Puls

Golden Whale Productions: kraften i positiv förstärkning

Golden Whale Productions medgrundare och COO, Claudia Heiling, diskuterar hur kombinationen av förstärkningsbaserade system med maskininlärningsteknik gör det möjligt för CRM-team att få insikter om sina kunder på en bråkdel av den tid det tar att göra manuella A/B-tester.

Vilken inverkan kan förstärkningsbaserade system ha på CRM-aktivitet? Hur använder dessa modeller användardata för att testa hypoteser och förfina antaganden över tid?

För att besvara denna fråga på ett generellt sätt kan vi säga att maskininlärningsmodeller alltid hittar användbara tillämpningar när problemen är flerdimensionella, eftersom dessa oftast är de områden där människor har svårt att förstå sambanden.

Tröttsamma A/B-tester kan ersätta experimentella körningar av våra LOOPS-system, med optimerade resultat som uppnås mycket snabbare och med mindre friktion i organisationen.

För arbete i CRM innebär detta att de organisationer som använder våra metoder kan köra fler kampanjer, lägga till fler nya funktioner och göra fler experiment varje gång samtidigt som de skapar bättre resultat på grund av den mycket förbättrade omloppstiden för ett enstaka evenemang.

Dessa system uppfinner inte åtgärder av sig själva, utan ger snarare en korrekt översikt över nuvarande användarbeteende som CRM-team kan reagera på med sina egna idéer. Kan du ge ett exempel på ett specifikt scenario som en CRM-chef kan vilja testa baserat på resultaten av sitt förstärkningssystem?

Vi har redan etablerat ett mycket direkt exempel som har en omedelbar inverkan på ett företags resultat med vår Bonus Analytics, vilket är frågan om när man ska ge vem vilken bonus/funktion på plattformsnivå och inom regleringens gränser.

Detta är ett otroligt knepigt optimeringsproblem för en mänsklig operatör att lösa på egen hand, men genom att köra det genom LOOPS har vi lyckats skapa intäktshöjningar på upp till 30 procent som CRM-team omedelbart har kunnat utnyttja.

Dessutom har förmågan att identifiera även de mest komplexa mönstren och trenderna i användarbeteende genom LOOPS gjort det möjligt för vissa operatörer att raka upp till 20 procent av sina bonuskostnader helt enkelt genom att låta dem sortera bort de improduktiva bonusmålen från de som är sannolikt ger en långsiktig avkastning.

Naturligtvis har den optimerade exekveringshastigheten för att ställa dessa frågor genom LOOPS också påskyndat inlärningscyklerna med veckor i varje fall, vilket i sin tur har gjort det möjligt för CRM-team att implementera de föreslagna strategierna och skörda frukterna av dem snabbare än någonsin tidigare.

Hur ser du på att rollen som CRM-chef förändras i takt med att denna teknik blir vanligare? Kommer det nu att finnas en ännu större skyldighet för CRM-team att ha starka dataanalysfärdigheter och kreativ problemlösningsförmåga?

Detta är den mest intressanta förändringen för mig. Såvitt jag ser det, ser scenariot med den här tekniken på plats att CRM-teamet förlorar en del av bördan av att behöva köra långa testcykler, vilket i sin tur gör att det kan fokusera mer på idéer om vad de handlingsbara sakerna bör vara att systemet erbjuder användaren. Förstärkningssystemet gör sedan testet och hittar rätt ställe för just det scenario som de har skapat.

Därifrån är det upp till CRM-teamet att fortsätta förnya och hålla spelarna intresserade genom att hitta mer kreativa metoder för engagemang. Jag ser detta som ett mycket mer tillfredsställande förhållningssätt till processen och en mycket mer intressant inlärningskurva för alla inblandade!

En annan fördel med förstärkningsbaserade system är att de kan kombineras med maskininlärningsteknik för att skapa en iterativ loop där självförvållade ändringar görs i data automatiskt. Kan du förklara mer i detalj hur denna process fungerar?

På Golden Whale har vi gjort den här processen väldigt enkel. I samma ögonblick som du släpper en ny modell i vårt LOOPS-system börjar resultaten av dess åtgärder att förändra användarnas upplevelse och beteende på din plattform. Detta skapar följaktligen en förändrad dataström som flödar tillbaka in i modellorkestreringsdelen av vårt system.

Här analyseras förändringarna, och modellen kan anpassas, omkalibreras eller omtränas efter den påverkan som gjorts tidigare, vilket i sin tur skapar förändringar i den resulterande datan under nästa omgång och så vidare och så vidare. Detta är en mycket intressant process, och vi förbättrar fortfarande hur vi automatiserar och påskyndar framstegen genom dessa logiska iterationer.

Teamen kommer nu att kunna vara mycket mer proaktiva i sina ansträngningar att engagera sig med kunder och prova nya saker snarare än att bara reagera på dem efter att de har hänt. Hur ser du på att detta gynnar kundupplevelsen framöver?

Detta är definitivt en mycket viktig punkt. Med den prediktiva delen av vårt system får vi en välgrundad gissning om det framtida beteendet på enstaka användares nivå. Det gör att vi på sikt till och med kan hamna i en position där vi kan arbeta med en kunds behov innan han eller hon har tagit ett medvetet beslut om något!

Att ligga så långt före kurvan kommer att producera en ny generation av produkter som tillgodoser kundernas efterfrågan på ett sätt som aldrig tidigare skådats, vilket i slutändan resulterar i en otroligt personlig användarupplevelse som potentiellt kan vara helt olika från kund till kund.

Detta kan naturligtvis bara vara till stor nytta ur engagemangssynpunkt och bör öppna upp många nya och intressanta vägar för CRM-team.