Michelin memenuhi era digital: Rekomendasi yang dipersonalisasi didukung oleh AI

Panduan hotel dan restoran yang diterbitkan oleh perusahaan ban Prancis, Michelin, memiliki standar inklusi yang tinggi. Inspektur perusahaan mengunjungi setiap restoran dan hotel beberapa kali untuk menentukan apakah mereka secara konsisten memberikan pengalaman berkualitas tinggi. Mereka telah melakukan ini selama 123 tahun. Hasilnya: Basis pelanggan setia yang besar yang mengharapkan kualitas tinggi konsisten yang sama dari pemandu.

Lalu, bagaimana Anda menggabungkan pengetahuan dan keahlian yang tertanam dalam panduan ini dengan tuntutan personalisasi massal dan aksesibilitas di era digital? Itulah tantangan bagi Michael Davis, chief product officer Michelin Experiences yang menangani acara, pemasaran, komunikasi, dan penjualan untuk panduan ini.

“Peran saya dalam Panduan Michelin adalah mengubah Panduan Michelin dari direktori bahan referensi menjadi utilitas digital harian yang mencakup seluruh aspek kurasi,” kata Davis. “Jadi kami akhirnya menciptakan lebih banyak produk digital gaya hidup berdasarkan kurasi dan merek tersebut.”

Melakukan hal itu berarti dapat merekomendasikan tempat dan aktivitas di dekat hotel atau restoran yang tercantum dalam Panduan Michelin. Banyak situs perjalanan mengandalkan peringkat pengguna untuk membuat daftar saran ini. Crowdsourcing dengan cara ini menghasilkan daftar hal-hal yang menarik bagi kebanyakan orang. Itu tidak sejalan dengan nilai-nilai kualitas dan ketajaman merek Michelin.

Bagi Michelin, penyampaian saran-saran yang berhubungan dengan kepentingan masing-masing orang itu perlu. “Angsa emas dalam perjalanan adalah bagaimana kami dapat memberi Anda akses terhadap penemuan dan penskalaan, namun juga menjadikannya dipersonalisasi untuk kebutuhan khusus Anda,” kata Davis.

AI Budaya

Untuk melakukan hal tersebut, mereka beralih ke Qloo, yang menggunakan AI untuk memprediksi selera audiens target dan memetakan hubungan di dalam dan di antara domain budaya. Domain tersebut meliputi musik, film, TV, makan, kehidupan malam, mode, buku, perjalanan, dan teknologi. AI-nya telah memetakan lebih dari seperempat triliun korelasi budaya.

“Anda dapat mengambil inti selera, satu entitas kecil, bisa jadi komedian, artis musik, film, dan Qloo akan membalasnya dengan prediksi tentang selera dalam kategori tersebut atau kategori lainnya dalam hitungan milidetik,” kata CEO Qloo Alex Elias . “Anda bisa mengetik Sonny Rollins, musisi jazz dan melihat rekomendasi. Ada lebih dari 11.000 orang di database kami yang secara eksplisit menyatakan bahwa mereka menyukai Sonny Rollins dan memberikan pendapat mereka tentang banyak topik lainnya. Jadi, jika Anda menyukai Sonny Rollins, kemungkinan besar Anda juga akan menyukai hal-hal lain ini.

Menggali lebih dalam: ROI pengalaman yang dipersonalisasi: Pengukuran proses

Davis dan Michelin menggunakan Qloo untuk menentukan saran bagi anggota terdaftar Komunitas Michelin meskipun satu-satunya hal yang mereka ketahui adalah di mana pengguna tersebut tinggal.

"Di New York, kami mungkin memiliki dua hotel di blok yang sama, tetapi gaya mereka sangat berbeda," kata Davis. “Jika Anda membuka Google, misalnya, Anda akan mendapatkan rekomendasi aktivitas yang sama karena keduanya terletak dalam jarak beberapa ratus kaki satu sama lain. Dengan Qloo, kami dapat mempertimbangkan profil pelanggan atau profil hotel, gayanya, suasananya, desainnya, dan membuat panduan yang lebih cocok untuk tipe tamu tersebut dibandingkan dengan tamu yang menginap di lokasi tersebut. Jadi Anda mungkin mendapatkan rekomendasi museum, tetapi salah satunya adalah Museum Seks di New York versus Whitney.

Crowdsourcing akan datang

Untuk lebih jelasnya, Davis tidak menentang crowdsourcing. Michelin memulai panduan untuk memberi orang alasan untuk mengemudi dan menggunakan ban mereka. Pada awalnya, mereka mengandalkan saran pelanggan tentang apa yang tersedia dan kualitasnya.

“Hal ini adalah sesuatu yang ingin kami eksplorasi lagi di masa depan, yaitu memanfaatkan komunitas luas yang kami miliki secara global, yang terus-menerus menyuarakan keinginan mereka untuk menjadi bagian dari produk ini,” katanya. “Kami ingin menggunakan Qloo untuk membantu kami menciptakan keseimbangan antara komunitas kami dan para pengawas, dan melibatkan orang-orang — lebih banyak lagi basis pelanggan setia kami, atau orang-orang kami yang mengapresiasi apa yang kami lakukan dan menghargai kurasi, namun juga menyadari bahwa mereka memiliki nilai untuk dibawa ke proses.”

Sementara Qloo dapat digunakan di luar kotak, Michelin memiliki kebutuhan yang sangat spesifik. Davis mengatakan mendapatkan penyesuaian yang mereka perlukan berarti mengedukasi tim teknik Qloo tentang “mengapa data granular ini membuat perbedaan besar bagi kami, dan tim telah hebat dalam beradaptasi dengan hal tersebut, dan apa kebutuhan kami. Maksudku, kami menuntut.”

Salah satu contohnya adalah saat pengguna membuat daftar restoran. Karena panduan memperbarui daftar mereka sendiri terus-menerus, daftar pengguna yang dipersonalisasi harus diperbarui dengan apa yang disetujui dan tidak disetujui oleh panduan. Ini bisa menjadi rumit ketika, misalnya, hotel yang direkomendasikan memiliki restoran yang direkomendasikan yang dimiliki dan dioperasikan secara terpisah.

“Hotelnya mungkin masih ada, tapi restoran di dalamnya sudah tidak ada lagi di guide,” kata Davis. “Jadi kami menghadapi situasi yang sangat sulit ini agar akurat dan Qloo membantu kami mengelolanya dan menjaga agar pembaruan real-time tetap dikategorikan.”

Kapan, apa dan berapa banyak penerapannya

• Kapan Anda mulai mengimplementasikan Qloo dan berapa lama? Awalnya masuk dengan mereka pada tahun 2021; orientasi pengembang ke Qloo sangat intuitif dan biasanya membutuhkan waktu satu hari untuk terhubung ke API. Untuk solusi/pipeline khusus dan model AI yang disesuaikan, biasanya tidak lebih dari beberapa minggu.
• Apakah implementasinya dilakukan sendiri atau apakah Anda menggunakan mitra implementasi? Implementasi terjadi sepenuhnya di rumah; memanfaatkan dokumentasi Qloo dan alat pengembang AI serta beberapa dukungan.
• Berapa banyak orang dalam tim yang menjalankan solusi? Hanya segelintir insinyur yang akan diintegrasikan, dengan insinyur yang berdedikasi siap untuk merancang pipa dari AI Qloo ke dalam produk mereka.
• Biaya ball-park (apakah ini hanya untuk perusahaan)? Sebagian besar integrasi perusahaan dimulai dengan angka 6 digit setiap tahunnya, namun Qloo sangat mendukung uji coba bervolume tinggi dan akses/rencana pengembang individu. Selain itu, Qloo telah mengembangkan antarmuka layanan mandiri non-teknis ke AI yang ditujukan untuk pemasar dan jauh lebih hemat biaya per kursi dibandingkan lisensi API AI bervolume tinggi.

(Jawaban diberikan oleh CEO Qloo Alex Elias.)