Пулс

Golden Whale Productions: силата на положителното подсилване

Съоснователят и главен оперативен директор на Golden Whale Productions, Клаудия Хейлинг, обсъжда как комбинирането на системи, базирани на подсилване, с технология за машинно обучение позволява на CRM екипите да получат представа за своите клиенти за част от времето, необходимо за извършване на ръчно A/B тестване.

Какво въздействие могат да окажат системите, базирани на подсилване, върху CRM дейността? Как тези модели използват потребителски данни за тестване на хипотези и прецизиране на предположенията с течение на времето?

За да отговорим на този въпрос по общ начин, можем да кажем, че моделите на машинно обучение винаги намират полезни приложения, когато проблемите са многоизмерни, тъй като това са най-често областите, в които хората трудно разбират корелациите.

Уморителното A/B тестване може да бъде заменено с експериментални изпълнения на нашите LOOPS системи, като оптимизираните резултати се постигат много по-бързо и с по-малко триене в организацията.

За работа в CRM това означава, че организациите, използващи нашите методи, могат да провеждат повече кампании, да добавят повече нови функции и да правят повече експерименти всеки път, като същевременно създават по-добри резултати поради значително подобреното време за изпълнение за отделно събитие.

Тези системи не измислят действия сами, а по-скоро предоставят точен преглед на текущото потребителско поведение, на което CRM екипите могат да реагират със собствени идеи. Можете ли да дадете пример за конкретен сценарий, който CRM мениджър може да поиска да тества въз основа на констатациите на тяхната система за подсилване?

Вече установихме много директен пример, който има незабавно въздействие върху долната линия на бизнеса с нашия Bonus Analytics, който е въпросът кога да дадем на кого какъв бонус/функция на ниво платформа и в границите на регулацията.

Това е невероятно труден оптимизационен проблем, който човешкият оператор може да реши сам, но като го прокараме през LOOPS, ние успяхме да създадем повишения на монетизацията до 30 процента, които CRM екипите успяха незабавно да използват.

Освен това възможността да идентифицират дори най-сложните модели и тенденции в поведението на потребителите чрез LOOPS даде възможност на определени оператори да намалят до 20 процента от своите бонус разходи, просто като им позволи да сортират непродуктивните цели за бонуси от тези, които са вероятно ще доведе до по-дългосрочен добив.

Разбира се, оптимизираната скорост на изпълнение на поставянето на тези въпроси чрез LOOPS също ускори циклите на обучение със седмици във всеки случай, което на свой ред позволи на CRM екипите да внедрят предложените стратегии и да извлекат ползите от тях по-бързо от всякога.

Как виждате промяната на ролята на CRM мениджър, тъй като тази технология става все по-често срещана? Сега ще има ли още по-голяма тежест върху CRM екипите да имат силни умения за анализ на данни и способност за творческо решаване на проблеми?

Това е най-интересната промяна за мен. Доколкото виждам, сценарият с тази въведена технология показва, че CRM екипът губи част от тежестта на необходимостта да провежда дълги тестови цикли, което от своя страна му позволява да се съсредоточи повече върху идеята за това какви трябва да бъдат активните елементи, които системата предлага на потребителя. След това системата за подсилване извършва тестването и намира подходящото място за самия сценарий, който са създали.

Оттам нататък зависи от CRM екипа да продължи да обновява и да поддържа интереса на играчите чрез намиране на по-креативни подходи за ангажиране. Виждам това като много по-удовлетворяващ подход към процеса и много по-интересна крива на обучение за всички участници!

Друго предимство на базираните на подсилване системи е, че те могат да се комбинират с технология за машинно обучение, за да се създаде итеративен цикъл, при който автоматично се правят самопричинени промени в данните. Можете ли да обясните как работи този процес по-подробно?

В Golden Whale направихме този процес много лесен. В момента, в който пуснете нов модел в нашата система LOOPS, резултатите от неговите действия започват да променят изживяването и поведението на потребителите на вашата платформа. Това следователно създава променен поток от данни, който се връща обратно в частта за оркестрация на модела на нашата система.

Тук промените се анализират и моделът може да бъде адаптиран, повторно калибриран или повторно обучен според въздействието, направено преди това, което от своя страна създава промени в получените данни по време на следващия кръг и така нататък, и така нататък. Това е много интересен процес и ние все още подобряваме начина, по който автоматизираме и ускоряваме напредъка, постигнат чрез тези логически итерации.

Екипите вече ще могат да бъдат много по-активни в усилията си да се ангажират с клиентите и да изпробват нови неща, вместо просто да реагират на тях, след като са се случили. Как виждате това да е от полза за клиентското изживяване в бъдеще?

Това определено е много важен момент. С предсказващата част на нашата система получаваме обосновано предположение за бъдещото поведение на ниво отделни потребители. Това означава, че в дългосрочен план може дори да се окажем в позиция, в която можем да работим с нуждите на клиента, преди той или тя да е взел съзнателно решение за нещо!

Да бъдеш толкова пред кривата ще произведе ново поколение продукти, които отговарят на търсенето на клиентите по начин, който не е виждан досега, което в крайна сметка ще доведе до невероятно персонализирано потребителско изживяване, което потенциално може да бъде напълно различно от клиент до клиент.

Това, разбира се, може да бъде само от огромна полза от гледна точка на ангажираност и би трябвало да отвори много нови и интересни пътища за CRM екипите.