Nabız

Golden Whale Productions: Olumlu pekiştirmenin gücü

Golden Whale Productions'ın Kurucu Ortağı ve COO'su Claudia Heiling, takviye tabanlı sistemleri makine öğrenimi teknolojisiyle birleştirmenin, CRM ekiplerinin, manuel A/B testi yapmak için gereken süreden çok daha kısa sürede müşterileri hakkında bilgi edinmelerine nasıl olanak tanıdığını anlatıyor.

Takviye tabanlı sistemlerin CRM faaliyeti üzerinde ne gibi etkileri olabilir? Bu modeller, hipotezleri test etmek ve zaman içinde varsayımları iyileştirmek için kullanıcı verilerini nasıl kullanıyor?

Bu soruyu genel olarak cevaplamak gerekirse, sorunların çok boyutlu olduğu durumlarda Makine Öğrenimi Modellerinin her zaman yararlı uygulamalar bulduğunu söyleyebiliriz. Çünkü bunlar genellikle insanların korelasyonları kavramakta zorlandıkları alanlardır.

Yorucu A/B testleri, LOOPS sistemlerimizin deneysel çalışmalarının yerine kullanılabilir; optimize edilmiş sonuçlara çok daha hızlı ve organizasyonda daha az anlaşmazlıkla ulaşılabilir.

CRM'de çalışmak için bu, yöntemlerimizi kullanan kuruluşların daha fazla kampanya yürütebileceği, daha fazla yeni özellik ekleyebileceği ve her seferinde daha fazla deney yapabileceği ve aynı zamanda tek bir etkinlik için çok daha iyileştirilmiş geri dönüş süresi nedeniyle daha iyi sonuçlar elde edebileceği anlamına gelir.

Bu sistemler eylemleri kendi başlarına icat etmez; bunun yerine CRM ekiplerinin kendi fikirleriyle tepki verebileceği mevcut kullanıcı davranışına ilişkin doğru bir genel bakış sunar. Bir CRM yöneticisinin güçlendirme sisteminin bulgularına dayanarak test etmek isteyebileceği belirli bir senaryoya örnek verebilir misiniz?

Platform düzeyinde ve düzenleme sınırları dahilinde hangi bonusun/özelliğin kime ne zaman verileceği sorusu olan Bonus Analitiğimizle bir işletmenin kârlılığını anında etkileyen çok doğrudan bir örnek oluşturduk.

Bu, bir insan operatörün kendi başına çözmesi inanılmaz derecede zor bir optimizasyon problemidir, ancak bunu LOOPS aracılığıyla çalıştırarak, CRM ekiplerinin hemen kullanabildiği yüzde 30'a varan gelir artışı yaratmayı başardık.

Ayrıca, LOOPS aracılığıyla kullanıcı davranışındaki en karmaşık kalıpları ve eğilimleri bile belirleme yeteneğine sahip olmak, bazı operatörlerin, verimsiz bonus hedeflerini gereksiz olanlardan ayırmalarına olanak tanıyarak bonus maliyetlerinden yüzde 20'ye varan oranda tasarruf etmelerine olanak tanıdı. muhtemelen daha uzun vadeli getiri sağlayacaktır.

Elbette, bu soruları LOOPS'a aktarmanın optimize edilmiş uygulama hızı, her durumda öğrenme döngülerini haftalarca hızlandırdı ve bu da CRM ekiplerinin önerilen stratejileri uygulamaya koymasına ve bunların avantajlarından her zamankinden daha hızlı bir şekilde yararlanmasına olanak tanıdı.

Bu teknoloji daha yaygın hale geldikçe CRM yöneticisinin rolünün değiştiğini nasıl görüyorsunuz? Artık CRM ekiplerinin güçlü veri analizi becerilerine ve yaratıcı problem çözme yeteneğine sahip olma sorumluluğu daha da büyük olacak mı?

Benim için en ilginç değişiklik bu. Gördüğüm kadarıyla, bu teknolojinin mevcut olduğu senaryo, CRM ekibinin uzun test döngüleri yürütme zorunluluğunun bir kısmını ortadan kaldırdığını ve bunun karşılığında, eyleme geçirilebilir öğelerin ne olması gerektiği hakkında fikir sahibi olmaya daha fazla odaklanmasını sağlıyor. Sistem kullanıcıya sunulmaktadır. Takviye sistemi daha sonra testi yapar ve yarattıkları senaryo için en uygun noktayı bulur.

Buradan itibaren yeniliklere devam etmek ve etkileşime yönelik daha yaratıcı yaklaşımlar bularak oyuncuların ilgisini canlı tutmak CRM ekibine kalmıştır. Bunu, sürece çok daha tatmin edici bir yaklaşım ve katılan herkes için çok daha ilginç bir öğrenme eğrisi olarak görüyorum!

Takviye tabanlı sistemlerin bir diğer avantajı, verilerde kendiliğinden yapılan değişikliklerin otomatik olarak yapıldığı yinelemeli bir döngü oluşturmak için makine öğrenimi teknolojisiyle birleştirilebilmesidir. Bu sürecin nasıl işlediğini daha detaylı anlatabilir misiniz?

Golden Whale olarak bu süreci çok basit hale getirdik. LOOPS sistemimize yeni bir model yayınladığınız anda, eylemlerinin sonuçları kullanıcıların platformunuzdaki deneyimini ve davranışlarını değiştirmeye başlar. Bu sonuç olarak sistemimizin model düzenleme kısmına geri akan değiştirilmiş bir veri akışı yaratır.

Burada değişiklikler analiz edilir ve model daha önce yapılan etkiye göre uyarlanabilir, yeniden kalibre edilebilir veya yeniden eğitilebilir; bu da bir sonraki turda elde edilen verilerde değişiklikler yaratır ve bu böyle devam eder. Bu çok ilginç bir süreç ve bu mantıksal yinelemeler aracılığıyla kaydedilen ilerlemeyi nasıl otomatikleştireceğimizi ve hızlandıracağımızı hâlâ geliştiriyoruz.

Ekipler artık yalnızca olaylar meydana geldikten sonra tepki vermek yerine, müşterilerle etkileşim kurma ve yeni şeyler deneme çabalarında çok daha proaktif olabilecek. Bunun müşteri deneyimine ileriye dönük faydasını nasıl görüyorsunuz?

Bu kesinlikle çok önemli bir nokta. Sistemimizin tahmine dayalı kısmı sayesinde, tek kullanıcılar düzeyinde gelecekteki davranışlar hakkında bilinçli bir tahmin elde ediyoruz. Bu, uzun vadede kendimizi müşterinin bir şey hakkında bilinçli bir karar vermeden önce ihtiyaçları üzerinde çalışabileceğimiz bir konumda bile bulabileceğimiz anlamına gelir!

Eğrinin bu kadar ilerisinde olmak, müşterilerin taleplerini daha önce hiç görülmemiş bir şekilde karşılayan yeni nesil ürünler üretecek ve sonuçta müşteriden müşteriye tamamen farklı olabilecek inanılmaz derecede kişiselleştirilmiş bir kullanıcı deneyimine yol açacaktır.

Bu, elbette, yalnızca katılım açısından büyük fayda sağlayabilir ve CRM ekipleri için birçok yeni ve ilginç yol açmalıdır.