AI是功能强大的工作伙伴，因此很多企业认为，想要透过AI获取价值，势必要劳师动众地建构繁复的技术设施。这恐怕是一个误解。明智的企业会采取更敏捷的做法。

艺术家／ 爱德华多．特雷索尔迪（Edoardo Tresoldi）

金融科技公司「水星金融」（Mercury Financial）创立于2014年，规模虽小但使命远大，它的使命是：协助顾客恢复金融信用。公司执行长吉姆．彼得森（Jim Peterson）在金融界相当资深，从创业之初就明白人工智慧（AI）对于打造个人化的顾客历程（customer journey）相当关键，这是水星金融公司产品与服务的核心。因此水星金融从2021年开始寻找一具AI驱动的引擎，期望它能够透过适当的管道，按照适当的顺序，在适当的时间给予顾客适当的推力（nudge）。这种推力可能是促使顾客以多张信用卡来支付，也可能是温和地提醒顾客信用额度将满。有些顾客适合以简讯通知，有些需要透过电子邮件。有些顾客最好在行动日期两个星期之前通知，有些两天之前通知即可。这些要素中的任何一项，或者更精确地说，这些要素的特定组合，可能决定顾客会与公司充分接触，还是深感不满。

本文观念精粹

机会：AI能够蒐集、分析、运用极大量的个别顾客数据，为每一个接触点量身打造顾客历程。

挑战：许多企业不推出AI专案，完全是因为它们以为若想从AI解决方案获取价值，就必须先开发出复杂的技术。

解方：企业可以运用开放原始码AI工具和第三方提供的数据，同时持续进行实验、学习、引进新数据，并改善顾客历程。

水星金融曾经是波士顿顾问集团（BCG）的客户，并不从事打造技术的业务，因此公司领导阶层决定从开放原始码（open-source）AI着手。这类工具大多数是根据使用状况收费，因此前期固定成本比较低。水星金融致力于将现有的AI解决方案，整合进入自家的内容管理、诈欺防范、适格性（eligibility）系统，以及许多其他的前端与后端系统。接着公司将行销流程自动化，同样是运用现有的AI工具，但使用自家的程式码来进行所有必要的测试，以了解哪些工具对哪些顾客有用，并追踪过去的结果。公司建立的系统专注于以细微的方式管理数百个变数，以便用于锁定客户的目的，并且制作内容。试行计画施行6个月之后，公司发出的讯息激发顾客采取行动的成效提高了10％ ，水星金融知道这项计画非比寻常。

必须借重AI，才能达成更加精确、规模更大的个人化作业。AI能够蒐集、分析、运用大量的个别顾客数据，为每一个接触点量身打造顾客历程。：业界普遍认为，想从AI解决方案中获取价值，就必须打造复杂的技术，但是水星金融和CVS药局、星巴克（Starbucks）的经验（下文将详细探讨）推翻了这个观念。这种想法阻碍企业发挥AI的威力。企业不需要打造AI技术，只需要将AI恰当地整合到特定的业务环境之中。

你若能体认到集中资源去推动AI整合与流程变革的价值，就能更清楚知道自己期望AI系统达成什么。你会开始了解，把你的数据和技术架构的设计视为有竞争力的资产是很重要的。而且你会推动组织其他成员进行更多测试，来增进AI系统的智慧。

但在成功的祕方当中，AI只占10％左右；其他90％在于数据、实验与人才的组合，这个组合不断活化与提供资讯以强化AI系统背后的智慧。企业的目标在于个人化，这是公司策略的实质内涵。技术只是达成这个目标的工具。本文将介绍如何整合AI工具，以及如何才能够持续进行实验、学习，并且引进新数据来改善、精进顾客历程。

重新思考如何取得技术

我们在一场又一场对话中发现，必须为高阶主管破除关于如何创造AI优势的错误观念。公司不必期待自家成为下一个亚马逊网路服务（AWS）、微软（Microsoft）、Google或Adobe，这些企业打造核心AI工具并且对外销售。人们熟悉的那些善用AI的公司如Uber、Netflix与Spotify，也许会研究并设计新的解决方案，但它们通用的做法是扩展原有的应用软体，来因应自身无比庞大的规模，或者执行无法以其他方式进行的功能〔例如Netflix推荐演算法的影格分析（movie-frame analysis）〕。但是很少有科技业之外的公司，会将自家的数位创新拿来直接销售获利。对这些公司而言，创新是要根据自家的数位能力基础来提供新颖的解决方案。竞争对手全都能够取得同样的AI系统，但产生的业务成果天差地远。一项关键差异就是公司送进AI系统的数据。竞争优势取决于持续不断地蒐集数据、有组织地转化或强化数据，并将这些数据喂给AI函式库，他们有能力建议下一步可以采取的最佳行动。行销人员的职责是发挥创意，将这些由AI驱动的建议应用到行销活动，并且从其中反复学习。

今日已经有大量的开放原始码技术，包括大部分的AI工具（而且是应用广泛的工具，例如OpenAI的GPT4），以及内容完整的函式库（以开放原始码程式语言撰写的应用程式，组装为套件，用于特定的用途，例如训练特定类型机器学习模型的XGBoost）。大型科技公司提供自家许多函式库与执行特定任务的工具，例如Meta（BCG的客户）的「先知」（Prophet）函式库具有预测功能，Airbnb的Airflow则是一个工作流程管理平台，可以处理数据工程议程。许多常用的顾客体验工具都内建AI能力，例如Salesforce与Adobe（两者都是BCG的合作伙伴）的「体验云」（experience cloud）。这些工具也不断改进：拜应用程式介面（API）与现代科技系统架构之赐，如今让不同系统相互沟通要容易许多，下文将进一步讨论。

另一项有待厘清的观念是如何开始推动。一般认为一开始就要大张旗鼓进行，但其实并无必要。就如同真正的敏捷法，明智的做法是起步的实施范围要窄，聚焦于明确特定的使用案例，例如协助顾客熟悉产品（customer onboarding）或早期接触，而不是尝试完全从头重新设计整个顾客体验。明智的做法是先选择一个领域，可借由AI做出实绩，然后逐渐扩大运用。

上述做法并不表示，营造以AI为基础的顾客历程是容易做到的。就算你已经掌握适当的AI解决方案，三个常见的缺点还是会为整个过程带来挑战。

数据撷取受到限制。这种情形发生在大部分数据未结构化（例如医疗业），或者未留下纪录（例如餐旅休闲业）。旅馆客人不会在留给他们的顾客意见卡写下回馈意见，而这些意见可能含有当下很有价值且可处理的资讯。如果旅馆能够记录有关你对于床型、打扫时间、食物过敏、曾使用的各项设施的喜好，那么下一次你入住时，旅馆就很容易为你量身打造符合你品味的住宿体验。

AI解决方案与行销之间欠缺连结。连锁超市或许会认定哪些顾客偏好非肉类食品、哪些顾客一心要寻找便宜货，但缺乏证据可确认。AI能够以自动化方式大规模地提供这类个人化的预测。但若要测试这项假设，你需要一套行销科技（martech）系统，将这些数据以对话的方式导入系统之中。从中产生的见解必须透过实际应用，才能创造价值。

系统无法自动调整规模。想要让大量有关顾客的见解派上用场，系统就必须将每一项见解转化为针对个别顾客量身打造的行动。而且你不能仰赖人工输入或分析，来打造完美的一次性个人化行销活动。如果没有一个效能强大、可扩大规模的系统，顾客见解会受到抑制，或者过分狭隘地只在单一职能内使用。

智慧型整合的四个关键

我们曾经指导多种类型的公司打造以AI为基础的顾客历程，从这些经验中发现智慧型整合有4个关键特质：各个目标清晰且彼此方向一致、健全的数据工具组（data instrumentation）、松散连结的技术架构、敢于实验的文化。值得注意的是，这4个特质都不需要更优质的AI演算法，不过确实会要求加强对演算法的训练。

1、目标清晰且彼此方向一致

以AI为基础的行销活动，需要对每一个使用案例设定明确的优化目标，而这些目标必须限制在合理的狭窄范围内。广泛的一般性目标如「加速销售成长」，会让人无法确定达成各项结果的原因。对AI而言，更适当的目标或许是「尽可能缩短等候时间」、「降低每次销售的诱因成本」（incentive cost per sale），或是「提出顾客会接受的建议」。如果顾客可能采取的行动有多种选项，你就必须事先决定要AI去优化的哪一类选项：是对公司最有价值的选项，还是顾客最有可能采行的选项？

AI应用程式在进行预测时，主要是根据历史数据。AI专注的范围如果太大，就无法优化；如果AI面对的情境没有先例，所做的预测就会失准。你不应仰赖单一的AI引擎来主导一切，而是需要多个AI引擎来打造更广泛的顾客体验。例如，有一家健康照护业的领导业者使用一具AI引擎，来找出最有可能出现紧急状况的顾客；另一具引擎则用来建议如何与顾客接触；一具引擎针对实验提出测试设计；还有一具引擎是优化特定预算额度内的整个推广活动组合。

“企业的目标在于个人化，这是公司策略的实质内涵。技术只是达成这个目标的工具。

星巴克以AI为基础的个人化行销相当成功，原因之一在于目标清晰明确。为了以行销推广活动来提升销售，星巴克考量一项事实：公司内的许多产品团队都希望促销自身的产品，因此公司决定优化最能够促使顾客购买的做法（除了实际的回应数据，星巴克也撷取顾客的潜在兴趣——例如顾客浏览哪些内容，以及是否长时间观看某幅图片、点击产品介绍、在一个星期内造访同一个网页3次）。星巴克除了不断进行实验，还全力透过行销来提升全公司的净增额营收（net incremental revenue），而不是优化特定饮品的盈亏。这种做法让公司从更全面的角度来定义成功。

2、健全的数据工具组

公司采取一些机制来记录、整理与分享有关各个接触点的顾客互动、公司相关行动和结果的数据，这些机制是公司AI个人化计画的核心要素。这种数据工具组包罗万象，从电话客服中心纪录、来自第二方与第三方关系的数据（例如通路合作伙伴、媒体公司、数据仲介），到生成与追踪数位通讯的自动化软体（例如Salesforce、HubSpot、Illumin供应的产品）都是。

公司需要「接收器」来撷取有关顾客在每一个通路的每一次互动的资讯，而这些资讯必然非常细微。举例而言，在客服中心互动的过程中，公司会想知道顾客来电目的之外的资讯：顾客的口气是不悦还是困惑？是否边说话边使用电脑？是否依循客服人员的指示，还是被其他的事分心？

公司寄发测试电子邮件的时候，一定要能够监测遣词用字、内建图像、字型大小与色彩，以及其他可能影响顾客回应的变数。标签架构（tagging architecture）可以撷取与分类这些互动与沟通的诠释资料（metadata），适合用来测试与学习。

本文作者之一的艾德曼在担任安泰集团（Aetna，已被CVS Health收购）行销长的期间，主要工作目标是促使人们采取可以增进身体健康的行动，例如接种流感疫苗和定期服用药物。公司知道应该要让哪些人采取这类行动，但是不知道如何说服这些人配合。公司必须进行大量的实验：改变讯息（建议方案与创意内容）、测试诱因、调整发送时间与讯息顺序等等；而要进行所有这些实验，先决条件是要有机制能够建立测试行动，并追踪能够驱动顾客回应的微变数（microvariable）。安泰集团必须确认每一次互动都会全面贴上各种描述符（descriptor），记录互动中包含的一切（文字颜色、图像性质、讯息语调、遣词用字），而且撷取每一个互动点的细微细节：顾客何时进行互动、点击了多少次、是否离开与回来、第一次点击之后的顾客历程走向。要做到这一点，必须在互动的每一处（网站、app、电子邮件与简讯等等）都内建程式码，并且整合从这些来源回传的各个数据流。这才是公司应该投注时间的地方，而不是建立新的AI。随着AI系统愈来愈擅长编写程式码以进行数据整合，并以自动化方式为行销资产贴上标签，相关工作也变得更为容易。

“想要让有关顾客的大量见解派上用场，系统就必须将每一项见解转化为针对个别顾客量身打造的行动。

来自第三方来源的数据，如天气、停电、人口统计与心理变数（psychographic）数据，以及关于单一邮递区人口的一般健康数据，提供了更丰富的背景。相关资讯的范围愈广大、内容愈细致，建立的模型也就愈扎实丰富。这种丰富性有助于强化你的绩效优势。顾客是立刻回应，还是隔了几天才回应？他们是否卷动页面浏览更多资讯，然后点击，还是立刻跳出？他们会立刻回应哪些诱因？数据工具组让公司能够持续进行测试与实验以得到答案、协助系统持续学习，以及让公司更了解如何促使不同的顾客做出回应。

3、连结松散的技术架构

顾客体验的技术堆叠包含一具预测引擎、一具序列引擎（或称体验管理引擎）、一具内容引擎、一具通路投放引擎，还有一具实验与分析引擎。此外，利用AI来营造顾客历程至少需要5个系统：行销、顾客服务、产品使用、收费、线上通路，有时还需要零售商店。由于过程中可能会添加新的能力，而且可能必须投入多个AI引擎，因此技术堆叠最好采取模组化设计。

AI提供了智慧及电脑运算的速度与规模，以推动日益透过自动化来进行的企业营运作业。因此负责执行自动化的技术必须能够接收AI的讯号，并将资讯回馈给AI来协助它改善。一个连结松散的技术架构是理想的设计，可让架构内的各个系统相互合作，但是并不相互倚赖。

可公开取得的API能够协助建立这种模组化的架构；这类API让开发者透过一套简单、多功能的通讯标准来取用专属软体。API是数位对话的共通语言，适用于不同的平台。一个简单的例子，是一家公司以API把自家的顾客关系管理（CRM）系统连结到一套云端通话系统，让客服人员不必退出CRM软体，就可以通报新产生的销售线索。利用开放原始码的API，资讯就可以无缝顺畅地移动，模型可以轻易地更新，而新能力可透过模组化的方式加入。松散连结的架构让公司得以快速采取有竞争力的做法，因为每当有新能力可使用，公司很容易就能以最低的转换成本来抽换组成元件。

电信业者康卡斯特（Comcast）的案例，说明了一个松散连结的架构如何促成整合技术堆叠的不同要素，并支援大规模的个人化（这两者正是智慧型整合的要点）。康卡斯特明白不可能将自家所有的顾客数据系统正式连结起来。但这些系统必须有某种程度的连结，公司才能以AI决策来主导要透过何种管道传送哪些讯息给哪些顾客，并且将回馈数据传回AI。

康卡斯特的AI决策工具「Pointillist」身兼两项职责。首先，它将全公司系统里有关某个顾客的所有数据（包括app互动、电话客服中心、产品使用纪录等）进行比对，然后建立关于这位顾客的整合式观点。接着，Pointillist发挥中介软体的作用，将多个数据库结合为一个整合式的数据库，如此就不必建立另一个正式的数据库。Pointillist会找出有关某个顾客的所有资讯，附上时间戳记，以协助建立公司对这份顾客历程的观点。这套系统可以即时完成比对、建立历程地图、确认必须注意的异常状况，并深入挖掘根本原因。Pointillist根据康卡斯特核心顾客系统「Genesys」（也是本文作者艾德曼的客户）制定的标准，将有关这位顾客的资讯导入所有面对顾客的互动系统，而这些系统都与Genesys的API相容。

系统是依据时间戳记的先后顺序来追踪顾客互动。例如当有位顾客无法从行动app获取服务方案的资讯时，系统就会即时通知康卡斯特。在这位顾客打电话给康卡斯特之前，公司就会先传送简讯给她，提供快速解决方法。如果她没有动作，或者有动作但仍旧无法解决问题，软体就会显示她可能会打电话；因此当她打电话来的时候，客服中心已经知道她的问题所在，可以研判能否以自动化回复来解决，如果可以就直接提供，如果不行就让她与客服人员对话；后者成本较高，因此是最后选项。这套系统的巧妙之处在于能够即时回应，提供快速且顺畅无阻碍体验。

随着时间过去，Pointillist持续收集资讯，让康卡斯特能够不断测试新的、更有效的方式来处理任何问题：决定理想的讯息内容、找到拦截顾客的最佳方式，甚至可以追踪遭遇问题的顾客是否真的有打电话找公司。AI驱动的Pointillist实施后，一年半之内为康卡斯特省下超过10％的客服中心成本。公司得到的回馈意见及线上顾客体验的改善，减少了顾客打电话的理由。在这套系统协助之下，康卡斯特的Xfinity Mobile连续几年称霸市调公司J.D. Power的评比排行榜。

4、敢于实验的文化

AI可以激发创造力，因为能让公司快速测试各种构想，并且大规模地进行。不仅如此，AI向过往数以百万计的数据点学习，启动创新的速度更胜于人类。但是AI无法「发明」，它只能依据过往的模式来「预测」。行销人员才能发明，然后AI学习哪些做法有效，以及对谁、何时、如何有效。「发明」需要一种重视实验与冒险的组织文化。

如果其他条件都相同，公司的实验数据会是它竞争优势的来源。领导人必须体认到，想要将那些数据从原物料转化为「货币」，测试与学习的心态不可或缺。这意谓著接受实验会产生机会成本，而且正因如此，有些实验必然不会成功。不过就算实验失败，还是会提供有价值的教训。

敏捷团队在这方面是不可或缺的。他们有能力与创意来追求新构想，并且精益求精。运用敏捷的工作方式，意谓着你要根据自身的能力来规画，但要保留一些空间，能够依据实验所显示的结果来快速转向。因此，领导人必须检视自家的诱因与营运方案，以确保这些诱因和方案能推广敏捷的实务做法，容许无法产生成功结果的测试，并培养改变方向的弹性。但领导人自身也必须具备敢于实验的心态，以及承担风险的财务权限。实验需要对照组来证实测试的结果。你必须取消行不通的做法，并加码推动成功的方案。你必须提供经费，为测试中的营运变革措施与新诱因进行必要的测试。经费愈紧缩，就愈难以创新。你若是无法承担风险，就无法进行实验。

“公司寄发测试电子邮件的时候，一定要能够监测所有可能影响顾客回应的变数。

星巴克的诱因行销（incentive-based marketing）大获成功，主要原因是公司秉持不断进行实验的策略，而且为实验提供必要的资源。星巴克除了借助以数位方式蒐集的数据及数位技术，也依赖自身的零售经验。它的技术完全来自开放原始码工具和程式语言，并专注于不断丰富自家的数据集，而且将数据集连结到自家的技术架构，而不是专注在开发出演算法。

星巴克每星期都会对某个顾客子集合进行随机实验，以进行测试和学习，并且强化或者挑战各项行销假设。星巴克提供诱因，鼓励那些习惯到店的顾客透过星巴克的app进行互动，留下「数位面包屑」（digital breadcrumb）。星巴克的app蒐集丰富的数据：顾客点餐的时间、内容与地点；是照惯例点餐，还是加点新品项；促销讯息的细节（用语、诱因、何时发送、何时被阅读）。这些细节都交由app运用，以便在个别顾客层次量身打造行销推广活动。

星巴克实验的对象涵盖既有产品与新产品。举例而言，它可以选择改善讯息内容或讯息格式，而所做的改变可以细微到讯息所用的语言、颜色或内建的图像。它也可以针对顾客区隔或者最有效的通路，测试订价法或产品推荐。测试的条件参数愈多，出现的排列组合也就愈多。测试可能需要较长时间，这是必须持续进行实验的另一个原因。

星巴克的AI整合历程在进行4个月的简化版概念验证（proof of concept）之后，为公司的净增额营收（行销活动导致的销售，但排除折扣）带来45％的成长。到了第12个月，星巴克已做过几次随机试验、获取稳定的新数据流、进行更进一步的测试，并将这项计画推展到整个顾客群，结果净增额营收增加了150％。随着更多管道、更多产品搭配、更多排列组合加入，增幅更达到300％。

复杂顾客关系的智慧型整合

不同于星巴克的是，CVS Health所属的产业受到法规严格管制，不得对顾客提供诱因。同样重要（甚至更为重要）的差别是，CVS Health的病患／顾客群及他们的健康状况之间的差异，以及公司期望促使他们出现的行为与行动之间的差异，远比星巴克之类的零售商来得复杂。

CVS Health的历程，从它2018年收购的安泰集团内部开始启动。安泰希望鼓励自家的美国联邦医疗保险计画（Medicare）顾客采取更有益健康的行动。协助人们变得更健康，也可能让各方都降低成本，并让公司能够改善顾客服务。

安泰认为可以鼓励顾客采取的健康行动多达数十项，但也了解，以连续领取处方药为例，不同病患需要不同的鼓励途径，而即使是同一位病患，在不同时期也可能需要不同途径。若要预测在特定时刻影响病患行为的最佳做法，用来做预测的数据可能来自顾客最近领药纪录、顾客对行销活动的反应、顾客使用数位工具的情况、基本的人口统计数据与地区变数、临床治疗计画等等。为了量身打造沟通内容，安泰投资建立一种能力：改变推广活动的每一个面向（管道、时机、频率、讯息、语言），因此创造出数百万个可能的排列组合。测试这些排列组合，就意谓着要将通用的行销科技工具客制化，以便有足够的弹性来撷取、运用这些范围持续扩大的数据。但若想要优化所有的潜在变数，现有常用的AI工具需要取得比目前可取得的更多的历史数据。因此安泰设计出一套方法，以有对照组的实验来大规模测试所有的排列组合。

有对照组的实验要如何进行？举例而言，测试一则简讯、一封电邮、一次药局互动对顾客造成的相对影响，并且在测试时改变讯息内容、时间点与相关诱因。排列组合的数量会快速增加，因此安泰使用一套AI工具来检视测试选项的范围，并且决定最少需要进行多少次有对照组的测试，才能够追踪每一个排列组合的相对影响。

安泰并没有开发出一套新奇的演算法，而是选择使用开放原始码演算法，并且组建一个团队来持续探索。业务专家及数据科学家和工程师齐聚一堂，为系统提供新奇的构想与变数——例如关于文案或图像的新构想、新诱因或触及顾客的新方式，然后分析结果并修正路线。安泰也雇用几位行为经济学家，来协助拟定不同情境下的接触策略：有些强调损失的风险，有些则强调更健康生活方式的重要性；有些会对顾客提及家庭，有些则运用当地社区的数据来强化健康讯息。

终究来说，CVS Health这种做法将人类，以及为推动商业模式而量身打造的个别技术系统结合在一起。这具智慧型引擎向下游驱动了一系列针对特定管道执行顾客互动的系统：电子邮件、顾客关系管理、客服中心脚本撰写作业、简讯传送、app通知，甚至还包括药剂师电脑萤幕上的弹出式讯息。这些执行系统将互动的结果回馈给AI的演算法，让后者得以持续获得新数据以进行学习。一段时间之后，其中一部分数据会变得更为复杂：例如，以自然语言处理法来分析客服中心的一段对话，以了解来电者的性格、用语、理解力等等。CVS Health将重点放在数据流、创新的可能、实验与架构，因此让开放原始码AI工具如虎添翼，借由降低医疗成本、提升服务评价、改善顾客健康状况、利用新的交叉销售商机，为公司带来可观的增额年度利润率。

整合工作学问大

为了运用AI来强化竞争优势，你必须整合自家内部系统与外部系统，首先是要用来蒐集准确的顾客数据，然后将因此获得的见解转化为个人化的产品与服务。这两个流程在执行时都必须不断扩大规模与范围，持续添加新的变数与愈来愈细微的细节。对于必须采行智慧型整合者思考模式的高阶主管，这种做法需要一种新的领导模式，当务之急是善用新做法的无限可能性。妥善做好整合工作，愈发能够提供优质的顾客体验，而且未来将成为企业建立品牌权益（brand equity，或称品牌资产）方式的决定性因素。

文章来源：哈佛商业评论 8月号