Pulse

Golden Whale Productions: сила позитивного підкріплення

Співзасновник і головний операційний директор Golden Whale Productions, Клаудія Хейлінг, розповідає про те, як поєднання систем на основі підкріплення з технологією машинного навчання дозволяє командам CRM отримати інформацію про своїх клієнтів за частку часу, який потрібен для ручного A/B-тестування.

Який вплив можуть мати системи на основі підкріплення на діяльність CRM? Як ці моделі використовують дані користувача для перевірки гіпотез і уточнення припущень з часом?

Щоб відповісти на це запитання в загальному вигляді, ми можемо сказати, що моделі машинного навчання завжди знаходять корисне застосування, коли проблеми є багатовимірними, оскільки це найчастіше ті сфери, де людям важко зрозуміти кореляції.

Витомне A/B-тестування можна замінити експериментальними запусками наших систем LOOPS, завдяки чому оптимізовані результати досягаються набагато швидше та з меншими труднощами в організації.

Для роботи в CRM це означає, що організації, які використовують наші методи, можуть запускати більше кампаній, додавати нові функції та проводити більше експериментів кожного разу, водночас досягаючи кращих результатів завдяки значно покращеному часу виконання окремої події.

Ці системи не винаходять дії самі по собі, а надають точний огляд поточної поведінки користувачів, на який команди CRM можуть реагувати своїми ідеями. Чи можете ви навести приклад конкретного сценарію, який менеджер CRM може захотіти протестувати на основі висновків своєї системи підкріплення?

Ми вже встановили дуже прямий приклад, який має негайний вплив на прибутки бізнесу за допомогою нашої аналітики бонусів, тобто питання про те, коли надавати кому який бонус/функцію на рівні платформи та в межах регулювання.

Це неймовірно складна проблема оптимізації, яку людина-оператор може вирішити самостійно, але, запустивши її через LOOPS, нам вдалося створити підвищення монетизації до 30 відсотків, що відразу змогли використати команди CRM.

Крім того, наявність здатності ідентифікувати навіть найскладніші шаблони та тенденції в поведінці користувачів за допомогою LOOPS дозволила деяким операторам скоротити до 20 відсотків своїх витрат на бонуси, просто дозволивши їм відсортувати непродуктивні цільові бонуси від тих, які є ймовірно, дасть довгостроковий урожай.

Звичайно, оптимізована швидкість виконання цих запитань через LOOPS також пришвидшила цикли навчання на тижні в кожному випадку, що, у свою чергу, дозволило командам CRM розгортати запропоновані стратегії та отримувати від них переваги швидше, ніж будь-коли раніше.

Як ви бачите зміну ролі CRM-менеджера, оскільки ця технологія стає все більш поширеною? Чи тепер на команди CRM буде ще більший обов’язок володіти сильними навичками аналізу даних і творчими здібностями до вирішення проблем?

Це для мене найцікавіша зміна. Наскільки я бачу, у сценарії з цією технологією команда CRM позбавляється певного тягаря необхідності запускати тривалі цикли тестування, що, у свою чергу, дозволяє їй більше зосередитися на уявленні про те, якими мають бути активні елементи, які система пропонує користувачеві. Потім система підкріплення проводить тестування та знаходить найкраще місце для того сценарію, який вони створили.

З цього моменту команда CRM має продовжувати впроваджувати інновації та підтримувати інтерес гравців, знаходячи більш творчі підходи до залучення. Я вважаю це набагато більш задовільним підходом до процесу та набагато цікавішим процесом навчання для всіх учасників!

Ще одна перевага систем на основі підкріплення полягає в тому, що їх можна поєднувати з технологією машинного навчання для створення ітераційного циклу, у якому автоматично вносяться зміни в дані. Чи можете ви детальніше пояснити, як працює цей процес?

У Golden Whale ми зробили цей процес дуже простим. У той момент, коли ви випускаєте нову модель у нашу систему LOOPS, результати її дій починають змінювати досвід користувачів і поведінку на вашій платформі. Як наслідок, це створює змінений потік даних, який повертається до частини оркестровки моделі нашої системи.

Тут аналізуються зміни, і модель може бути адаптована, повторно відкалібрована або переналаштована відповідно до попереднього впливу, який, у свою чергу, створює зміни в отриманих даних під час наступного раунду і так далі і так далі. Це дуже цікавий процес, і ми все ще вдосконалюємо спосіб автоматизації та прискорення прогресу, досягнутого завдяки цим логічним ітераціям.

Команди тепер зможуть бути набагато активнішими у своїх зусиллях, щоб взаємодіяти з клієнтами та пробувати нові речі, а не просто реагувати на них після того, як вони вже сталися. Як ви бачите, що це принесе користь клієнтському досвіду в майбутньому?

Це, безперечно, дуже важливий момент. Завдяки передбачуваній частині нашої системи ми отримуємо обґрунтоване припущення щодо майбутньої поведінки на рівні окремих користувачів. Це означає, що в довгостроковій перспективі ми навіть можемо опинитися в такому становищі, коли зможемо працювати з потребами клієнта до того, як він або вона прийме свідоме рішення про щось!

Настільки випереджаючи ринок, ви створите нове покоління продуктів, які задовольнятимуть попит клієнтів у спосіб, якого ніколи раніше не бачили, що зрештою призведе до неймовірно персоналізованого користувацького досвіду, який потенційно може повністю відрізнятися від клієнта до клієнта.

Звісно, ​​це може принести величезну користь з точки зору залучення та має відкрити багато нових і цікавих шляхів для команд CRM.