Dreamforce, San Francisco: Med knapt 20 millioner kunder er der data nok til at holde U.S. Banks chief analytics officer og CRM-chef, Bill Hofman, beskæftiget langt ud i fremtiden.
For med millioner af kunder og mange flere millioner data om kundernes adfærd har Bill Hofman og hans team ofte brugt timers på at bygge modeller og teste deres hypoteser om kundeadfærd.
Det tog derfor ikke lang tid at overtale analysechefen til at prøve en anden tilgang, hvor banken lod sin Salesforce-løsning gennemtrawle knapt 4,5 millioner kunder, for efter to timer at levere en række forudsigelser om kunderne.
Det fortalte Bill Hoffman under et foredrag på den store årlig Salesforce-konference i San Francisco, som netop er slut.
Ifølge Bill Hoffmann var resultatet, at hver kunde nu har fået en score, som viser hvor sandsynligt det er ,at de kaster sig over andre af bankens produkter - inklusive et bud på produktet.
”Det afgørende er dog, at der ud for hver kunde er en lille forklaring, som viser hvilke faktorer, der spiller ind.”, forklarede Bill Hoffman.
Forklaringen kan for eksempel være, at kunden er tilknyttet en bestemt filial eller har en bestemt type huslån.
Den nødvendige ekstra forklaring
For Bill Hofman er den ekstra forklaring vigtig, for det giver den enkelte bankrådgiver, som skal arbejde med resultaterne, en større tillid til den kunstige intelligens.
”Jeg får tit spørgsmålet om, hvorvidt man kan stole på kunstig intelligens. Derfor har vi valgt at vise hvorfor Einstein-løsningen er kommet frem til resultatet - for netop at give størst mulig åbenhed.”
Ifølge ham viste gennemgangen eksempelvis også, at kunder mellem 35 og 44 år med et huslån har en stor sandsynlighed for at øge deres engagement i banken, hvis de også har et kreditkort tilknyttet.
”Det var en af de her slags sammenhænge, som systemet selv kom op med, men som banken måske aldrig selv havde fundet.”, forklarede Bill Hoffman.
Baseret på sine erfaringer med anvendt kunstig intelligens opsummerede han desuden fem gode råd til organisationer, som overvejer at arbejde med løsninger inden for kunstig intelligens:
De fem gode råd
1) Du skal have en agil tilgang. Det er afgørende. Vær ikke bange for at begå lidt fejl først. Begynd med nogle test og se, hvad du kan lære og overvej, hvad du kan bruge det til. Derefter kan du skalere ideerne.
2) Størrelsen på data er afgørende i det lange løb. Men det skal du ikke lade dig stoppe af. I begyndelsen er små og hurtige data bedre end store og besværlige datasæt. U.S. Bank begyndte selv med cirka 40 datakilder, skalerede det til nogle hundrede og til sidst tusindvis. Men skal du bare i gang, så begyndtt med måske 10-20 datasæt og lær af dem. Derefter kan du skalere.
3) Det er afgørende, at du har fokus på de folk, som skal kunne bruge dine indsigter og analyser. Det er fint at have flotte sammenhænge, men hvis folkene inde i bankerne eller på kontorerne ikke forstår dem, så spilder du din tid.
4) Inviterer alle relevante partnere med ind som interessenter i dit arbejde. Som bank er vi reguleret af en masse regler, og det kan have indflydelse på, hvad vi må. Så tag juristerne, dem som arbejder med risikovurdering og alle de andre med fra starten og vis dem hvad du laver. Uanset om det er folk som kan støtte eller hindre projektet, så er det afgørende at de er med tidligt i processen.
5) Husk at fejre dine succeser. Spred dem i huset og ude i verden. Det her analyse- og arbejdsfelt er helt åbent, så det kan lige så godt være dig, som holder en keynote næste år. Samtidig skal de her projekter også sælges internt, så husk at del dem hele tiden, så du sikrer dig, at ressourcerne bliver ved med at være til stede.
