水星金融公司（Mercury Financial）成立于2014年，虽是一家小型金融科技公司，却肩负重大使命：帮助客户恢复其信用记录。吉姆·彼得森（Jim Peterson） 是水星公司的首席执行官（CEO），也是一位资深金融人士。他从一开始就知道，人工智能（AI）对于创造个性化的客户旅程至关重要，而这将是水星公司产品的核心。因此，在2021年，该公司开始寻找一个AI驱动的引擎，以便能够在恰当的时间，通过恰当的渠道，以恰当的顺序给予每个客户恰当的推动。这种推动可能是促使客户用多张信用卡分开付款，或者温和地提醒客户已接近信用额度。有些人可能会对短信作出回应，有些人会对电子邮件作出回应。有些人距行动日还有两周时就会作出回应，有些人则会在只剩两天时才作出回应。这些元素中的任何一个——或者更准确地说，这些元素的每个特定组合——都可能造成截然不同的结果，客户可能会全心投入，也可能会深感恼怒。
水星公司是波士顿咨询集团（BCG）的前客户，不从事技术建设，因此其领导者决定从开源AI入手。鉴于大多数此类工具都是按使用量收费的，前期的固定成本会很低。水星公司专注于如何将现有的AI解决方案与它的内容管理、欺诈和资格系统以及其他许多前端和后端系统整合起来。然后，该公司将其营销流程自动化，再次利用现有的AI工具，但使用了自己的代码进行所有需要的测试，以了解什么东西对谁有效，并跟踪过去的结果。该公司建立的系统专注于管理数以百计的目标变量，以便以精细的方式瞄准目标和创建内容。在6个月内，由于这家金融技术公司发出的信息，试点项目致使所采取的行动有了10%的改善。水星公司知道它有了重大发现。
AI是在个性化方面实现精确性和规模化的必要条件。它可以收集、分析和使用个人客户的大量数据，并在每个接触点量身定制客户旅程。水星公司的经验，以及CVS和星巴克的经验（我们会加以详细探讨）破除了这样一种普遍观念，即，从AI解决方案中提取价值是一项复杂的技术构建工作。这种思维让企业无法获取AI的力量。他们不需要构建AI；他们只需要将它适当地整合到特定的业务环境中。
当你认识到将你的资源集中在整合和流程变革上的价值时，它会使你在AI系统中寻找的东西变得更加清晰。你开始认识到将你的数据和技术架构的设计视为竞争性资产有多重要。你会推动你企业的其他成员进行更多的测试，进一步加强你AI系统的智能。
不过，AI可能只占这一秘方的10%。另外的90%在于数据、实验和人才的结合，它们不断激活并影响系统背后的情报。个性化是目标；它是构成一家公司战略力量的因素。技术仅仅是实现这一目标的工具。在本文中，我们将介绍整合AI工具意味着什么，以及如何通过不断实验、生成学习和导入新数据来改善和完善客户旅程。
重新思考如何获得技术
在不计其数的对话中，我们发现自己正在矫正高管们对什么东西创造了AI优势的看法。一家企业不必渴望成为另一家亚马逊云科技（AWS）、微软、谷歌或Adobe——这些全是核心AI工具的构建者，毕竟，他们从事的业务就是销售这些工具。优步（Uber）、奈飞（Netflix）和声破天（Spotify）等耳熟能详的AI高手可能会研究和设计新的解决方案，但通常他们这样做是为了扩展应用程序，以适应其绝无仅有的巨大规模，或者是为了执行其他方式无法提供的特定功能（比如奈飞的推荐算法中的电影帧分析）。然而，在科技界之外，鲜有企业用自己的数字创新来赚钱。对他们而言，创新涉及在数字能力的基础上提供一个全新的解决方案。竞争对手都有机会使用相同的AI，但商业结果却大相径庭。一个关键的区别在于公司提供给AI的数据。竞争优势取决于持续收集数据、有组织地转化或充实数据，以及为可以影响下一步最佳行动能力的AI库提供信息。营销人员的工作是创造性地将这些AI驱动的建议应用于营销活动，并反复从中学习。
如今存在大量的开源技术，包括大多数的AI工具——OpenAI公司的GPT-4等宽泛的工具，以及发展成熟的库（用开源语言编写的应用程序，像XGBoost那样为特定用途打包成套，用于训练特定类型的机器学习模型）。大型科技公司的许多库或特定任务工具可以供人使用——比如，Meta（波士顿咨询集团的客户）用于预测的Prophet库，爱彼迎（Airbnb） 用于数据工程管道的工作流管理平台Airflow。AI功能内嵌于许多常见的客户体验工具中，比如Salesforce公司和Adobe公司的“体验云”（两家公司都是波士顿咨询集团的合作伙伴）。这些工具也在不断改进：由于有应用编程接口（application programming interfaces, APIs）和现代技术系统的架构，系统之间的对话变得更加容易，这一点我们将在后面探讨。
矫正看法的另一点涉及如何开始。与普遍的想法相反，大爆炸的方法没有必要。与真正的敏捷方法一样，明智的做法从窄小的范围入手，专注于特定的用例——比如，客户引导或早期接触——而不是试图从头开始重新设计整个客户体验。明智的做法是，选择一个你能真正得到AI牵引的领域，然后逐渐扩大其使用范围。
这并不是说实施AI化的客户旅程很容易。即使你有正确的AI解决方案，三个常见的缺点也会令它特别具有挑战性。
数据采集的局限性。当大部分的数据像医疗行业那样是非结构化的，或像酒店业那样是无记录的，这些情况就可能发生。没有人输入来自酒店房间里留给客人的卡片上反馈的信息，而这些卡片可能包含具有即时价值和有址可寻的信息。如果一家酒店记录了你对床型、清洁时间表、食物过敏、你使用过的每家酒店的设施等方面的偏好，你的下一次入住就可以很容易地根据你的品味量身定制。
AI解决方案和营销之间缺乏联系。一家连锁超市可能会假设哪些顾客喜欢非肉类食品，或者哪些顾客喜欢淘便宜货，但却没有明确确认。AI提供了自动大规模进行这种个性化预测的途径。不过，要测试这种假设，你需要一个营销技术系统，你可以用对话的形式将这些数据导入该系统。深入了解客户本身不能创造价值，除非它被激活。
系统无法自动扩展。如果你的系统不能将对每一个客户的了解转化为针对个别客户的定制行动，那么大量对客户的深刻了解就没有什么用处。而且，你不能依靠手工输入或分析来开发完美的一次性个性化活动。如果没有健全、可扩展的系统，对客户的深刻了解就会受到压制，或者仅在一种功能的狭小范围内使用。
智能整合的四个关键
根据我们指导各种企业开发AI化客户旅程的经验，我们已确定了智能整合企业的四个最典型特征：明确和一致的目标，合理的数据工具，松散连接的技术架构，以及实验性文化。值得注意的是，没有一个特征包括拥有一种更好的AI算法，尽管它们确实需要一个得到更好训练的算法。
明确和一致的目标。AI化的营销要求每个用例都有明确的优化目标，而且这些目标需要在合理的狭小范围内。“加快销售增长”之类的宽泛总体目标让人无从知道如何为结果归结原因。一个更合宜的AI目标可能是“将等待时间减到最小限度”“降低每笔销售的奖励成本”或“提出客户愿意接受的建议”。如果客户可能采取多种行动，你就需要提前决定：我们希望AI优化得出最有价值的选项，还是优化得出客户最可能采取的选项？
AI应用主要根据历史数据进行预测。如果AI关注的范围太广，它就会失去优化的能力；如果它面对的是史无前例的情形，它的预测就不准确。你可能需要多个AI引擎来建立更广泛的客户体验，而不是用一个AI引擎来管理一切。比如，一家领先的医疗保健公司有一个引擎来识别健康计划中最有可能出现急性病发作的成员；另一个引擎用来建议如何与某位成员接洽；另一个引擎用来建议实验的测试设计；还有一个引擎用来在特定预算内对整个外展服务类型的组合进行优化。
星巴克在基于AI的个性化方面取得成功的原因之一就是其目标的明确性。在从营销推广中推动销售时，该公司考虑到了这样一个事实，即，它的许多产品团队希望他们的产品得到推广，所以它决定进行优化，以得到最有可能迫使顾客购买的手法。（除了实际的响应数据，星巴克还捕捉到了隐性的兴趣——比如，顾客浏览的内容，以及她是否在某张图片上停留，点击描述，或在一周内重返同一页面三次）。除了不断的实验，该公司还专注于营销如何能提高净增收入总额，而不是专注于优化特定饮品的盈亏。这让人可以对成功给予一个全面的定义。
合理的数据工具。记录、组织和分享有关客户互动、公司相关行动和各接触点结果的数据的机制是企业AI个性化计划的基本要素。这种数据工具无所不包，从呼叫中心日志、源自第二和第三方关系的数据（比如渠道合作伙伴、媒体企业和数据经纪人）到生成和跟踪数字通信的自动化软件（比如来自Salesforce、HubSpot和Illumin公司的软件）。
一家公司需要“接受器”来捕捉客户在每个渠道上的每一次互动信息，而且这些信息必须非常精细。比如，在呼叫中心的互动中，公司希望知道的不仅仅是呼叫的目的：来电者听起来是恼怒还是困惑？来电者的电脑在通话过程中是否是打开的？来电者是在听从客服代表的指令，还是被其他东西分散了注意力？
当一家公司发送测试邮件时，它必须能够监控措辞、嵌入的图像、使用的字体大小和颜色，以及任何可能影响客户反应的其他变量。标签结构——用于捕捉这些互动和沟通的元数据并对其分类——提供了测试和学习空间。
当我们中的一位（戴维）在Aetna公司（现在是CVS Health的一部分）担任首席营销官时，首要目标是让人们采取增进健康的行动，比如注射流感疫苗和定期服药。该公司知道它希望谁采取哪些行动，但它不知道如何让这些人照办。这就需要进行大量的试验：改变信息（包括提议和有创意的内容）、测试激励措施、改变一天中的发送时间和信息的顺序，等等——如果没有设立机制来安排测试，并跟踪促使反应的微小变量，这一切都是不可行的。Aetna必须确保每一次互动都用其中的描述符全面进行标记（文本的颜色、图像的性质、语言的语气、具体的词汇），并确保每一个互动点都被详细地记录下来：客户何时互动、有多少次点击、客户是否离开又返回、第一次点击后的旅程去了哪里。这需要在所有互动的地方嵌入代码——网络、应用程序、电子邮件、短信等——并整合从这些地方返回的数据流。这就是该公司集中时间关注的地方——而不是专注于构建新的AI。随着AI系统越来越擅长编写代码、促进数据整合和自动标记营销资产，这项工作就会变得更加容易。
来自第三方资源的数据，比如天气、停电、人口统计和心理记录数据，以及某一邮政编码区人口的总体健康数据，可以提供更多的背景。信息越广泛、越精细，模型就越丰富。这种丰富性可以促进你的业绩优势。客户是立即做出了响应还是花了几天才做出响应？他们是向下滚屏以获取更多信息，然后点击，还是立即离开了？他们对哪些激励措施的反应最迅速？数据工具使持续的测试和实验得以实现，能够提供答案，帮助系统不断学习，并影响到公司的认知，使其了解到需要什么来让客户A做出回应，而不是客户B、C和D需要什么。
松散连接的技术架构。客户体验技术堆栈由预测引擎、排序（或体验管理）引擎、内容引擎、渠道交付引擎以及实验与分析引擎组成。此外，为拼接出一个客户旅程，AI会从五个或更多的系统中提取信息：营销、客户服务、产品使用、计费、在线渠道，有时还有零售店。鉴于有可能增加新的能力，并且可能需要接入好几个AI引擎，最好以模块化的方式设计这一堆栈。
AI提供智能、计算速度和规模来推动日益自动化的操作。因此，实施自动化的技术必须能够接受AI的信号，并将信息反馈给它，以帮助其改进。松散连接的技术架构十分理想。在这个架构中，各系统相互合作但又不相互依赖。
公开可用的应用编程接口——它让开发者通过一个简单、通用的通信标准访问专有软件——可以支持这种模块化架构。应用编程接口是跨越不同平台进行数字对话的通用语言。一个简单的例子是，一个应用编程接口将某公司的客户关系管理（CRM）系统与基于云的电话系统连接起来，让呼叫中心文员可以立即给新产生的潜在客户打电话，而不必退出CRM软件。有了开放的应用编程接口，信息可以无缝移动，模型容易更新，新的功能以模块化的方式增添进来。松散连接的架构令企业能够更快地进行竞争，因为他们可以在有新功能可用的时候轻松地更换组件，而且实现转换成本最小化。
为了了解松散连接的架构是如何实现堆栈各种元素的整合，并支持大规模的个性化的——这是智能整合的全部意义——让我们来看看康卡斯特（Comcast）公司的例子。该公司意识到它不可能正式连接其所有的客户数据系统。可是，如果要让AI决定促使公司通过哪个渠道向谁发送什么内容，并将反馈数据返回给AI，这些系统就必须以某种方式连接起来。
Pointillist是康卡斯特的AI决策工具，承担着双重职责。首先，它对来自公司所有系统——其应用程序的互动、呼叫中心、产品使用记录等——的某一客户的数据进行匹配，并创建一幅客户的综合视图。然后，像中间件一样操作，它将多个数据库编织成一个综合数据库，排除了创建另一个正式数据库的必要。Pointillist会找到有关某一客户的所有相关信息，并为其盖上时间戳，以影响公司对客户旅程的看法。该系统可以实时找到匹配的信息，构建旅程图，发现需要注意的异常情况，并深入探究根本原因。利用康卡斯特的中央客户系统Genesys（也是戴维的客户）中的标准，Pointillist将有关该客户的信息导入所有面向客户的交互系统，这些系统与Genesys的应用编程接口是兼容的。
客户的互动是按时间先后、时间戳的顺序来跟踪的。系统会实时提醒康卡斯特公司，张三正在使用移动应用程序，并且在访问服务计划信息时遇到困难。甚至在她打电话给康卡斯特之前，它就可以给她发一条短信，建议她采取某一权宜之计。如果她不采取行动，或者该行动不能解决问题，该软件就会显示她可能会打电话——所以如果她真的打来电话，呼叫中心系统已经知道她的问题是什么。它可以判定某一特定的自动回复是否可以帮助她（在这种情况下，它会提供自动提示），或者她是否需要与人交谈——作为成本较高的解决方案，这总是最后的手段。这个系统的魅力在于它提供了实时响应以及快速、无摩擦的体验。
在时间推移的过程中，随着Pointillist不断收集信息，它允许康卡斯特公司不断对处理任何特定问题的新的、更有效的方法进行测试：确定理想的讯息，找到拦截客户的最佳方式，甚至跟踪一下遇到问题的客户是否真的联系了公司。在头18个月里，这个AI驱动的系统为康卡斯特节省了10%以上的呼叫中心成本。公司得到的反馈以及它在在线客户体验方面的提升减少了呼叫理由。该系统已经帮助康卡斯特的Xfinity Mobile连续几年获得J.D. Power的最高排名。
实验性文化。AI允许公司快速测试想法，并大规模做更多的事情，从而激发创造力。此外，它从过去数以百万计的数据点中学习，比人类更快地开启创新。可是，AI并没有发明东西；它只是在过去的模式基础上进行预测。营销人员会发明东西，而AI则学习什么东西有效，对谁、何时以及如何有效。发明需要一种重视实验和承担风险的文化。
在其他条件相同的情况下，一家公司的实验数据是其竞争优势的源泉。领导者必须认识到，要将这些数据从原材料转化为货币，测试和学习的心态至关重要。这意味着要承认，实验有机会成本，而且按照定义来讲，一些实验不会成功。然而，即使是失败的实验也会提供有价值的教训。
敏捷的团队在这项工作中不可或缺。他们拥有超凡的技艺和创造力去追求新的想法，并在时间推移的过程中不断改进。使用敏捷的工作方法意味着你要为自己力所能及的事情做计划，但要留有空间，以便根据实验表明的结果迅速调整。因此，领导者需要检查他们的激励措施和运营计划，以确保他们促进敏捷的做法，允许测试不产生成功的结果，并能够灵活地改变路线。不过，领导者也必须支持实验思维，并在财务上为承担风险大开方便之门。实验需要对照组来验证测试结果。你必须能够减少损失，并对赢家加倍下注。你需要为必须测试的运营变革和新的激励措施提供资金。财务约束越紧，创新就越难。如果你不能承担风险，你就无法进行试验。
星巴克在激励性营销方面的优势很大程度上取决于其不断实验的策略，以及其用必要的资源支持实验的承诺。该公司不仅依靠数字化收集的数据和数字技术，而且还依靠其零售经验。它的技术100%由开源工具和语言组成。星巴克专注于不断丰富其数据集并将其与它的技术架构相连，而不是专注于开发算法。
每周，为了测试和学习，也为了加强或挑战营销假设，星巴克都会对一部分顾客进行随机试验。通常光顾零售店的顾客会受到激励，通过星巴克应用程序进行互动，并留下数字痕迹。该应用程序收集了丰富的数据：顾客何时、何地点了餐，点的是什么；他们下的是常规订单还是增加了一项内容；以及激励因素信息的细节（措辞、奖励、信息何时发送的、何时打开的）。所有这些细节都被该应用程序利用来在个人层面上量身定制营销推广。
该公司既会对现有产品又会对新产品进行试验。比如，它可能会选择改进信息传递或格式——这些变化可以精细到信息中嵌入的语言、颜色或图像。它也可能希望在细分客户群或最有效的渠道上测试定价或产品建议。参数越多，测试的排列组合就越多。测试可能需要时间，这也是使实验成为一种持续努力的另一个原因。
在执行了简化的概念验证四个月内，星巴克的AI整合之旅为它带来了45%的净增收入增长（可归于营销的销售额，不包括折扣）。在标志性的第12个月，经过随机试验、源源不断的新鲜数据、进一步的测试，并将该计划扩展到整个客户群之后，星巴克的销售增长了150%。随着更多的渠道、更多的特惠组合和更多的排列组合增添进来，这一数字达到了300%。
复杂客户关系中的智能整合
与星巴克不同的是，CVS Health在一个受监管的行业中运营，禁止向客户提供奖励。同样重要的是（如果说不是更重要的话），该公司在患者客户群及其健康状况方面，以及公司希望诱导的行为和举动方面的差异，都在相当程度上比星巴克这样的零售商更为复杂。
CVS的旅程始于Aetna内部，Aetna是它在2018年收购的公司。Aetna希望激励老年医保成员采取更健康的行动。帮助人们提升健康也会降低所有人的成本，并让公司能够改善客户服务。
Aetna认为它可以鼓励客户采取几十种健康行动；然而，该公司明白，比如要让患者重新配药，每个人需要不同的途径，甚至同一患者在长时间里也需要不同的途径。那些可以预测在某一时刻影响行为最佳方式的数据可能来自最近的索赔、对营销活动的反应、客户使用的数字工具、基本人口统计数据与地区差异，以及临床协议等。为了量身定制其沟通方式，该公司对改变宣传方方面面（渠道、时间、频率、信息、语言）的能力进行了投资，从而创造了数百万种潜在的排列组合。测试它们意味着个性化设置常见的营销技术工具，使其足够灵活，以捕捉和使用这一不断扩大的数据范围。可是，为了在所有潜在的变体中进行优化，常用的AI工具需要比当时可用数据更多的历史数据。因此，Aetna开发了一种方法，通过对照实验，大规模地测试所有这些排列组合。
对照实验可能会是什么样子？一个例子是测试一条短信、一封电子邮件和在药店柜台一次互动的相对影响，同时还要改变信息、时间和激励措施。由于排列组合的数量迅速增加，该公司会使用一种AI工具来检查测试选项的范围，并确定最少需要多少对照实验才足以跟踪每个排列组合的相对影响。
Aetna没有创建新的算法，而是选择使用开源算法，并组建了一个团队来进行持续的探索。业务专家与数据科学家和工程师坐在一起，向系统提供新的想法和变体——比如文案或图像的新创意、新的激励措施或接触客户的新方法——然后分析结果并修正路线。Aetna还聘请了行为经济学家来帮助制定各种情况下的联系策略：有些强调损失的风险，有些强调更健康的生活方式的重要性；有些提醒客户注意家庭，有些则利用当地社区数据加强健康信息。
最终，这种方法造就了人类与个体技术系统的结合，这些系统专为CVS的商业模式量身定制。在下游，这个智能引擎增强了一系列特定渠道的系统，其中可以实施各种互动：电子邮件、CRM、呼叫中心脚本、短信、应用程序通知，甚至是药剂师电脑屏幕上的弹窗。这些实施系统将互动的结果反馈回AI算法，以继续为其学习提供信息。久而久之，部分数据变得更加复杂：比如，呼叫中心的一次讨论可能会用自然语言处理进行剖析，以了解来电者的性情、词语选择、理解力等。通过关注数据流、创新的潜力、实验和架构，CVS提升了开放式AI工具的功能，通过降低医疗成本、提高服务评级、改善健康结果和提供新的交叉销售机会，创造了可观的年利润率增量。
为了利用AI推动竞争优势，你需要将你的内部系统与外部系统整合起来——首先收集准确的客户数据，然后将由此产生的见解作为个性化的建议提出来。这两个过程的开展都必须不断扩大规模和范围，不断增加新的变量和日益细化的细节。对于那些必须开始像智能整合企业那样思考的高管来说，这种方法需要一个新的领导模式，用新的优先事项来利用无限的可能性。正确的整合会越来越多地推动卓越的客户体验，它将成为品牌价值如何建立起来的决定性因素。
西尔维奥·帕伦博是波士顿咨询集团人工智能与高级分析业务的董事总经理和合伙人。戴维·埃德尔曼是一名行政顾问，哈佛商学院高级讲师。
西尔维奥·帕伦博（Silvio Palumbo）
戴维·埃德尔曼（David Edelman）| 文
永年 | 译 易语 | 校 时青靖 | 编辑