Pols

Golden Whale Productions: de kracht van positieve bekrachtiging

Medeoprichter en COO van Golden Whale Productions, Claudia Heiling, bespreekt hoe het combineren van op versterking gebaseerde systemen met machine learning-technologie CRM-teams in staat stelt inzichten te verkrijgen over hun klanten in een fractie van de tijd die nodig is om handmatig A/B-testen uit te voeren.

Welke impact kunnen op versterking gebaseerde systemen hebben op CRM-activiteiten? Hoe gebruiken deze modellen gebruikersgegevens om hypothesen te testen en aannames in de loop van de tijd te verfijnen?

Om deze vraag in algemene zin te beantwoorden, kunnen we zeggen dat Machine Learning-modellen altijd nuttige toepassingen vinden wanneer de problemen multidimensionaal zijn, aangezien dit meestal de gebieden zijn waar mensen moeite hebben om de correlaties te begrijpen.

Vermoeiende A/B-testen kunnen de experimentele uitvoeringen van onze LOOPS-systemen vervangen, waarbij geoptimaliseerde resultaten veel sneller worden bereikt en met minder wrijving in de organisatie.

Voor werk in CRM betekent dit dat de organisaties die onze methoden gebruiken meer campagnes kunnen uitvoeren, meer nieuwe functies kunnen toevoegen en elke keer meer experimenten kunnen doen, terwijl ze toch betere resultaten behalen dankzij de sterk verbeterde doorlooptijd voor een enkel evenement.

Deze systemen bedenken geen acties zelf, maar bieden eerder een nauwkeurig overzicht van het huidige gebruikersgedrag waarop CRM-teams kunnen reageren met hun eigen ideeën. Kunt u een voorbeeld geven van een specifiek scenario dat een CRM-manager mogelijk wil testen op basis van de bevindingen van zijn versterkingssysteem?

We hebben al een heel direct voorbeeld gegeven dat een onmiddellijke impact heeft op de bedrijfsresultaten met onze Bonus Analytics, namelijk de vraag wanneer we wie welke bonus/functie moeten geven op platformniveau en binnen de grenzen van de regelgeving.

Dit is een ongelooflijk lastig optimalisatieprobleem dat een menselijke operator zelf moet oplossen, maar door het door LOOPS te laten lopen, zijn we erin geslaagd om tot wel 30 procent meer inkomsten te genereren, waar CRM-teams onmiddellijk gebruik van hebben kunnen maken.

Bovendien heeft de mogelijkheid om via LOOPS zelfs de meest complexe patronen en trends in gebruikersgedrag te identificeren het voor bepaalde operators mogelijk gemaakt om tot 20 procent op hun bonuskosten te besparen door simpelweg de onproductieve bonusdoelen te onderscheiden van de bonusdoelen die wel beschikbaar zijn. waarschijnlijk een rendement op de langere termijn opleveren.

Uiteraard heeft de geoptimaliseerde uitvoeringssnelheid van het stellen van deze vragen via LOOPS ook de leercycli telkens met weken versneld, waardoor CRM-teams de voorgestelde strategieën konden inzetten en er sneller dan ooit de vruchten van konden plukken.

Hoe zie jij de rol van een CRM-manager veranderen naarmate deze technologie steeds gebruikelijker wordt? Zal er nu een nog grotere druk komen te liggen op CRM-teams om over sterke data-analysevaardigheden en creatief probleemoplossend vermogen te beschikken?

Dit is voor mij de meest interessante verandering. Voor zover ik het zie, zorgt het scenario met deze technologie ervoor dat het CRM-team een ​​deel van de last verliest die gepaard gaat met het uitvoeren van lange testcycli, waardoor het zich meer kan concentreren op het bedenken van wat de actiepunten zouden moeten zijn. systeem aan de gebruiker aanbiedt. Het versterkingssysteem voert vervolgens de tests uit en vindt de goede plek voor het scenario dat ze hebben gecreëerd.

Van daaruit is het aan het CRM-team om te blijven innoveren en de spelers geïnteresseerd te houden door creatievere benaderingen van betrokkenheid te vinden. Ik beschouw dit als een veel bevredigender benadering van het proces en een veel interessantere leercurve voor alle betrokkenen!

Een ander voordeel van op versterking gebaseerde systemen is dat ze kunnen worden gecombineerd met machine learning-technologie om een ​​iteratieve lus te creëren waarin automatisch aangebrachte wijzigingen in de gegevens worden aangebracht. Kunt u nader uitleggen hoe dit proces werkt?

Bij Golden Whale hebben we dit proces heel eenvoudig gemaakt. Op het moment dat u een nieuw model in ons LOOPS-systeem vrijgeeft, beginnen de resultaten van zijn acties de ervaring en het gedrag van de gebruikers op uw platform te veranderen. Hierdoor ontstaat er een veranderde datastroom die terugvloeit naar het modelorkestratiegedeelte van ons systeem.

Hier worden de veranderingen geanalyseerd en kan het model worden aangepast, opnieuw gekalibreerd of opnieuw getraind op basis van de eerder gemaakte impact, wat op zijn beurt veranderingen in de resulterende gegevens veroorzaakt tijdens de volgende ronde, enzovoort, enzovoort. Dit is een heel interessant proces en we zijn nog steeds bezig met het verbeteren van de manier waarop we de voortgang die via deze logische iteraties wordt geboekt, automatiseren en versnellen.

Teams zullen nu veel proactiever kunnen zijn in hun inspanningen om met klanten in contact te komen en nieuwe dingen uit te proberen, in plaats van er alleen maar op te reageren nadat ze zijn gebeurd. Hoe denkt u dat dit de klantervaring in de toekomst ten goede zal komen?

Dit is absoluut een heel belangrijk punt. Met het voorspellende deel van ons systeem krijgen we een onderbouwde inschatting van het toekomstige gedrag op het niveau van individuele gebruikers. Dit betekent dat we op de lange termijn misschien zelfs in een positie terechtkomen waarin we met de behoeften van een klant kunnen werken voordat hij of zij ergens een bewuste beslissing over heeft genomen!

Door zo ver voorop te lopen, ontstaat er een nieuwe generatie producten die tegemoetkomen aan de vraag van de klanten op een manier die nog nooit eerder is gezien, wat uiteindelijk resulteert in een ongelooflijk gepersonaliseerde gebruikerservaring die potentieel compleet verschillend kan zijn van klant tot klant.

Dit kan uiteraard alleen maar van groot voordeel zijn vanuit het oogpunt van betrokkenheid en zou tal van nieuwe en interessante wegen moeten openen voor CRM-teams.