Пулс

Голден Вхале Продуцтионс: моћ позитивног појачања

Суоснивач и извршни директор компаније Голден Вхале Продуцтионс, Цлаудиа Хеилинг, расправља о томе како комбиновање система заснованих на појачању са технологијом машинског учења омогућава ЦРМ тимовима да стекну увид у своје клијенте за делић времена потребног за ручно А/Б тестирање.

Какав утицај системи засновани на појачању могу имати на ЦРМ активност? Како ови модели користе корисничке податке за тестирање хипотеза и прецизирање претпоставки током времена?

Да бисмо одговорили на ово питање на општи начин, можемо рећи да модели машинског учења увек проналазе корисне примене кад год су проблеми вишедимензионални, јер су то најчешће области у којима је људима тешко да схвате корелације.

Заморно А/Б тестирање се може заменити експерименталним радом наших ЛООПС система, при чему се оптимизовани резултати постижу много брже и са мање трења у организацији.

За рад у ЦРМ-у, то значи да организације које користе наше методе могу да покрену више кампања, додају нове функције и сваки пут раде више експеримената, а да притом стварају боље резултате због знатно побољшаног времена обраде за појединачни догађај.

Ови системи не измишљају акције сами, већ пружају тачан преглед тренутног понашања корисника на које ЦРМ тимови могу да реагују сопственим идејама. Можете ли да дате пример специфичног сценарија који би ЦРМ менаџер можда желео да тестира на основу налаза свог система појачања?

Већ смо успоставили веома директан пример који има непосредан утицај на крајњи резултат пословања са нашом Бонус Аналитиком, а то је питање када коме дати који бонус/функцију на нивоу платформе иу границама регулативе.

Ово је невероватно тежак проблем оптимизације који људски оператер треба да реши сам, али провођењем кроз ЛООПС успели смо да створимо повећање монетизације до 30 процената које су ЦРМ тимови одмах могли да искористе.

Штавише, могућност да идентификују чак и најсложеније обрасце и трендове у понашању корисника путем ЛООПС-а омогућило је одређеним оператерима да смање до 20 посто својих бонус трошкова једноставно тако што им је омогућило да раздвоје непродуктивне циљеве бонуса од оних који су вероватно да ће донети дугорочни принос.

Наравно, оптимизована брзина извршавања постављања ових питања кроз ЛООПС такође је убрзала циклусе учења по недељама у сваком случају, што је заузврат омогућило ЦРМ тимовима да примене предложене стратегије и уберу њихове предности брже него икада раније.

Како видите да се улога ЦРМ менаџера мења како ова технологија постаје све уобичајенија? Да ли ће сада бити још већи терет на ЦРМ тимовима да имају јаке вештине анализе података и способност креативног решавања проблема?

Ово је за мене најинтересантнија промена. Колико ја то видим, сценарио са овом технологијом на снази види да ЦРМ тим губи део терета да мора да покреће дугачке циклусе тестирања, што му заузврат омогућава да се више фокусира на идеје о томе шта би требало да буду активне ставке које систем нуди кориснику. Систем појачања затим врши тестирање и проналази слатку тачку за сам сценарио који су креирали.

Одатле, на ЦРМ тиму је да настави са иновацијама и задржи заинтересованост играча проналажењем креативнијих приступа ангажовању. Ово видим као далеко задовољавајући приступ процесу и далеко занимљивију криву учења за све укључене!

Још једна предност система заснованих на појачању је што се они могу комбиновати са технологијом машинског учења како би се створила итеративна петља у којој се аутоматски уносе промене у податке. Можете ли детаљније да објасните како овај процес функционише?

У Голден Вхале-у смо овај процес учинили веома једноставним. Оног тренутка када пустите нови модел у наш ЛООПС систем, резултати његовог деловања почињу да мењају корисничко искуство и понашање на вашој платформи. Ово последично ствара измењени ток података који се враћа у део оркестрације модела нашег система.

Овде се промене анализирају, а модел се може прилагодити, поново калибрисати или поново обучити према претходном утицају, што заузврат ствара промене у резултујућим подацима током следеће рунде и тако даље и тако даље. Ово је веома интересантан процес, а ми још увек побољшавамо начин на који аутоматизујемо и убрзавамо напредак остварен овим логичким итерацијама.

Тимови ће сада моћи да буду далеко проактивнији у својим напорима да се ангажују са купцима и испробају нове ствари, а не да само реагују на њих након што се догоде. Како видите да ће ово имати користи од корисничког искуства у будућности?

Ово је дефинитивно веома важна тачка. Са предиктивним делом нашег система, добијамо образовану претпоставку о будућем понашању на нивоу појединачних корисника. То значи да се на дуге стазе можемо чак наћи у позицији у којој можемо радити са потребама купаца пре него што он или она донесу свесну одлуку о нечему!

Бити толико испред криве ће произвести нову генерацију производа који ће задовољити потражњу купаца на начин који никада раније није виђен, што ће на крају резултирати невероватно персонализованим корисничким искуством које потенцијално може бити потпуно другачије од купца до купца.

Ово, наравно, може бити од велике користи само са становишта ангажовања и требало би да отвори много нових и занимљивих путева за ЦРМ тимове.