Puls

Golden Whale Productions: síla pozitivního posílení

Spoluzakladatelka a provozní ředitelka Golden Whale Productions, Claudia Heiling, diskutuje o tom, jak kombinace systémů založených na výztuži s technologií strojového učení umožňuje týmům CRM získat informace o svých zákaznících za zlomek času, který zabere ruční A/B testování.

Jaký dopad mohou mít systémy založené na posilování na činnost CRM? Jak tyto modely využívají uživatelská data k testování hypotéz a zpřesňování předpokladů v průběhu času?

Abychom na tuto otázku odpověděli obecně, můžeme říci, že modely strojového učení vždy najdou užitečné aplikace, kdykoli jsou problémy multidimenzionální, protože to jsou nejčastěji oblasti, kde lidé mají potíže s pochopením korelací.

Únavné A/B testování lze nahradit experimentálními běhy našich systémů LOOPS, přičemž optimalizovaných výsledků je dosaženo mnohem rychleji a s menším třením v organizaci.

Pro práci v CRM to znamená, že organizace používající naše metody mohou provozovat více kampaní, přidávat více nových funkcí a provádět pokaždé více experimentů, přičemž stále dosahují lepších výsledků díky mnohem vylepšené době obratu u jednotlivé události.

Tyto systémy nevymýšlejí akce samy o sobě, ale poskytují přesný přehled o aktuálním chování uživatelů, na které mohou týmy CRM reagovat vlastními nápady. Můžete uvést příklad konkrétního scénáře, který může chtít manažer CRM otestovat na základě zjištění jejich systému zesílení?

Již jsme vytvořili velmi přímý příklad, který má okamžitý dopad na zisk firmy s naší Bonus Analytics, což je otázka, kdy dát komu jaký bonus/funkci na úrovni platformy a v mezích regulace.

Jedná se o neuvěřitelně složitý problém s optimalizací, který musí lidský operátor vyřešit sám, ale jeho spuštěním přes LOOPS se nám podařilo dosáhnout zvýšení monetizace až o 30 procent, které týmy CRM mohly okamžitě využít.

Navíc schopnost identifikovat i ty nejsložitější vzorce a trendy v chování uživatelů prostřednictvím LOOPS umožnila některým operátorům snížit náklady na bonusy až o 20 procent jednoduše tím, že jim umožnila oddělit neproduktivní bonusové cíle od těch, které jsou pravděpodobně přinese dlouhodobější výnos.

Samozřejmě, že optimalizovaná rychlost provádění těchto otázek prostřednictvím LOOPS také urychlila cykly učení o týdny v každém případě, což zase umožnilo týmům CRM nasadit navrhované strategie a těžit z nich rychleji než kdy předtím.

Jak se podle vás mění role manažera CRM s tím, jak se tato technologie stává běžnější? Bude nyní na týmy CRM ještě větší břemeno, aby měly silné dovednosti v oblasti analýzy dat a kreativní schopnosti řešit problémy?

To je pro mě nejzajímavější změna. Pokud to vidím já, scénář s touto technologií znamená, že tým CRM ztrácí část břemene nutnosti spouštět dlouhé testovací cykly, což mu zase umožňuje soustředit se více na představu o tom, jaké by měly být použitelné položky, které systém nabízí uživateli. Systém zesílení pak provede testování a najde sladké místo pro samotný scénář, který vytvořili.

Od toho je na CRM týmu, aby neustále inovoval a udržoval zájem hráčů hledáním kreativnějších přístupů k zapojení. Vidím to jako mnohem uspokojivější přístup k procesu a mnohem zajímavější křivku učení pro všechny zúčastněné!

Další výhodou systémů založených na výztuži je, že je lze kombinovat s technologií strojového učení a vytvořit tak iterativní smyčku, kde se změny, které si sami způsobí, automaticky provádějí v datech. Můžete blíže vysvětlit, jak tento proces funguje?

Ve společnosti Golden Whale jsme tento proces velmi zjednodušili. Ve chvíli, kdy uvolníte nový model do našeho systému LOOPS, začnou výsledky jeho akcí měnit zkušenosti a chování uživatelů na vaší platformě. To následně vytváří změněný datový tok, který proudí zpět do modelové orchestrační části našeho systému.

Zde jsou změny analyzovány a model může být přizpůsoben, překalibrován nebo přetrénován podle dříve provedeného dopadu, což zase způsobí změny ve výsledných datech během dalšího kola a tak dále a tak dále. Jedná se o velmi zajímavý proces a stále zdokonalujeme, jak automatizujeme a urychlujeme pokrok dosažený prostřednictvím těchto logických iterací.

Týmy nyní budou moci být mnohem aktivnější ve svém úsilí oslovit zákazníky a zkoušet nové věci, než na ně pouze reagovat poté, co k nim došlo. Jak to podle vás prospěje budoucí zkušenosti zákazníků?

To je rozhodně velmi důležitý bod. S prediktivní částí našeho systému získáváme kvalifikovaný odhad budoucího chování na úrovni jednotlivých uživatelů. To znamená, že se z dlouhodobého hlediska můžeme dokonce dostat do pozice, kdy můžeme pracovat s potřebami zákazníka dříve, než se pro něco vědomě rozhodne!

Být o tolik napřed bude vyrábět novou generaci produktů, které uspokojí poptávku zákazníků způsobem, který dosud nebyl viděn, což nakonec povede k neuvěřitelně personalizovanému uživatelskému zážitku, který může být potenciálně zcela odlišný od zákazníka k zákazníkovi.

To může mít samozřejmě obrovský přínos pouze z hlediska zapojení a mělo by to otevřít spoustu nových a zajímavých cest pro týmy CRM.