Pulssi

Golden Whale Productions: positiivisen vahvistuksen voima

Golden Whale Productionsin perustaja ja operatiivinen johtaja Claudia Heiling keskustelee siitä, kuinka vahvistamiseen perustuvien järjestelmien yhdistäminen koneoppimisteknologiaan antaa CRM-tiimille mahdollisuuden saada tietoa asiakkaistaan ​​murto-osassa ajasta, joka kuluu manuaalisen A/B-testauksen tekemiseen.

Mikä vaikutus vahvistukseen perustuvilla järjestelmillä voi olla CRM-toimintaan? Kuinka nämä mallit käyttävät käyttäjätietoja hypoteesien testaamiseen ja oletusten tarkentamiseen ajan myötä?

Yleisesti vastataksemme tähän kysymykseen voidaan sanoa, että koneoppimismalleista löytyy aina hyödyllisiä sovelluksia, kun ongelmat ovat moniulotteisia, koska nämä ovat yleisimmin alueita, joilla ihmisten on vaikea ymmärtää korrelaatioita.

Väsyttävä A/B-testaus voidaan korvata LOOPS-järjestelmiemme kokeellisilla ajoilla, jolloin optimoidut tulokset saavutetaan paljon nopeammin ja pienemmällä kitkalla organisaatiossa.

CRM-työssä tämä tarkoittaa, että menetelmiämme käyttävät organisaatiot voivat ajaa enemmän kampanjoita, lisätä uusia ominaisuuksia ja tehdä enemmän kokeiluja joka kerta, mutta silti tuottaa parempia tuloksia yksittäisen tapahtuman huomattavasti pidentyneen läpimenoajan ansiosta.

Nämä järjestelmät eivät keksi toimintoja itse, vaan tarjoavat tarkan yleiskatsauksen käyttäjien nykyisestä käyttäytymisestä, johon CRM-tiimit voivat reagoida omilla ideoillaan. Voitko antaa esimerkin tietystä skenaariosta, jota CRM-päällikkö saattaa haluta testata vahvistusjärjestelmänsä tulosten perusteella?

Olemme jo luoneet erittäin suoran esimerkin, jolla on välitön vaikutus yrityksen tulokseen Bonus-analyysillämme, joka on kysymys siitä, milloin kenelle mikäkin bonus/ominaisuus annetaan alustatasolla ja sääntelyn rajoissa.

Tämä on uskomattoman hankala optimointiongelma ihmisoperaattorin ratkaistavaksi itse, mutta suorittamalla sen LOOPSin kautta olemme onnistuneet saamaan jopa 30 prosentin kaupallistamislisäyksiä, joita CRM-tiimit ovat heti pystyneet hyödyntämään.

Lisäksi kyky tunnistaa monimutkaisimmatkin käyttäjien käyttäytymisen mallit ja trendit LOOPSin avulla on mahdollistanut, että tietyt operaattorit voivat alentaa jopa 20 prosenttia bonuskustannuksistaan ​​yksinkertaisesti antamalla heille mahdollisuuden erottaa tuottamattomat bonustavoitteet niistä, jotka ovat tuottaa todennäköisesti pidemmän aikavälin tuoton.

Tietenkin optimoitu suoritusnopeus näiden kysymysten esittämisessä LOOPSin kautta on myös nopeuttanut oppimissyklejä viikoittain kussakin tapauksessa, mikä puolestaan ​​on antanut CRM-tiimille mahdollisuuden ottaa käyttöön ehdotetut strategiat ja hyötyä niistä nopeammin kuin koskaan ennen.

Miten näet CRM-päällikön roolin muuttuvan tämän tekniikan yleistyessä? Onko CRM-tiimeillä nyt entistä suurempi velvollisuus omata vahvat data-analyysitaidot ja luova ongelmanratkaisukyky?

Tämä on minusta mielenkiintoisin muutos. Nähdäkseni skenaario tämän tekniikan kanssa näyttää, että CRM-tiimi menettää osan taakasta, joka aiheutuu pitkien testisyklien suorittamisesta, mikä puolestaan ​​antaa sen mahdollisuuden keskittyä enemmän ideointiin siitä, mitä toimivia kohteita tulisi olla. järjestelmä tarjoaa käyttäjälle. Vahvistusjärjestelmä tekee sitten testin ja löytää sopivan paikan juuri sille skenaariolle, jonka he ovat luoneet.

Tästä eteenpäin CRM-tiimin tehtävänä on jatkaa innovointia ja pitää pelaajat kiinnostuneina etsimällä luovempia lähestymistapoja sitoutumiseen. Minusta tämä on paljon tyydyttävämpi lähestymistapa prosessiin ja paljon mielenkiintoisempi oppimiskäyrä kaikille mukana oleville!

Toinen vahvistuspohjaisten järjestelmien etu on se, että ne voidaan yhdistää koneoppimisteknologiaan, jolloin syntyy iteratiivinen silmukka, jossa itse aiheutetut muutokset tehdään tietoihin automaattisesti. Voitko selittää tarkemmin, kuinka tämä prosessi toimii?

Golden Whalessa olemme tehneet tästä prosessista erittäin suoraviivaisen. Kun julkaiset uuden mallin LOOPS-järjestelmäämme, sen toimien tulokset alkavat muuttaa käyttäjien kokemusta ja käyttäytymistä alustallasi. Tämä siis luo muuttuneen tietovirran, joka virtaa takaisin järjestelmämme mallin orkesteriosioon.

Tässä analysoidaan muutoksia ja mallia voidaan mukauttaa, kalibroida tai kouluttaa uudelleen aiemmin tehdyn vaikutuksen mukaan, mikä puolestaan ​​aiheuttaa muutoksia tuloksena oleviin tietoihin seuraavan kierroksen aikana ja niin edelleen ja niin edelleen. Tämä on erittäin mielenkiintoinen prosessi, ja parannamme edelleen tapaamme automatisoida ja nopeuttaa näiden loogisten iteraatioiden kautta tapahtuvaa edistystä.

Tiimit voivat nyt olla paljon ennakoivampia pyrkiessään olemaan yhteydessä asiakkaisiin ja kokeilemaan uusia asioita sen sijaan, että vastaisivat niihin vasta niiden tapahtumisen jälkeen. Miten näet tämän hyödyttävän asiakaskokemusta jatkossa?

Tämä on ehdottomasti erittäin tärkeä kohta. Järjestelmämme ennakoivan osan avulla saamme valistuneen arvauksen tulevasta käyttäytymisestä yksittäisten käyttäjien tasolla. Tämä tarkoittaa, että pitkällä tähtäimellä saatamme jopa joutua tilanteeseen, jossa voimme työskennellä asiakkaan tarpeiden kanssa ennen kuin hän on tehnyt tietoisen päätöksen jostakin!

Näin paljon edelläkävijä tuottaa uuden sukupolven tuotteita, jotka vastaavat asiakkaiden kysyntään tavalla, jota ei ole koskaan ennen nähty. Lopputuloksena on uskomattoman henkilökohtainen käyttökokemus, joka voi olla täysin erilainen eri asiakkailla.

Tästä voi tietysti olla vain valtavasti hyötyä sitoutumisen näkökulmasta ja sen pitäisi avata paljon uusia ja mielenkiintoisia väyliä CRM-tiimeille.