AI是功能強大的工作伙伴，因此很多企業認為，想要透過AI獲取價值，勢必要勞師動眾地建構繁複的技術設施。這恐怕是一個誤解。明智的企業會採取更敏捷的做法。

藝術家／ 愛德華多．特雷索爾迪（Edoardo Tresoldi）

金融科技公司「水星金融」（Mercury Financial）創立於2014年，規模雖小但使命遠大，它的使命是：協助顧客恢復金融信用。公司執行長吉姆．彼得森（Jim Peterson）在金融界相當資深，從創業之初就明白人工智慧（AI）對於打造個人化的顧客歷程（customer journey）相當關鍵，這是水星金融公司產品與服務的核心。因此水星金融從2021年開始尋找一具AI驅動的引擎，期望它能夠透過適當的管道，按照適當的順序，在適當的時間給予顧客適當的推力（nudge）。這種推力可能是促使顧客以多張信用卡來支付，也可能是溫和地提醒顧客信用額度將滿。有些顧客適合以簡訊通知，有些需要透過電子郵件。有些顧客最好在行動日期兩個星期之前通知，有些兩天之前通知即可。這些要素中的任何一項，或者更精確地說，這些要素的特定組合，可能決定顧客會與公司充分接觸，還是深感不滿。

本文觀念精粹

機會：AI能夠蒐集、分析、運用極大量的個別顧客數據，為每一個接觸點量身打造顧客歷程。

挑戰：許多企業不推出AI專案，完全是因為它們以為若想從AI解決方案獲取價值，就必須先開發出複雜的技術。

解方：企業可以運用開放原始碼AI工具和第三方提供的數據，同時持續進行實驗、學習、引進新數據，並改善顧客歷程。

水星金融曾經是波士頓顧問集團（BCG）的客戶，並不從事打造技術的業務，因此公司領導階層決定從開放原始碼（open-source）AI著手。這類工具大多數是根據使用狀況收費，因此前期固定成本比較低。水星金融致力於將現有的AI解決方案，整合進入自家的內容管理、詐欺防範、適格性（eligibility）系統，以及許多其他的前端與後端系統。接著公司將行銷流程自動化，同樣是運用現有的AI工具，但使用自家的程式碼來進行所有必要的測試，以了解哪些工具對哪些顧客有用，並追蹤過去的結果。公司建立的系統專注於以細微的方式管理數百個變數，以便用於鎖定客戶的目的，並且製作內容。試行計畫施行6個月之後，公司發出的訊息激發顧客採取行動的成效提高了10％ ，水星金融知道這項計畫非比尋常。

必須借重AI，才能達成更加精確、規模更大的個人化作業。AI能夠蒐集、分析、運用大量的個別顧客數據，為每一個接觸點量身打造顧客歷程。：業界普遍認為，想從AI解決方案中獲取價值，就必須打造複雜的技術，但是水星金融和CVS藥局、星巴克（Starbucks）的經驗（下文將詳細探討）推翻了這個觀念。這種想法阻礙企業發揮AI的威力。企業不需要打造AI技術，只需要將AI恰當地整合到特定的業務環境之中。

你若能體認到集中資源去推動AI整合與流程變革的價值，就能更清楚知道自己期望AI系統達成什麼。你會開始了解，把你的數據和技術架構的設計視為有競爭力的資產是很重要的。而且你會推動組織其他成員進行更多測試，來增進AI系統的智慧。

但在成功的祕方當中，AI只占10％左右；其他90％在於數據、實驗與人才的組合，這個組合不斷活化與提供資訊以強化AI系統背後的智慧。企業的目標在於個人化，這是公司策略的實質內涵。技術只是達成這個目標的工具。本文將介紹如何整合AI工具，以及如何才能夠持續進行實驗、學習，並且引進新數據來改善、精進顧客歷程。

重新思考如何取得技術

我們在一場又一場對話中發現，必須為高階主管破除關於如何創造AI優勢的錯誤觀念。公司不必期待自家成為下一個亞馬遜網路服務（AWS）、微軟（Microsoft）、Google或Adobe，這些企業打造核心AI工具並且對外銷售。人們熟悉的那些善用AI的公司如Uber、Netflix與Spotify，也許會研究並設計新的解決方案，但它們通用的做法是擴展原有的應用軟體，來因應自身無比龐大的規模，或者執行無法以其他方式進行的功能〔例如Netflix推薦演算法的影格分析（movie-frame analysis）〕。但是很少有科技業之外的公司，會將自家的數位創新拿來直接銷售獲利。對這些公司而言，創新是要根據自家的數位能力基礎來提供新穎的解決方案。競爭對手全都能夠取得同樣的AI系統，但產生的業務成果天差地遠。一項關鍵差異就是公司送進AI系統的數據。競爭優勢取決於持續不斷地蒐集數據、有組織地轉化或強化數據，並將這些數據餵給AI函式庫，他們有能力建議下一步可以採取的最佳行動。行銷人員的職責是發揮創意，將這些由AI驅動的建議應用到行銷活動，並且從其中反覆學習。

今日已經有大量的開放原始碼技術，包括大部分的AI工具（而且是應用廣泛的工具，例如OpenAI的GPT4），以及內容完整的函式庫（以開放原始碼程式語言撰寫的應用程式，組裝為套件，用於特定的用途，例如訓練特定類型機器學習模型的XGBoost）。大型科技公司提供自家許多函式庫與執行特定任務的工具，例如Meta（BCG的客戶）的「先知」（Prophet）函式庫具有預測功能，Airbnb的Airflow則是一個工作流程管理平台，可以處理數據工程議程。許多常用的顧客體驗工具都內建AI能力，例如Salesforce與Adobe（兩者都是BCG的合作伙伴）的「體驗雲」（experience cloud）。這些工具也不斷改進：拜應用程式介面（API）與現代科技系統架構之賜，如今讓不同系統相互溝通要容易許多，下文將進一步討論。

另一項有待釐清的觀念是如何開始推動。一般認為一開始就要大張旗鼓進行，但其實並無必要。就如同真正的敏捷法，明智的做法是起步的實施範圍要窄，聚焦於明確特定的使用案例，例如協助顧客熟悉產品（customer onboarding）或早期接觸，而不是嘗試完全從頭重新設計整個顧客體驗。明智的做法是先選擇一個領域，可藉由AI做出實績，然後逐漸擴大運用。

上述做法並不表示，營造以AI為基礎的顧客歷程是容易做到的。就算你已經掌握適當的AI解決方案，三個常見的缺點還是會為整個過程帶來挑戰。

數據擷取受到限制。這種情形發生在大部分數據未結構化（例如醫療業），或者未留下紀錄（例如餐旅休閒業）。旅館客人不會在留給他們的顧客意見卡寫下回饋意見，而這些意見可能含有當下很有價值且可處理的資訊。如果旅館能夠記錄有關你對於床型、打掃時間、食物過敏、曾使用的各項設施的喜好，那麼下一次你入住時，旅館就很容易為你量身打造符合你品味的住宿體驗。

AI解決方案與行銷之間欠缺連結。連鎖超市或許會認定哪些顧客偏好非肉類食品、哪些顧客一心要尋找便宜貨，但缺乏證據可確認。AI能夠以自動化方式大規模地提供這類個人化的預測。但若要測試這項假設，你需要一套行銷科技（martech）系統，將這些數據以對話的方式導入系統之中。從中產生的見解必須透過實際應用，才能創造價值。

系統無法自動調整規模。想要讓大量有關顧客的見解派上用場，系統就必須將每一項見解轉化為針對個別顧客量身打造的行動。而且你不能仰賴人工輸入或分析，來打造完美的一次性個人化行銷活動。如果沒有一個效能強大、可擴大規模的系統，顧客見解會受到抑制，或者過分狹隘地只在單一職能內使用。

智慧型整合的四個關鍵

我們曾經指導多種類型的公司打造以AI為基礎的顧客歷程，從這些經驗中發現智慧型整合有4個關鍵特質：各個目標清晰且彼此方向一致、健全的數據工具組（data instrumentation）、鬆散連結的技術架構、敢於實驗的文化。值得注意的是，這4個特質都不需要更優質的AI演算法，不過確實會要求加強對演算法的訓練。

1、目標清晰且彼此方向一致

以AI為基礎的行銷活動，需要對每一個使用案例設定明確的優化目標，而這些目標必須限制在合理的狹窄範圍內。廣泛的一般性目標如「加速銷售成長」，會讓人無法確定達成各項結果的原因。對AI而言，更適當的目標或許是「盡可能縮短等候時間」、「降低每次銷售的誘因成本」（incentive cost per sale），或是「提出顧客會接受的建議」。如果顧客可能採取的行動有多種選項，你就必須事先決定要AI去優化的哪一類選項：是對公司最有價值的選項，還是顧客最有可能採行的選項？

AI應用程式在進行預測時，主要是根據歷史數據。AI專注的範圍如果太大，就無法優化；如果AI面對的情境沒有先例，所做的預測就會失準。你不應仰賴單一的AI引擎來主導一切，而是需要多個AI引擎來打造更廣泛的顧客體驗。例如，有一家健康照護業的領導業者使用一具AI引擎，來找出最有可能出現緊急狀況的顧客；另一具引擎則用來建議如何與顧客接觸；一具引擎針對實驗提出測試設計；還有一具引擎是優化特定預算額度內的整個推廣活動組合。

“企業的目標在於個人化，這是公司策略的實質內涵。技術只是達成這個目標的工具。

星巴克以AI為基礎的個人化行銷相當成功，原因之一在於目標清晰明確。為了以行銷推廣活動來提升銷售，星巴克考量一項事實：公司內的許多產品團隊都希望促銷自身的產品，因此公司決定優化最能夠促使顧客購買的做法（除了實際的回應數據，星巴克也擷取顧客的潛在興趣——例如顧客瀏覽哪些內容，以及是否長時間觀看某幅圖片、點擊產品介紹、在一個星期內造訪同一個網頁3次）。星巴克除了不斷進行實驗，還全力透過行銷來提升全公司的淨增額營收（net incremental revenue），而不是優化特定飲品的盈虧。這種做法讓公司從更全面的角度來定義成功。

2、健全的數據工具組

公司採取一些機制來記錄、整理與分享有關各個接觸點的顧客互動、公司相關行動和結果的數據，這些機制是公司AI個人化計畫的核心要素。這種數據工具組包羅萬象，從電話客服中心紀錄、來自第二方與第三方關係的數據（例如通路合作伙伴、媒體公司、數據仲介），到生成與追蹤數位通訊的自動化軟體（例如Salesforce、HubSpot、Illumin供應的產品）都是。

公司需要「接收器」來擷取有關顧客在每一個通路的每一次互動的資訊，而這些資訊必然非常細微。舉例而言，在客服中心互動的過程中，公司會想知道顧客來電目的之外的資訊：顧客的口氣是不悅還是困惑？是否邊說話邊使用電腦？是否依循客服人員的指示，還是被其他的事分心？

公司寄發測試電子郵件的時候，一定要能夠監測遣詞用字、內建圖像、字型大小與色彩，以及其他可能影響顧客回應的變數。標籤架構（tagging architecture）可以擷取與分類這些互動與溝通的詮釋資料（metadata），適合用來測試與學習。

本文作者之一的艾德曼在擔任安泰集團（Aetna，已被CVS Health收購）行銷長的期間，主要工作目標是促使人們採取可以增進身體健康的行動，例如接種流感疫苗和定期服用藥物。公司知道應該要讓哪些人採取這類行動，但是不知道如何說服這些人配合。公司必須進行大量的實驗：改變訊息（建議方案與創意內容）、測試誘因、調整發送時間與訊息順序等等；而要進行所有這些實驗，先決條件是要有機制能夠建立測試行動，並追蹤能夠驅動顧客回應的微變數（microvariable）。安泰集團必須確認每一次互動都會全面貼上各種描述符（descriptor），記錄互動中包含的一切（文字顏色、圖像性質、訊息語調、遣詞用字），而且擷取每一個互動點的細微細節：顧客何時進行互動、點擊了多少次、是否離開與回來、第一次點擊之後的顧客歷程走向。要做到這一點，必須在互動的每一處（網站、app、電子郵件與簡訊等等）都內建程式碼，並且整合從這些來源回傳的各個數據流。這才是公司應該投注時間的地方，而不是建立新的AI。隨著AI系統愈來愈擅長編寫程式碼以進行數據整合，並以自動化方式為行銷資產貼上標籤，相關工作也變得更為容易。

“想要讓有關顧客的大量見解派上用場，系統就必須將每一項見解轉化為針對個別顧客量身打造的行動。

來自第三方來源的數據，如天氣、停電、人口統計與心理變數（psychographic）數據，以及關於單一郵遞區人口的一般健康數據，提供了更豐富的背景。相關資訊的範圍愈廣大、內容愈細緻，建立的模型也就愈扎實豐富。這種豐富性有助於強化你的績效優勢。顧客是立刻回應，還是隔了幾天才回應？他們是否捲動頁面瀏覽更多資訊，然後點擊，還是立刻跳出？他們會立刻回應哪些誘因？數據工具組讓公司能夠持續進行測試與實驗以得到答案、協助系統持續學習，以及讓公司更了解如何促使不同的顧客做出回應。

3、連結鬆散的技術架構

顧客體驗的技術堆疊包含一具預測引擎、一具序列引擎（或稱體驗管理引擎）、一具內容引擎、一具通路投放引擎，還有一具實驗與分析引擎。此外，利用AI來營造顧客歷程至少需要5個系統：行銷、顧客服務、產品使用、收費、線上通路，有時還需要零售商店。由於過程中可能會添加新的能力，而且可能必須投入多個AI引擎，因此技術堆疊最好採取模組化設計。

AI提供了智慧及電腦運算的速度與規模，以推動日益透過自動化來進行的企業營運作業。因此負責執行自動化的技術必須能夠接收AI的訊號，並將資訊回饋給AI來協助它改善。一個連結鬆散的技術架構是理想的設計，可讓架構內的各個系統相互合作，但是並不相互倚賴。

可公開取得的API能夠協助建立這種模組化的架構；這類API讓開發者透過一套簡單、多功能的通訊標準來取用專屬軟體。API是數位對話的共通語言，適用於不同的平台。一個簡單的例子，是一家公司以API把自家的顧客關係管理（CRM）系統連結到一套雲端通話系統，讓客服人員不必退出CRM軟體，就可以通報新產生的銷售線索。利用開放原始碼的API，資訊就可以無縫順暢地移動，模型可以輕易地更新，而新能力可透過模組化的方式加入。鬆散連結的架構讓公司得以快速採取有競爭力的做法，因為每當有新能力可使用，公司很容易就能以最低的轉換成本來抽換組成元件。

電信業者康卡斯特（Comcast）的案例，說明了一個鬆散連結的架構如何促成整合技術堆疊的不同要素，並支援大規模的個人化（這兩者正是智慧型整合的要點）。康卡斯特明白不可能將自家所有的顧客數據系統正式連結起來。但這些系統必須有某種程度的連結，公司才能以AI決策來主導要透過何種管道傳送哪些訊息給哪些顧客，並且將回饋數據傳回AI。

康卡斯特的AI決策工具「Pointillist」身兼兩項職責。首先，它將全公司系統裡有關某個顧客的所有數據（包括app互動、電話客服中心、產品使用紀錄等）進行比對，然後建立關於這位顧客的整合式觀點。接著，Pointillist發揮中介軟體的作用，將多個數據庫結合為一個整合式的數據庫，如此就不必建立另一個正式的數據庫。Pointillist會找出有關某個顧客的所有資訊，附上時間戳記，以協助建立公司對這份顧客歷程的觀點。這套系統可以即時完成比對、建立歷程地圖、確認必須注意的異常狀況，並深入挖掘根本原因。Pointillist根據康卡斯特核心顧客系統「Genesys」（也是本文作者艾德曼的客戶）制定的標準，將有關這位顧客的資訊導入所有面對顧客的互動系統，而這些系統都與Genesys的API相容。

系統是依據時間戳記的先後順序來追蹤顧客互動。例如當有位顧客無法從行動app獲取服務方案的資訊時，系統就會即時通知康卡斯特。在這位顧客打電話給康卡斯特之前，公司就會先傳送簡訊給她，提供快速解決方法。如果她沒有動作，或者有動作但仍舊無法解決問題，軟體就會顯示她可能會打電話；因此當她打電話來的時候，客服中心已經知道她的問題所在，可以研判能否以自動化回覆來解決，如果可以就直接提供，如果不行就讓她與客服人員對話；後者成本較高，因此是最後選項。這套系統的巧妙之處在於能夠即時回應，提供快速且順暢無阻礙體驗。

隨著時間過去，Pointillist持續收集資訊，讓康卡斯特能夠不斷測試新的、更有效的方式來處理任何問題：決定理想的訊息內容、找到攔截顧客的最佳方式，甚至可以追蹤遭遇問題的顧客是否真的有打電話找公司。AI驅動的Pointillist實施後，一年半之內為康卡斯特省下超過10％的客服中心成本。公司得到的回饋意見及線上顧客體驗的改善，減少了顧客打電話的理由。在這套系統協助之下，康卡斯特的Xfinity Mobile連續幾年稱霸市調公司J.D. Power的評比排行榜。

4、敢於實驗的文化

AI可以激發創造力，因為能讓公司快速測試各種構想，並且大規模地進行。不僅如此，AI向過往數以百萬計的數據點學習，啟動創新的速度更勝於人類。但是AI無法「發明」，它只能依據過往的模式來「預測」。行銷人員才能發明，然後AI學習哪些做法有效，以及對誰、何時、如何有效。「發明」需要一種重視實驗與冒險的組織文化。

如果其他條件都相同，公司的實驗數據會是它競爭優勢的來源。領導人必須體認到，想要將那些數據從原物料轉化為「貨幣」，測試與學習的心態不可或缺。這意謂著接受實驗會產生機會成本，而且正因如此，有些實驗必然不會成功。不過就算實驗失敗，還是會提供有價值的教訓。

敏捷團隊在這方面是不可或缺的。他們有能力與創意來追求新構想，並且精益求精。運用敏捷的工作方式，意謂著你要根據自身的能力來規畫，但要保留一些空間，能夠依據實驗所顯示的結果來快速轉向。因此，領導人必須檢視自家的誘因與營運方案，以確保這些誘因和方案能推廣敏捷的實務做法，容許無法產生成功結果的測試，並培養改變方向的彈性。但領導人自身也必須具備敢於實驗的心態，以及承擔風險的財務權限。實驗需要對照組來證實測試的結果。你必須取消行不通的做法，並加碼推動成功的方案。你必須提供經費，為測試中的營運變革措施與新誘因進行必要的測試。經費愈緊縮，就愈難以創新。你若是無法承擔風險，就無法進行實驗。

“公司寄發測試電子郵件的時候，一定要能夠監測所有可能影響顧客回應的變數。

星巴克的誘因行銷（incentive-based marketing）大獲成功，主要原因是公司秉持不斷進行實驗的策略，而且為實驗提供必要的資源。星巴克除了借助以數位方式蒐集的數據及數位技術，也依賴自身的零售經驗。它的技術完全來自開放原始碼工具和程式語言，並專注於不斷豐富自家的數據集，而且將數據集連結到自家的技術架構，而不是專注在開發出演算法。

星巴克每星期都會對某個顧客子集合進行隨機實驗，以進行測試和學習，並且強化或者挑戰各項行銷假設。星巴克提供誘因，鼓勵那些習慣到店的顧客透過星巴克的app進行互動，留下「數位麵包屑」（digital breadcrumb）。星巴克的app蒐集豐富的數據：顧客點餐的時間、內容與地點；是照慣例點餐，還是加點新品項；促銷訊息的細節（用語、誘因、何時發送、何時被閱讀）。這些細節都交由app運用，以便在個別顧客層次量身打造行銷推廣活動。

星巴克實驗的對象涵蓋既有產品與新產品。舉例而言，它可以選擇改善訊息內容或訊息格式，而所做的改變可以細微到訊息所用的語言、顏色或內建的圖像。它也可以針對顧客區隔或者最有效的通路，測試訂價法或產品推薦。測試的條件參數愈多，出現的排列組合也就愈多。測試可能需要較長時間，這是必須持續進行實驗的另一個原因。

星巴克的AI整合歷程在進行4個月的簡化版概念驗證（proof of concept）之後，為公司的淨增額營收（行銷活動導致的銷售，但排除折扣）帶來45％的成長。到了第12個月，星巴克已做過幾次隨機試驗、獲取穩定的新數據流、進行更進一步的測試，並將這項計畫推展到整個顧客群，結果淨增額營收增加了150％。隨著更多管道、更多產品搭配、更多排列組合加入，增幅更達到300％。

複雜顧客關係的智慧型整合

不同於星巴克的是，CVS Health所屬的產業受到法規嚴格管制，不得對顧客提供誘因。同樣重要（甚至更為重要）的差別是，CVS Health的病患／顧客群及他們的健康狀況之間的差異，以及公司期望促使他們出現的行為與行動之間的差異，遠比星巴克之類的零售商來得複雜。

CVS Health的歷程，從它2018年收購的安泰集團內部開始啟動。安泰希望鼓勵自家的美國聯邦醫療保險計畫（Medicare）顧客採取更有益健康的行動。協助人們變得更健康，也可能讓各方都降低成本，並讓公司能夠改善顧客服務。

安泰認為可以鼓勵顧客採取的健康行動多達數十項，但也了解，以連續領取處方藥為例，不同病患需要不同的鼓勵途徑，而即使是同一位病患，在不同時期也可能需要不同途徑。若要預測在特定時刻影響病患行為的最佳做法，用來做預測的數據可能來自顧客最近領藥紀錄、顧客對行銷活動的反應、顧客使用數位工具的情況、基本的人口統計數據與地區變數、臨床治療計畫等等。為了量身打造溝通內容，安泰投資建立一種能力：改變推廣活動的每一個面向（管道、時機、頻率、訊息、語言），因此創造出數百萬個可能的排列組合。測試這些排列組合，就意謂著要將通用的行銷科技工具客製化，以便有足夠的彈性來擷取、運用這些範圍持續擴大的數據。但若想要優化所有的潛在變數，現有常用的AI工具需要取得比目前可取得的更多的歷史數據。因此安泰設計出一套方法，以有對照組的實驗來大規模測試所有的排列組合。

有對照組的實驗要如何進行？舉例而言，測試一則簡訊、一封電郵、一次藥局互動對顧客造成的相對影響，並且在測試時改變訊息內容、時間點與相關誘因。排列組合的數量會快速增加，因此安泰使用一套AI工具來檢視測試選項的範圍，並且決定最少需要進行多少次有對照組的測試，才能夠追蹤每一個排列組合的相對影響。

安泰並沒有開發出一套新奇的演算法，而是選擇使用開放原始碼演算法，並且組建一個團隊來持續探索。業務專家及數據科學家和工程師齊聚一堂，為系統提供新奇的構想與變數——例如關於文案或圖像的新構想、新誘因或觸及顧客的新方式，然後分析結果並修正路線。安泰也雇用幾位行為經濟學家，來協助擬定不同情境下的接觸策略：有些強調損失的風險，有些則強調更健康生活方式的重要性；有些會對顧客提及家庭，有些則運用當地社區的數據來強化健康訊息。

終究來說，CVS Health這種做法將人類，以及為推動商業模式而量身打造的個別技術系統結合在一起。這具智慧型引擎向下游驅動了一系列針對特定管道執行顧客互動的系統：電子郵件、顧客關係管理、客服中心腳本撰寫作業、簡訊傳送、app通知，甚至還包括藥劑師電腦螢幕上的彈出式訊息。這些執行系統將互動的結果回饋給AI的演算法，讓後者得以持續獲得新數據以進行學習。一段時間之後，其中一部分數據會變得更為複雜：例如，以自然語言處理法來分析客服中心的一段對話，以了解來電者的性格、用語、理解力等等。CVS Health將重點放在數據流、創新的可能、實驗與架構，因此讓開放原始碼AI工具如虎添翼，藉由降低醫療成本、提升服務評價、改善顧客健康狀況、利用新的交叉銷售商機，為公司帶來可觀的增額年度利潤率。

整合工作學問大

為了運用AI來強化競爭優勢，你必須整合自家內部系統與外部系統，首先是要用來蒐集準確的顧客數據，然後將因此獲得的見解轉化為個人化的產品與服務。這兩個流程在執行時都必須不斷擴大規模與範圍，持續添加新的變數與愈來愈細微的細節。對於必須採行智慧型整合者思考模式的高階主管，這種做法需要一種新的領導模式，當務之急是善用新做法的無限可能性。妥善做好整合工作，愈發能夠提供優質的顧客體驗，而且未來將成為企業建立品牌權益（brand equity，或稱品牌資產）方式的決定性因素。

文章來源：哈佛商業評論 8月號