Pulse

Golden Whale Productions: o poder do reforço positivo

A cofundadora e COO da Golden Whale Productions, Claudia Heiling, discute como a combinação de sistemas baseados em reforço com tecnologia de aprendizado de máquina permite que as equipes de CRM obtenham insights sobre seus clientes em uma fração do tempo que leva para fazer testes A/B manuais.

Que impacto os sistemas baseados em reforço podem ter na atividade de CRM? Como esses modelos utilizam dados do usuário para testar hipóteses e refinar suposições ao longo do tempo?

Para responder a esta questão de uma forma geral podemos dizer que os Modelos de Aprendizado de Máquina sempre encontram aplicações úteis sempre que os problemas são multidimensionais, pois estas são mais comumente as áreas onde os humanos têm dificuldade em compreender as correlações.

Testes A/B cansativos podem ser substituídos por execuções experimentais de nossos sistemas LOOPS, com resultados otimizados sendo alcançados muito mais rapidamente e com menos atrito na organização.

Para trabalhar em CRM, isso significa que as organizações que usam nossos métodos podem executar mais campanhas, adicionar mais novos recursos e fazer mais experimentos a cada vez, ao mesmo tempo em que criam melhores resultados devido ao tempo de resposta muito melhorado para um evento único.

Esses sistemas não inventam ações por si só, mas fornecem uma visão geral precisa do comportamento atual do usuário, à qual as equipes de CRM podem reagir com ideias próprias. Você pode dar um exemplo de cenário específico que um gerente de CRM pode querer testar com base nas descobertas de seu sistema de reforço?

Já estabelecemos um exemplo muito direto que tem um impacto imediato nos resultados financeiros de uma empresa com a nossa Análise de Bônus, que é a questão de quando dar a quem qual bônus/recurso em nível de plataforma e dentro dos limites da regulamentação.

Este é um problema de otimização incrivelmente complicado para um operador humano resolver por conta própria, mas ao executá-lo por meio do LOOPS conseguimos criar aumentos de monetização de até 30% que as equipes de CRM puderam utilizar imediatamente.

Além disso, ter a capacidade de identificar até mesmo os padrões e tendências mais complexos no comportamento do usuário através do LOOPS permitiu que certos operadores reduzissem até 20% seus custos de bônus simplesmente permitindo-lhes separar as metas de bônus improdutivas daquelas que são susceptível de produzir um rendimento a longo prazo.

É claro que a velocidade de execução otimizada para colocar essas questões no LOOPS também acelerou os ciclos de aprendizagem em semanas em cada caso, o que, por sua vez, permitiu que as equipes de CRM implementassem as estratégias sugeridas e colhem os benefícios delas mais rápido do que nunca.

Como você vê a mudança do papel de um gerente de CRM à medida que essa tecnologia se torna mais comum? Haverá agora um ônus ainda maior sobre as equipes de CRM para terem fortes habilidades de análise de dados e capacidade criativa de resolução de problemas?

Esta é a mudança mais interessante para mim. Na minha opinião, o cenário com esta tecnologia implementada faz com que a equipe de CRM perca parte do fardo de ter que executar longos ciclos de testes, o que, por sua vez, permite que ela se concentre mais na concepção de quais devem ser os itens acionáveis ​​que o sistema está oferecendo ao usuário. O sistema de reforço então faz os testes e encontra o ponto ideal para o cenário que eles criaram.

A partir daí, cabe à equipe de CRM continuar inovando e manter os jogadores interessados, encontrando abordagens mais criativas para o engajamento. Vejo isso como uma abordagem muito mais satisfatória para o processo e uma curva de aprendizado muito mais interessante para todos os envolvidos!

Outra vantagem dos sistemas baseados em reforço é que eles podem ser combinados com tecnologia de aprendizado de máquina para criar um ciclo iterativo onde alterações autoinfligidas são feitas automaticamente nos dados. Você pode explicar como esse processo funciona com mais detalhes?

Na Golden Whale, tornamos esse processo muito simples. No momento em que você lança um novo modelo em nosso sistema LOOPS, os resultados de suas ações começam a mudar a experiência e o comportamento dos usuários em sua plataforma. Conseqüentemente, isso cria um fluxo de dados alterado que flui de volta para a parte de orquestração do modelo do nosso sistema.

Aqui as alterações são analisadas e o modelo pode ser adaptado, recalibrado ou retreinado de acordo com o impacto causado anteriormente, o que por sua vez cria alterações nos dados resultantes durante a próxima ronda e assim por diante. Este é um processo muito interessante e ainda estamos melhorando a forma como automatizamos e aceleramos o progresso feito através dessas iterações lógicas.

As equipes agora poderão ser muito mais proativas em seus esforços para interagir com os clientes e experimentar coisas novas, em vez de simplesmente reagir a elas depois que elas acontecerem. Como você vê isso beneficiando a experiência do cliente daqui para frente?

Este é definitivamente um ponto muito importante. Com a parte preditiva do nosso sistema, obtemos uma estimativa fundamentada sobre o comportamento futuro no nível de usuários individuais. Isso significa que, no longo prazo, podemos até nos encontrar em uma posição em que possamos trabalhar com as necessidades do cliente antes que ele tome uma decisão consciente sobre algo!

Estar tão à frente da curva produzirá uma nova geração de produtos que atendem à demanda dos clientes de uma forma nunca vista antes, resultando em última análise em uma experiência de usuário incrivelmente personalizada que pode ser completamente diferente de cliente para cliente.

É claro que isso só pode trazer grandes benefícios do ponto de vista do engajamento e deve abrir muitos caminhos novos e interessantes para as equipes de CRM.