ريان تامينغا، رئيس قسم العملاء، Alchemer – سلسلة المقابلات

ريان تامينغا هو مسؤول تنفيذي في مجال تجربة العملاء وتحويل المؤسسات، مع ما يقرب من عقدين من الخبرة في قيادة الفريق في مجالات نجاح العملاء والخدمات المهنية والاستشارات و استراتيجية المنتج. منذ انضمامه إلى Alchemer في عام 2019، قام بالتقدم من خلال سلسلة من الأدوار القيادية، بما في ذلك نائب الرئيس لنجاح العملاء والرئيس التنفيذي لمنتجات وخدمات الشركة، قبل تعيينه رئيسًا لقسم العملاء في عام 2026. في منصبه الحالي، ي giám sát إشراف على تعاملات العملاء ونجاحهم وتسليم الخدمات،，同时 يساعد في تنسيق احتياجات العملاء مع ابتكارات المنتج و استراتيجية الأعمال. قبل انضمامه إلى Alchemer، شغل تامينغا مناصب قيادية في ReedGroup و Deloitte و Accenture، حيث قاد مبادرات تحويل كبيرة تركز على عمليات الأعمال والتحليلات والتحسين التلقائي وتحسين الأداء المؤسسي.

Alchemer هي منصة لتجربة العملاء وإدارة الملاحظات التي تساعد المنظمات على التقاط وتحليل والعمل على الأفكار من العملاء والموظفين والأطراف المعنية. برنامج الشركة يجمع بين إنشاء الاستبيانات وجمع الملاحظات وتحسين سير العمل والتحليلات القائمة على الذكاء الاصطناعي لمساعدة الشركات على التحرك بعيداً عن مجرد جمع البيانات وتحفيز الإجراءات القابلة للقياس منها. تخدم المنظمات عبر مجموعة واسعة من الصناعات، تمكن Alchemer الفرق من مركزية الملاحظات من قنوات متعددة، وكشف الاتجاهات والمزاج، واستخدام تلك الأفكار لتحسين تجارب العملاء، وتوجيه قرارات المنتج، وتعزيز الأداء التجاري. من خلال مجموعة أدواتها المتزايدة التي تعمل بالذكاء الاصطناعي، تهدف الشركة إلى مساعدة المنظمات على تحويل الملاحظات إلى مصدر مستمر للذكاء التشغيلي والاستراتيجي.

لقد قمت بإنفاق أكثر من عقد من الزمن في الاستشارات في شركات مثل Accenture و Deloitte قبل قيادة نجاح العملاء والمنتج والخدمات في Alchemer. كيف شكل هذا المزيج من تحويل العملية والخبرة العملية في نشر الذكاء الاصطناعي في بيئات المؤسسات؟

العمل في الاستشارات قدم خبرة قيمة جداً ت告诉ني دوري الحالي في Alchemer. على سبيل المثال، اكتشفت أن التكنولوجيا نادراً ما تكون الجزء الأكثر صعوبة. قمت بإنفاق سنوات في مساعدة شركات Fortune 100 على تنفيذ أنظمة المؤسسات، والمشاريع التي عانت لم تكن منضبة بسبب برامج سيئة. كانت لديها مشاكل في إدارة التغيير، وملاك غير واضحين، وغالبًا ما تم نشرها قبل أن تكون العمليات الأساسية جاهزة لامتصاصها.

تؤثر تلك الخبرة على كيفية تفكيري في نشر الذكاء الاصطناعي اليوم. عندما أتحدث مع العملاء الذين يعانون من الحصول على قيمة من الذكاء الاصطناعي، فإن القضية几乎 لا تظهر أبداً لتكون التكنولوجيا نفسها. إنها أنهم لم يحددوا ما يحاولون إنجازه، ومن يملك الإخراج، وما التغييرات التي تحدث عندما يظهر الذكاء الاصطناعي شيئاً قابل للتنفيذ. التكنولوجيا متقدمة على جاهزية المنظمة في معظم الحالات.

العمل المباشر مع العملاء هو النصف الآخر من ذلك المعادلة. تتعلم بسرعة ما يعني القيمة فعلاً للأشخاص الذين يقومون بالوظيفة كل يوم وكيفية ترجمة ذلك إلى ما يعنيه لمرتبي اللوحة. تلك الأشياء غالبًا ما تكون مختلفة جداً. مزيج من صرامة العملية من الاستشارات و تعاطف العملاء من العمل جنباً إلى جنب مع الفرق هو ما أحاول إحضاره إلى استراتيجية كيفية بناء ونشر الذكاء الاصطناعي في Alchemer.

لقد أشار إلى فجوة كبيرة في النضج الاصطناعي عبر المنظمات. ما هي أكبر المفاهيم الخاطئة التي يعتقدها القادة حول جاهزيتهم، وأين ت thấtبث تنفيذها عادة؟

المفهوم الخاطئ الأكثر شيوعاً هو أن شراء أداة الذكاء الاصطناعي هو نفس الشيء كونك جاهزاً لاستخدامه. يرى القادة عرضاً، يرون الإخراج، ويفترضون، غالبًا بشكل غير صحيح، أن التحول يتبع تلقائياً. من المهم التأكد من أن التكنولوجيا، سواء كانت الذكاء الاصطناعي أو غيرها، تبدأ من مشكلة الأعمال التي تحتاج إلى حل. نجاح تبني التكنولوجيا几乎 دائمًا مرتبط بمدى khảية التواصل حول كيفية حلها لتلك المشكلة لأفراد الفريق والعملاء.

ت thấtبث تنفيذها عادة عند نقطة التسليم. إذا لم يكن هناك سير عمل محدد لما يحدث بعد ذلك (مثل من يراه، من يتصرف عليه، أي نظام يدخل فيه) فإن الرؤية لا تُتخذ. تحتاج المنظمات إلى أن تكون منظمة بشكل صحيح للتصرف على الأفكار.

التعرف على هذه الفجوة قد شكل كيفية بناء حلولنا في Alchemer. نبدأ بتحديد المشاكل التي نحاول حلها باستخدام القدرات التكنولوجية التي نطلقها. القدرات القائمة على الذكاء الاصطناعي، وسير العمل، وضوابط المستخدم هي فقط جزء من ما نقدمه. مساعدة الفرق على بناء العضلات التنظيمية للتصرف على الملاحظات هو أمر مهم جداً، وهو حيث يتم تحقيق النتائج الحقيقية.

كثير من الشركات تستثمر بكثافة في الذكاء الاصطناعي ولكنها تعاني من إثبات عائد الاستثمار. ما هي المعايير أو الإطارات التي يجب أن تستخدمها لتقييم ما إذا كان الذكاء الاصطناعي في تجربة العملاء يعمل فعلاً؟

ابحث عن ما تغير في السلوك، لا ما أنتجته التكنولوجيا. السؤال الصحيح ليس “هل أنتج الذكاء الاصطناعي ملخصاً؟” بدلاً من ذلك، اسأل أسئلة مثل “ما هي المتريكة الرئيسية للنجاح؟”، “هل تصرف الفريق بشكل مختلف بسبب ذلك؟”، و “هل تتحرك المتريكات التجارية الموحدة في الاتجاه الصحيح؟” يمكن للذكاء الاصطناعي تحديد بسهولة حيث يوجد مشكلة أو فرصة وتقديم رؤى جديدة. ومع ذلك، إذا لم تتخذ الشركات إجراءات على تلك الرؤى، فقد تُ忽ى ملاحظات العملاء أو لا تتم معالجتها في الوقت المناسب.

زمن الوصول إلى الرؤية هو متريكة جيدة لبدء بها. كم من الوقت استغرق переход من جمع الملاحظات إلى وجود شيء قابل للتنفيذ أمام صانع القرار؟ تحليل الملاحظات الذي استغرق ستة أشهر يتم تخفيضه بشكل كبير بالذكاء الاصطناعي. لدينا عميل قام بتخفيض ذلك الدورة من ستة أشهر إلى ساعات، مما يظهر تحولاً حقيقياً ويمكن قياسه نحو حل زمن الوصول إلى الرؤية والعمل.

زمن الاستجابة هو متريكة أخرى لتسجيلها في البداية. ي期待 العملاء استجابة لملاحظاتهم، خاصة عندما تكون سلبية. قيس كم من الوقت يستغرق للاستجابة لاستبيان سلبي أو مراجعة على الإنترنت. قد يستغرق ذلك أياما إذا كنت تقوم بمراجعته يدوياً، وتعيين الإجراء عبر تذكرة دعم، ثم الاستجابة للعميل. كان بائع النظارات عبر الإنترنت قادراً على الانتقال من شهر تقريباً إلى دقائق.

معدل الاستجابة هو المتريكة النهائية لتسجيلها. تدير H & R Block Canada ما يقرب من 1000 موقع خلال موسم الضرائب. قبل الذكاء الاصطناعي، كان الوصول إلى تغطية استجابة المراجعة بنسبة 100٪ أمراً شبه مستحيل. الآن هو بمثابة خط أساسي. ذلك قابل للقياس، وتأثيراته على وضوح البحث وتصور العملاء قابلة للتتبع.

ابحث عن بدء تحديد المشكلة التي تكلفك أو ت gây إزعاج للعملاء (مثل التحليل البطيء، معدلات الاستجابة المنخفضة، إشارات العملاء المفقودة) وقياس الفرق قبل وبعد. لا تحاول قياس كل شيء. قيس شيئاً واحد مهم ويستخدم ذلك الزخم لمساعدتك على بناء وتنفيذ حالة الأعمال.

من منظورك، ما يفصل المنظمات التي تعمل بنجاح على تشغيل الذكاء الاصطناعي عن تلك التي لا تزال عالقة في التجربة؟

المنظمات التي تنجح مع الذكاء الاصطناعي تعاملت معه كبنية تحتية وليس كمشروع له تاريخ بداية ونهاية وفريق يحاول تبرير الاستثمار. البنية التحتية تصبح أساسية لطريقة عمل الأشياء. على سبيل المثال، فكر في الفرق الذي أحدثته إدخال برنامج CRM في أواخر التسعينيات وأوائل الألفية. كان المشروع هو التنفيذ، ولكن الأنظمة أصبحت بنية تشغيلية أساسية كانت أساساً لطريقة عمل فرق الترويج منذ ذلك الحين. تلك الانتقال هي ما يعني التشغيل الفعلي، و معظم المنظمات لم تقم بذلك بعد فيما يتعلق بتبني الذكاء الاصطناعي.

المتميز الآخر هو الملكية. النشرات الناجحة لتجربة العملاء (CX) لها شخص مسؤول عن التأكد من أن الإخراج يتم التصرف عليه. يجب أن يكون هناك شخص مسؤول عما يحدث لأن عندما لا يملك أحد النتيجة، فإن الرؤى تعود إلى لوحة العرض وتتوقف هناك. هذا دائماً كان صحيحاً لبرامج CX — وهو مكبر بالذكاء الاصطناعي لأن الإخراج يأتي بشكل أسرع، وتوقعات العملاء تتسارع.

الأمر الثالث الذي ألاحظه هو ما إذا كانت المنظمة قد لديها نمط من استمرار متريكات النجاح. ما يتم قياسه يتم إدارته. الفرق التي تتبع الاتجاهات على مر الزمن، أو مقارنة الأداء ربع سنوي أو مقارنة النتائج عبر الجغرافيا، لا يمكنها تحمل حلول الذكاء الاصطناعي التي تنتج إجابات مختلفة في أيام مختلفة. المنظمات التي تعمل بنجاح على تشغيل الذكاء الاصطناعي تميل إلى المطالبة بالموثوقية بالإضافة إلى القدرة. يريدون الذكاء الاصطناعي الذي يمكنهم بناء عليه.

هناك الكثير من الحماس حول النماذج العامة للمعالجة اللغوية، ومع ذلك أنت تدعو إلى بناء الذكاء الاصطناعي في سير عمل الملاحظات. أين ت thấtبث النماذج العامة في حالات استخدام المؤسسات؟

ليس كل مشكلة يتطلب نفس حل الذكاء الاصطناعي. العديد من البائعين في مجال الملاحظات وتجربة العملاء بنوا قدرات الذكاء الاصطناعي على أساس نماذج عامة متاحة تجارياً مثل ChatGPT أو Claude أو Gemini. تم تصميمها للقيام بكل شيء لكل شخص، ويمكن أن يكون هذا العموم مشكلة للمنظمات التي تطالب بمستوى عالٍ من الموثوقية والاستمرارية.

مع ذلك في الاعتبار، اتخذت Alchemer نهجاً مختلفاً لدعم التحديات التي يبحث عملاؤنا عن حلها. يستخدم Alchemer الحل الذكاء الاصطناعي الصحيح لكل مهمة محددة بدلاً من توجيه كل مشكلة من خلال نماذج LLM التجارية. نتيجة استراتيجية الذكاء الاصطناعي المخصصة هذه هي إخراج أكثر دقة، نتائج متسقة مع مرور الوقت، والذكاء الاصطناعي المُحسّن لمعلومات الملاحظات بدلاً من التكيف مع أداة بنيت لشيء آخر.

لقد رأينا ذلك يحدث مباشرة مع العملاء. قام Washburn & McGoldrick بتقييم أدوات الذكاء الاصطناعي العامة قبل اختيار Alchemer ووجد أن نفس مجموعة البيانات أنتجت تصنيفات مختلفة في أيام مختلفة. لا يمكنك بناء برنامج لمقارنة على ذلك.

ماذا يعني فعلاً دمج الذكاء الاصطناعي مباشرة في سير العمل، ولماذا هذا النهج أكثر فعالية من معاملة الذكاء الاصطناعي كأداة منفصلة؟

أداة الذكاء الاصطناعي المنفصلة هي شيء تفتحه عندما تقرر تحليل شيء ما. القدرة المدمجة في الذكاء الاصطناعي تعمل بالفعل قبل أن تفكر في السؤال.

فرق هنا في الممارسة: إذا جاءت مراجعة في الليل وتصل إلى عتبة المخاطر بسبب مشكلة أمنية، فإن نظام مدمج يؤدي تنبيهاً ويعيد توجيهه إلى الشخص الصحيح ويشغل سير عمل الاستجابة تلقائياً. لا يحتاج أحد إلى تذكر التحقق من لوحة التحكم. الذكاء الاصطناعي هو بالفعل جزء من العملية.

في Alchemer، نفكر في ذلك عبر جميع قنوات الملاحظات وكل دورة حياة الملاحظات. يحسن الذكاء الاصطناعي في قدراتنا الاستبيانية ما يأتي إليه ويمكن توليد أسئلة متابعة ذات صلة في الوقت الفعلي بحيث يصبح الاستبيان محادثة. في إدارة المراجعة، يمكن للذكاء الاصطناعي صياغة استجابات مخصصة وعلامة تجارية و حتى نشرها. يظهر الذكاء الاصطناعي في طبقات التحليل ما يهم عبر جميع تلك الملاحظات. وتوصل تلقائياً إلى إجراءات الذكاء الاصطناعي مباشرة إلى أنظمة الأعمال التي يعمل بها فرقنا. عندما تكون تلك القطع متصلة، فإن الفجوة بين الرؤية والإجراء ت缩ت من أيام إلى دقائق. هذا ما يعني فعلاً ، توصيل الإجراءات الناشئة عن ملاحظات العملاء إلى الأنظمة التي يعمل بها فرقنا كل يوم للتفاعل مع العملاء.

تحويل ملاحظات العملاء غير المهيكلة إلى استخبارات قابلة للتنفيذ في الوقت الفعلي يبدو قوياً، ولكن صعباً. ما هي أكبر التحديات الفنية والتنظيمية في جعل ذلك يعمل على نطاق واسع؟

من الناحية الفنية، يمكن أن يكون حجم وتنوع البيانات حقاً تحدياً. يكتب العملاء بلغات مختلفة، مع اختصارات وخطأ في الكتابة والاختصار التي غالبًا ما يقرأها النماذج العامة بشكل خاطئ. يجب على النماذج أيضًا فهم لغة الأعمال. تستخدم صناعات مختلفة مصطلحات مختلفة وتطبق الشركات نغماتها الخاصة على ذلك.

على سبيل المثال، الشخص الذي يرحب بك في شركة قد يكون موظف استقبال في مكتب طبيب، أو مضيف في مطعم، أو بارستا في مقهى. تلك الأدوار المماثلة يمكن أن تكون تسمى بشكل مختلف في صناعات مختلفة. بينما قد يكون نموذج عام جيداً لمراجعة أولية، يجب على النماذج الأساسية أن تكون مخصصة ل细ية بيانات الملاحظات وكيف يتحدث العملاء عن صناعات و منتجات و علامات وخدمات محددة. يجب على النماذج أيضًا أن تكون متسقة، لأنك تقارن دائمًا بالأسس التاريخية.

في حين أن التحديات الفنية تبدو متزايدة، فإن التحديات التنظيمية، على الرغم من أهميتها، تصبح أسهل في الحل. التحدي الرئيسي الأول هو معرفة ماذا تفعل بزيادة الحجم و أفكار أكثر غنى. ينظر معظم الفرق إلى رؤية الذكاء الاصطناعي و يقولون “ذلك مثير للاهتمام”. أفضل المنظمات تبني سير عمل تقول “تذهب هذه الرؤية إلى هذا الشخص / النظام، الذي يقوم بذلك الشيء، في هذا الإطار الزمني”.幸运اً، بناء تلك السير العمل أصبح أسهل. مع بعض التخطيط، وعندما يتم بشكل صحيح، فإن تسارع الفضول العام للفرق التي تعمل على فهم ملاحظات العملاء يصبح حقاً مثيراً عندما يتطور.

التحدي التنظيمي الرئيسي الآخر هو الثقة. في دراسة Alchemer الأخيرة، قال فقط 29٪ من مشتري برامج CX إنهم مرتاحون حالياً للعمل على مخرجات الذكاء الاصطناعي بدون مراجعة. يعكس ذلك خبرة حقيقية مع الذكاء الاصطناعي الذي كان غير متسق أو غير قابل للشرح. بناء الثقة يتطلب أنظمة ذكاء اصطناعي شفافة حول كيفية الوصول إلى استنتاجاتها، مع سجلات مراجعة وضوابط قابلة للتكوين تتيح للفرق تحديد ما يمكن للذكاء الاصطناعي فعله وما لا يمكنه فعله. في Alchemer، نعامل الذكاء الاصطناعي الموثوق به كمنتج، لا كخاصية.

لقد اقترحت أن الاستمرارية يمكن أن تكون أكثر أهمية من الدقة في أبحاث السوق القائمة على الذكاء الاصطناعي. يمكنك أن تفسر لماذا الاستمرارية هي أمر حرج و لماذا غالبًا ما يتم تجاهلها؟

الدقة تخبرك عن كيفية فهم الذكاء الاصطناعي لاستجابة واحدة. الاستمرارية تخبرك عما إذا كنت تستطيع الثقة في المقارنة مع مرور الوقت. من أجل أبحاث السوق، فإن المقارنة هي النقطة. لا يهم معرفة ما يقوله العملاء اليوم بمعزل عنهم. ولكن من المفيد معرفة ما إذا كانت الأمور تتحسن أو تزداد سوءاً مقارنة بالربع الماضي، أو كيف يقارن منطقة واحدة بآخر، أو ما إذا كانت المواضيع التي ترى الآن كانت موجودة منذ ستة أشهر. لا شيء من ذلك ممكن إذا كانت التصنيفات الكفيلة بالذكاء الاصطناعي تتغير بين التشغيلات.

على سبيل المثال، إذا قمت بتوظيف两个 محللين لترميز نفس الملاحظات المفتوحة بعد ستة أشهر، سيكون لديك مشكلة في المقارنة حتى لو كان كلاهما ممتازين. لن تعرف ما إذا كان تغيير المواضيع يعكس تغيير حقيقي في مشاعر العملاء أو مجرد差异 في كيفية تفسير شخصين للمعلومات نفسها. يمكن للذكاء الاصطناعي الذي ينتج إخراج غير متسق أن يسبب هذا التحدي نفسه.

النماذج المحددة التي تطبق نفس منطق التصنيف كل مرة تحل هذه المشكلة. النموذج لا ينتج إجابات مختلفة في أيام مختلفة. يجعل الإجابات النصية المفتوحة موثوقة بنفس الطريقة التي تكون بها برامج NPS الطويلة موثوقة. هذا ما يسمح للمحلل أن يقول شيء ذو معنى للأعمال حول إلى أين هم ذاهبون، لا فقط إلى أين هم الآن.

كما يصبح الذكاء الاصطناعي أكثر اندماجاً في تجربة العملاء، كيف يجب على المنظمات التفكير فيه كعامل مضاعف للقوى العاملة بدلاً من استبدالها، خاصة للفرق غير التقنية؟

إطار عامل مضاعف للقوى العاملة يغير السؤال من “ماذا سوف يستبدل الذكاء الاصطناعي؟” إلى “ماذا يمكن لفريقي القيام به الآن الذي لم يتمكنوا من فعله من قبل؟” ذلك هو الإطار الأكثر إنتاجية، و من خبرتي، هو الأكثر دقة. الإصدار الملموس: محلل استخبارات العملاء يقضى ثلاثة أيام في الأسبوع في ترميز الملاحظات المفتوحة يدوياً يمكنه الآن قضاء ذلك الوقت في تفسير الأنماط، وتقديم النتائج، والعمل على الأسئلة وراء الأسئلة. لم يستبد الذكاء الاصطناعي المحلل. أعطى مهارات المحلل مساحة أكبر للعمل.

ذلك يهم أكثر للفرق غير التقنية. عندما يمكن لأي شخص سؤال أسئلة حول بياناتهم بلغة بسيطة دون الحاجة إلى عالم بيانات أو بناء تقرير من الصفر، يصل الأشخاص الأقرب إلى العميل إلى الرؤى أسرع. ذلك يغير سرعة القرارات عبر المنظمة بأكملها، لا فقط كفاءة مهمة واحدة.

تظهر تأثيرات العامل المضاعف فقط إذا كانت الفرق مستعدة لاستخدام القدرة التي يخلقها الذكاء الاصطناعي. ذلك سؤال تصميم تنظيمي بقدر ما هو سؤال تكنولوجي. لذلك نقضي الكثير من الوقت على تبني وأفضل الممارسات مع عملائنا كما نقضيه على القدرات نفسها.

نظرًا إلى المستقبل، كيف ترى الذكاء الاصطناعي يغير تجربة العملاء خلال السنوات القليلة القادمة، وما يجب على الشركات القيام به اليوم لتحضير أنفسهم لتلك التحول؟

التحول الذي أشاهده هو الانتقال من الاستجابة إلى التفاعل. معظم برامج الملاحظات اليوم هي استجابة. على سبيل المثال، شيء ما يحدث، تأتي ملاحظات، وفرق تحليلها، ويتخذ القرارات. الدورة أصبحت أسرع، ولكنها لا تزال في الأساس ناظرة إلى الماضي.

ما يجعل الذكاء الاصطناعي ممكنًا هو التقدم على تلك المنحنى. تحديد الإشارات في وقت مبكر بما يكفي للتصرف قبل أن تظهر مشكلة في النقاط. معرفة أي قطاعات العملاء في خطر قبل أن يغادرها. فهم لماذا تنخفض الرضا في منطقة معينة قبل أن تصبح نمطاً. ذلك هو المكان الذي يصبح فيه مزيج الذكاء الاصطناعي المخصص وبيانات الملاحظات على مدى فترة زمنية فعلاً قوياً.

الشركات اليوم يجب أن تبني البنية التحتية التنظيمية لامتصاص ما يجعل الذكاء الاصطناعي ممكناً. توحيد بيانات الملاحظات من المراجعات والاستبيانات والوسائط الاجتماعية و التطبيقات و المزيد. حدد من يملك التحليلات وما يحدث عندما تظهر شيئاً قابل للتنفيذ. بناء سير العمل التي تربط بين الرؤية والإجراء قبل أن تحتاج إليها. الشركات التي سوف تتقدم ليست بالضرورة تلك التي لديها أكثر تكنولوجيا الذكاء الاصطناعي المتقدمة، بل تلك التي تتصرف على رؤى الذكاء الاصطناعي بانتظام وبسرعة وعلى نطاق واسع.

شكراً على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Alchemer.