Импульс

Golden Whale Productions: сила положительного подкрепления

Соучредитель и главный операционный директор Golden Whale Productions Клаудия Хейлинг рассказывает, как сочетание систем, основанных на подкреплении, с технологией машинного обучения позволяет командам CRM получать информацию о своих клиентах за долю времени, которое требуется для проведения ручного A/B-тестирования.

Какое влияние могут оказать системы, основанные на подкреплении, на деятельность CRM? Как эти модели используют пользовательские данные для проверки гипотез и уточнения предположений с течением времени?

Чтобы ответить на этот вопрос в общем, мы можем сказать, что модели машинного обучения всегда находят полезное применение, когда проблемы многомерны, поскольку чаще всего это те области, в которых людям трудно понять корреляции.

Утомительное A/B-тестирование можно заменить экспериментальными запусками наших систем LOOPS, при этом оптимизированные результаты достигаются гораздо быстрее и с меньшими трудностями в организации.

Для работы в CRM это означает, что организации, использующие наши методы, могут проводить больше кампаний, добавлять больше новых функций и проводить больше экспериментов каждый раз, при этом добиваясь лучших результатов благодаря значительному сокращению времени выполнения отдельного события.

Эти системы не изобретают действия сами по себе, а предоставляют точный обзор текущего поведения пользователей, на который команды CRM могут реагировать собственными идеями. Можете ли вы привести пример конкретного сценария, который менеджер CRM может захотеть протестировать на основе результатов своей системы подкрепления?

Мы уже привели очень прямой пример, который оказывает непосредственное влияние на прибыль бизнеса с помощью нашей бонусной аналитики, а именно: когда кому какой бонус/функцию предоставить на уровне платформы и в рамках регулирования.

Это невероятно сложная задача оптимизации, которую человек-оператор может решить самостоятельно, но, пропустив ее через LOOPS, нам удалось добиться повышения монетизации до 30 процентов, что команды CRM сразу же смогли использовать.

Кроме того, способность выявлять даже самые сложные закономерности и тенденции в поведении пользователей с помощью LOOPS позволила некоторым операторам сократить до 20 процентов затрат на бонусы, просто позволив им отделить непродуктивные целевые бонусы от тех, которые являются ненужными. вероятно, принесет долгосрочную прибыль.

Конечно, оптимизированная скорость выполнения этих вопросов через LOOPS также ускорила циклы обучения на несколько недель в каждом случае, что, в свою очередь, позволило командам CRM развернуть предложенные стратегии и получить от них выгоду быстрее, чем когда-либо прежде.

Как, по вашему мнению, изменится роль CRM-менеджера по мере того, как эта технология станет более распространенной? Будет ли теперь на командах CRM ложиться еще большая ответственность за наличие сильных навыков анализа данных и творческих способностей к решению проблем?

Для меня это самое интересное изменение. Насколько я понимаю, сценарий с использованием этой технологии предполагает, что команда CRM освобождается от части бремени необходимости запуска длительных циклов тестирования, что, в свою очередь, позволяет ей больше сосредоточиться на выработке идей о том, какими должны быть практические элементы, которые должны быть реализованы. система предлагает пользователю. Затем система подкрепления проводит тестирование и находит золотую середину для того самого сценария, который они создали.

После этого команда CRM должна продолжать внедрять инновации и поддерживать интерес игроков, находя более творческие подходы к взаимодействию. Я считаю, что это гораздо более приятный подход к процессу и гораздо более интересная кривая обучения для всех участников!

Еще одним преимуществом систем, основанных на подкреплении, является то, что их можно объединить с технологией машинного обучения для создания итеративного цикла, в котором автоматически вносятся в данные самостоятельно вносимые изменения. Можете ли вы объяснить, как этот процесс работает более подробно?

В Golden Whale мы сделали этот процесс очень простым. В тот момент, когда вы выпускаете новую модель в нашу систему LOOPS, результаты ее действий начинают менять опыт и поведение пользователей на вашей платформе. Следовательно, это создает измененный поток данных, который возвращается в часть оркестровки модели нашей системы.

Здесь анализируются изменения, и модель может быть адаптирована, перекалибрована или переобучена в соответствии с предыдущим воздействием, что, в свою очередь, приводит к изменениям в результирующих данных во время следующего раунда и так далее, и тому подобное. Это очень интересный процесс, и мы все еще совершенствуем способы автоматизации и ускорения прогресса, достигнутого с помощью этих логических итераций.

Теперь команды смогут гораздо более активно взаимодействовать с клиентами и пробовать новые вещи, а не просто реагировать на них после того, как они уже произошли. Как, по вашему мнению, это повлияет на качество обслуживания клиентов в будущем?

Это, безусловно, очень важный момент. С помощью прогнозирующей части нашей системы мы получаем обоснованное предположение о будущем поведении на уровне отдельных пользователей. Это означает, что в долгосрочной перспективе мы можем даже оказаться в положении, когда сможем работать с потребностями клиента до того, как он или она примут о чем-то сознательное решение!

Такое опережение позволит создать новое поколение продуктов, которые будут удовлетворять запросы клиентов так, как никогда раньше, что в конечном итоге приведет к невероятно персонализированному пользовательскому опыту, который потенциально может полностью отличаться от клиента к клиенту.

Это, конечно, может принести огромную пользу только с точки зрения взаимодействия и должно открыть множество новых и интересных возможностей для команд CRM.