampanja, dodati više novih značajki i napraviti više eksperimenata svaki put, a da i dalje stvaraju bolje rezultate zbog znatno poboljšanog vremena obrade za pojedinačni događaj.

Ovi sustavi ne izmišljaju akcije sami, već daju točan pregled trenutnog ponašanja korisnika na koji CRM timovi mogu reagirati vlastitim idejama. Možete li navesti primjer specifičnog scenarija koji bi upravitelj CRM-a mogao testirati na temelju nalaza svog sustava pojačanja?

Već smo uspostavili vrlo izravan primjer koji ima neposredan utjecaj na poslovne rezultate s našom analitikom bonusa, a to je pitanje kada kome dati koji bonus/značajku na razini platforme i unutar granica propisa.

Ovo je nevjerojatno težak problem optimizacije koji ljudski operater može sam riješiti, ali provodeći ga kroz LOOPS uspjeli smo stvoriti povećanja unovčavanja do 30 posto što su CRM timovi odmah mogli iskoristiti.

Nadalje, sposobnost identificiranja čak i najsloženijih obrazaca i trendova u ponašanju korisnika putem LOOPS-a omogućila je određenim operaterima da smanje do 20 posto svojih troškova bonusa jednostavno dopuštajući im da odvoje neproduktivne ciljeve bonusa od onih koji su vjerojatno će proizvesti dugoročniji prinos.

Naravno, optimizirana brzina izvršavanja postavljanja ovih pitanja kroz LOOPS također je ubrzala cikluse učenja za tjedne u svakom slučaju, što je zauzvrat omogućilo CRM timovima da implementiraju predložene strategije i iskoriste njihove prednosti brže nego ikad prije.

Kako vidite da se uloga CRM menadžera mijenja kako ova tehnologija postaje uobičajena? Hoće li CRM timovi imati još veću obavezu posjedovanja jakih vještina analize podataka i sposobnosti kreativnog rješavanja problema?

Ovo mi je najzanimljivija promjena. Koliko ja to vidim, scenarij s ovom tehnologijom pokazuje da CRM tim gubi dio tereta pokretanja dugih testnih ciklusa, što mu zauzvrat omogućuje da se više usredotoči na ideje o tome što bi trebale biti djelotvorne stavke. sustav nudi korisniku. Sustav pojačanja zatim provodi testiranje i pronalazi najbolju točku za scenarij koji su stvorili.

Od tog trenutka, na CRM timu je da nastavi s inovacijama i zadrži zainteresiranost igrača pronalaženjem kreativnijih pristupa angažmanu. Ovo vidim kao daleko zadovoljavajući pristup procesu i daleko zanimljiviju krivulju učenja za sve uključene!

Još jedna prednost sustava koji se temelje na pojačanju jest da se mogu kombinirati s tehnologijom strojnog učenja kako bi se stvorila iterativna petlja u kojoj se automatski unose promjene koje sami uzrokuju. Možete li detaljnije objasniti kako taj proces funkcionira?

U Golden Whaleu smo ovaj proces učinili vrlo jednostavnim. Onog trenutka kada pustite novi model u naš LOOPS sustav, rezultati njegovih radnji počinju mijenjati iskustvo i ponašanje korisnika na vašoj platformi. To posljedično stvara promijenjeni tok podataka koji teče natrag u dio našeg sustava za orkestraciju modela.

Ovdje se promjene analiziraju, a model se može prilagoditi, ponovno kalibrirati ili ponovno uvježbati prema prethodnom utjecaju, što zauzvrat stvara promjene u rezultirajućim podacima tijekom sljedeće runde i tako dalje i tako dalje. Ovo je vrlo zanimljiv proces i još uvijek poboljšavamo način na koji automatiziramo i ubrzavamo napredak postignut kroz te logičke iteracije.

Timovi će sada moći biti mnogo proaktivniji u svojim nastojanjima da se povežu s klijentima i isprobaju nove stvari umjesto da samo reagiraju na njih nakon što se dogode. Kako vidite da će to unaprijediti korisničko iskustvo?

Ovo je svakako vrlo važna točka. S prediktivnim dijelom našeg sustava dobivamo educiranu pretpostavku o budućem ponašanju na razini pojedinačnih korisnika. To znači da se dugoročno možemo čak naći u poziciji u kojoj možemo raditi s potrebama kupca prije nego on ili ona donesu svjesnu odluku o nečemu!

Biti toliko ispred krivulje proizvest će novu generaciju proizvoda koji zadovoljavaju zahtjeve kupaca na način koji dosad nije viđen, što će u konačnici rezultirati nevjerojatno personaliziranim korisničkim iskustvom koje potencijalno može biti potpuno drugačije od kupca do kupca.

To, naravno, može biti samo od velike koristi sa stajališta angažmana i trebalo bi otvoriti mnogo novih i zanimljivih putova za CRM timove.