Puls

Golden Whale Productions: siła pozytywnego wzmocnienia

Claudia Heiling, współzałożycielka i dyrektor operacyjna Golden Whale Productions, omawia, w jaki sposób połączenie systemów opartych na wzmocnieniu z technologią uczenia maszynowego umożliwia zespołom CRM zdobywanie wiedzy o swoich klientach w ułamku czasu potrzebnego na ręczne testy A/B.

Jaki wpływ mogą mieć systemy oparte na wzmocnieniach na działalność CRM? W jaki sposób modele te wykorzystują dane użytkowników do testowania hipotez i udoskonalania założeń w miarę upływu czasu?

Odpowiadając ogólnie na to pytanie, możemy powiedzieć, że modele uczenia maszynowego zawsze znajdują przydatne zastosowania, gdy problemy są wielowymiarowe, ponieważ najczęściej są to obszary, w których ludziom trudno jest zrozumieć korelacje.

Męczące testy A/B mogą zastąpić eksperymentalne przebiegi naszych systemów LOOPS, a zoptymalizowane wyniki można osiągnąć znacznie szybciej i przy mniejszym tarciu w organizacji.

W przypadku pracy w CRM oznacza to, że organizacje korzystające z naszych metod mogą prowadzić więcej kampanii, dodawać więcej nowych funkcji i za każdym razem przeprowadzać więcej eksperymentów, jednocześnie uzyskując lepsze wyniki ze względu na znacznie skrócony czas realizacji pojedynczego wydarzenia.

Systemy te nie wymyślają same działań, ale raczej zapewniają dokładny przegląd bieżących zachowań użytkowników, na które zespoły CRM mogą reagować za pomocą własnych pomysłów. Czy możesz podać przykład konkretnego scenariusza, który menedżer CRM może chcieć przetestować w oparciu o ustalenia swojego systemu wzmocnień?

Ustaliliśmy już bardzo bezpośredni przykład, który ma natychmiastowy wpływ na wyniki finansowe firmy dzięki naszej analizie premii, która polega na tym, kiedy komu przyznać jaką premię/funkcję na poziomie platformy i w granicach przepisów.

Jest to niezwykle trudny problem optymalizacyjny, który operator może rozwiązać samodzielnie, ale uruchamiając go za pomocą pętli LOOPS, udało nam się uzyskać wzrost monetyzacji aż o 30%, który zespoły CRM mogły natychmiast wykorzystać.

Co więcej, możliwość zidentyfikowania nawet najbardziej złożonych wzorców i trendów w zachowaniach użytkowników za pomocą LOOPS umożliwiła niektórym operatorom zmniejszenie kosztów premii nawet o 20 procent po prostu poprzez umożliwienie im odróżnienia bezproduktywnych celów premiowych od tych, które są prawdopodobnie przyniesie długoterminowe zyski.

Oczywiście zoptymalizowana szybkość wykonywania tych pytań przez LOOPS przyspieszyła także cykle uczenia się o tygodnie w każdym przypadku, co z kolei umożliwiło zespołom CRM wdrożenie sugerowanych strategii i czerpanie z nich korzyści szybciej niż kiedykolwiek wcześniej.

Jak widzisz zmianę roli menedżera CRM w miarę upowszechniania się tej technologii? Czy na zespołach CRM będzie teraz ciążył jeszcze większy obowiązek posiadania silnych umiejętności analizy danych i kreatywnego rozwiązywania problemów?

To dla mnie najciekawsza zmiana. Według mnie scenariusz z wdrożoną tą technologią zakłada, że ​​zespół CRM traci część ciężaru konieczności przeprowadzania długich cykli testowych, co z kolei pozwala mu bardziej skupić się na wyobrażeniach o tym, jakie elementy powinny być wykonalne, aby system oferuje użytkownikowi. Następnie system wzmocnień przeprowadza testy i znajduje idealny punkt dla właśnie stworzonego scenariusza.

Od tego momentu zadaniem zespołu CRM będzie ciągłe wprowadzanie innowacji i utrzymywanie zainteresowania graczy poprzez znajdowanie bardziej kreatywnych podejść do zaangażowania. Uważam to za o wiele bardziej satysfakcjonujące podejście do procesu i o wiele ciekawszą krzywą uczenia się dla wszystkich zaangażowanych!

Kolejną zaletą systemów opartych na wzmocnieniu jest to, że można je połączyć z technologią uczenia maszynowego, aby utworzyć pętlę iteracyjną, w której automatycznie wprowadzane są zmiany w danych. Czy możesz wyjaśnić bardziej szczegółowo, jak działa ten proces?

W Golden Whale sprawiliśmy, że ten proces jest bardzo prosty. W momencie wypuszczenia nowego modelu do naszego systemu LOOPS, rezultaty jego działań zaczynają zmieniać doświadczenia i zachowania użytkowników na Twojej platformie. W rezultacie tworzy się zmieniony strumień danych, który przepływa z powrotem do części naszego systemu zajmującej się modelowaniem.

Tutaj analizowane są zmiany, a model może zostać dostosowany, ponownie skalibrowany lub przeszkolony zgodnie z wcześniejszym wpływem, co z kolei powoduje zmiany w uzyskanych danych w następnej rundzie i tak dalej, i tak dalej. To bardzo interesujący proces i wciąż udoskonalamy sposób, w jaki automatyzujemy i przyspieszamy postęp osiągany dzięki tym logicznym iteracjom.

Zespoły będą teraz mogły wykazywać się znacznie większą proaktywnością w kontaktach z klientami i wypróbowywaniu nowych rzeczy, zamiast jedynie reagować na nie po ich wystąpieniu. Jak według Ciebie wpłynie to na jakość obsługi klienta w przyszłości?

Jest to z pewnością bardzo ważny punkt. Dzięki predykcyjnej części naszego systemu uzyskujemy wiedzę na temat przyszłego zachowania na poziomie pojedynczych użytkowników. Oznacza to, że na dłuższą metę możemy nawet znaleźć się w sytuacji, w której będziemy mogli pracować nad potrzebami klienta, zanim podejmie on świadomą decyzję o czymś!

Będąc tak daleko przed konkurencją, stworzymy nową generację produktów, które zaspokoją potrzeby klientów w sposób, jakiego nigdy wcześniej nie widziano, co ostatecznie doprowadzi do niewiarygodnie spersonalizowanego doświadczenia użytkownika, które potencjalnie może być zupełnie inne w zależności od klienta.

Może to oczywiście przynieść ogromne korzyści z punktu widzenia zaangażowania i powinno otworzyć wiele nowych i interesujących możliwości dla zespołów CRM.