Ryan Tamminga, ředitel pro zákazníky, Alchemer – série rozhovorů

Ryan Tamminga je zkušený manažer se téměř dvě desetiletí zkušeností v oblasti zákaznické zkušenosti a transformace podniků, pokrývající zákaznický úspěch, profesionální služby, poradenství a produktovou strategii. Od svého příchodu do Alchemer v roce 2019 prošel řadou vedoucích rolí, včetně viceprezidenta pro zákaznický úspěch a senior viceprezidenta pro produkty a služby, než se stal v roce 2026 Chief Customer Officer. V současné roli dohlíží na zapojení zákazníků, úspěch a doručování služeb a pomáhá sladit potřeby zákazníků s inovací produktů a obchodními strategiemi. Předtím, než nastoupil do Alchemer, zastával Tamminga seniorní vedoucí pozice ve společnostech ReedGroup, Deloitte a Accenture, kde vedl rozsáhlé transformační iniciativy zaměřené na obchodní operace, analytiku, automatizaci a zlepšení podnikového výkonu.

Alchemer je platforma pro zákaznickou zpětnou vazbu a řízení zkušeností, která pomáhá organizacím zachytit, analyzovat a jednat na základě informací od zákazníků, zaměstnanců a dalších zúčastněných stran. Společnost nabízí software, který kombinuje tvorbu dotazníků, sběr zpětné vazby, automatizaci pracovních postupů a analytiku poháněnou umělou inteligencí, aby pomohl firmám jít za hranice pouhého sběru dat a místo toho pohánět měřitelné akce. Služby Alchemer jsou dostupné organizacím napříč širokým spektrem odvětví a umožňují týmům centralizovat zpětnou vazbu z více kanálů, odhalovat trendy a sentiment a využívat tyto informace ke zlepšení zákaznické zkušenosti, informování produktových rozhodnutí a posílení obchodního výkonu. Díky své rostoucí sadě nástrojů poháněných umělou inteligencí se společnost snaží pomoci organizacím transformovat zpětnou vazbu na kontinuální zdroj provozních a strategických informací.

Vy jste strávil více než deset let v poradenství ve firmách jako Accenture a Deloitte, než jste vedl zákaznický úspěch, produkty a služby v Alchemer. Jak vám tato kombinace transformace procesů a praktických zkušeností se zákazníky formovala přístup k nasazení umělé inteligence v podnikovém prostředí?

Práce v poradenství mi poskytla velmi cenné zkušenosti, které informují mou současnou roli v Alchemer. Například jsem zjistil, že technologie je zřídka největším problémem. Strávil jsem roky pomáháním firmám z Fortune 100 implementovat podnikové systémy, a projekty, které měly potíže, nebyly zmařeny špatným softwarem. Měly problémy se správou změn, nejasným vlastnictvím a často byly nasazeny předtím, než byly základní procesy připraveny je absorbovat.

Tato zkušenost formuje, jak přemýšlím o nasazení umělé inteligence dnes. Když mluvím se zákazníky, kteří mají potíže získat hodnotu z umělé inteligence, problém téměř nikdy nevyplývá z technologie samotné. Je to to, že nedefinovali, co se snaží dosáhnout, kdo vlastní výstup a co se změní, když umělá inteligence odhalí něco akčního. Technologie je předčasná ve srovnání s organizační připraveností ve většině případů.

Praktická práce se zákazníky je druhá polovina této rovnice. Rychle se dozvíte, co skutečná hodnota znamená pro lidi, kteří dělají práci každý den, a jak to přeložit do toho, co to znamená pro metriky představenstva. Tyto věci jsou často velmi odlišné. Kombinace procesní přísnosti z poradenství a empatie zákazníků z práce po boku týmů je to, co se snažím přinést do strategie, jak budujeme a nasazujeme umělou inteligenci v Alchemer.

Vy jste poukázal na významnou mezeru v zralosti umělé inteligence napříč organizacemi. Jaké jsou největší mýty, které lídři mají o své připravenosti, a kde se implementace obvykle nejprve nezdaří?

Nejběžnější mýtus je, že nákup nástroje umělé inteligence je totéž jako být připraven jej použít. Lídři vidí demo, vidí výstup a předpokládají, často nesprávně, že adopce následuje automaticky. Je důležité zajistit, aby technologie, ať už je to umělá inteligence nebo ne, začala s obchodním problémem, který je třeba vyřešit. Úspěšná adopce technologie je téměř vždy spojena s tím, jak dobře můžete komunikovat, jak to vyřeší problém pro vaše týmy a zákazníky.

Místo, kde se implementace obvykle nejprve nezdaří, je téměř vždy v bodě předání. Pokud není definován žádný pracovní postup pro to, co se stane dále (tj. kdo to vidí, kdo na to reaguje, do jakého systému to jde), pak není akce provedena. Organizace potřebují být správně strukturovány, aby mohly jednat na základě informací.

Poznání této mezery formovalo, jak stavíme řešení v Alchemer. Začínáme identifikací problémů, které chceme vyřešit pomocí technologií, které uvolňujeme. Schopnosti umělé inteligence, pracovní postupy a ovládací prvky jsou pouze částí toho, co dodáváme. Pomoc týmům budovat organizační svaly, aby mohli jednat na základě zpětné vazby, je stejně důležitá, a je to místo, kde jsou realizovány skutečné výsledky.

Mnoho firem investuje značné prostředky do umělé inteligence, ale má potíže s prokázáním návratnosti investic. Jaké metriky nebo rámce by měly používat k vyhodnocení, zda umělá inteligence ve zákaznické zkušenosti skutečně funguje?

Začněte s tím, co se změnilo v chování, ne s tím, co vyrobila umělá inteligence. Správná otázka není, “Vyrobila umělá inteligence souhrn?” Ale otázky jako, “Jaký je klíč k úspěchu?”, “Zachoval se tým jinak kvůli tomu?” a “Posouvají se obchodní metriky správným směrem?” Umělá inteligence jasně identifikuje, kde existuje problém nebo příležitost, a poskytuje nové informace. Pokud však firmy nebudou jednat na základě těchto informací, může být zpětná vazba zákazníků ignorována nebo nevyřízena včas.

Čas na získání informací je dobrým metrikem, se kterým začít. Jak dlouho trvalo jít od sběru zpětné vazby k tomu, aby něco akčního bylo předloženo rozhodujícímu orgánu? Analýza zpětné vazby, která dříve trvala šest měsíců, je nyní významně snížena díky umělé inteligenci. Máme zákazníka, který snížil tento cyklus ze šesti měsíců na hodiny, což prokázalo skutečný, měřitelný posun směrem k řešení času na získání informací a akce.

Čas na reakci je další metrikou, kterou je třeba zachytit brzy. Zákazníci očekávají reakci na svou zpětnou vazbu, zejména když je negativní. Zachyťte, jak dlouho trvá reagovat na negativní odpověď na dotazník nebo online recenzi. Může to trvat dny, pokud se to kontroluje ručně, přiřazuje se akce prostřednictvím podpůrného ticketu a poté se reaguje na zákazníka. Online prodejce brýlí dokázal jít z téměř měsíce na minuty.

Reakční rychlost je konečná metrika, kterou je třeba sledovat. H&R Block (HRB ) Canada spravuje téměř 1 000 lokalit během daňové sezóny. Před umělou inteligencí bylo téměř nemožné dosáhnout 100% pokrytí reakcí na recenze. Nyní je to základní metrika. To je měřitelné, a dolní efekt na viditelnost vyhledávače a vnímání zákazníků je sledovatelný.

Začněte identifikací problému, který vás stojí nebo frustruje vaše zákazníky (například pomalá analýza, nízké reakční rychlosti, chybějící signály zákazníků) a změřte rozdíl před a po. Nezkoušejte měřit vše. Změřte jednu věc, která má význam, a použijte tento impuls, aby pomohl vybudovat a dodat obchodní případ.

Z vašeho pohledu, co odlišuje organizace, které úspěšně operacionalizují umělou inteligenci, od těch, které zůstávají uvízlé v experimentování?

Organizace, které úspěšně využívají umělou inteligenci, pohlíží na ni jako na infrastrukturu, nikoli jako na projekt, který má datum začátku, datum konce a tým, který se snaží ospravedlnit investici. Infrastruktura se stává jádrem toho, jak se práce provádí. Například si vzpomeňte na rozdíl, který uvedení softwaru CRM přineslo na konci 90. a počátku 2000. let. Projekt byl implementací, ale systémy se staly jádrem provozní infrastruktury, které se staly základem pro to, jak týmy prodeje fungují od té doby. Tato transformace je to, co operacionalizace skutečně znamená, a většina organizací se tam dosud nedostala, pokud jde o adopci umělé inteligence.

Dalším rozlišovacím znakem je vlastnictví. Úspěšné nasazení zákaznické zkušenosti (CX) má někoho, jehož úkolem je zajistit, aby výstupy byly provedeny. Musí existovat někdo, kdo je zodpovědný za to, co se stane, protože když nikdo nevlastní výsledek, informace se vrátí na dashboard a zastaví se tam. To vždy platilo pro programy CX — je to zesíleno umělou inteligencí, protože výstupy přicházejí rychleji a očekávání zákazníků se zrychluje.

Třetím věcí, kterou sleduji, je, zda organizace měla konzistentní vzorec úspěchu metrik. Co se měří, je řízeno. Týmy, které sledují trendy v čase, benchmarkují výkon čtvrtletně nebo srovnávají výsledky napříč geografickými oblastmi, nemohou si dovolit řešení umělé inteligence, která produkují různé odpovědi v různých dnech. Organizace, které operacionalizují úspěšně, obvykle vyžadují spolehlivost vedle kapacity. Chtějí umělou inteligenci, na kterou se lze spolehnout.

Existuje mnoho nadšení kolem obecných modelů LLM, ale vy jste zastáncem speciálně navržené umělé inteligence v pracovních postupech zpětné vazby. Kde obecné modely selhávají v podnikových případech?

Ne každý problém vyžaduje stejné řešení umělé inteligence. Mnoho dodavatelů v oblasti zpětné vazby a CX postavilo své schopnosti umělé inteligence na základě komerčně dostupných obecných modelů, jako je ChatGPT, Claude nebo Gemini. Tyto modely jsou navrženy tak, aby dělaly vše pro každého, a tato obecnost může být problematická pro organizace, které vyžadují vysokou úroveň spolehlivosti a konzistence.

V tomto ohledu se Alchemer rozhodl jít jinou cestou, aby podpořil výzvy, kterým čelí naši zákazníci. Alchemer používá správné řešení umělé inteligence pro každou konkrétní úlohu, místo toho, aby směroval každý problém skrze komerční LLM. Výsledkem této strategie speciálně navržené umělé inteligence je přesnější výstupy, konzistentní výsledky v čase a umělá inteligence optimalizovaná pro data zpětné vazby, nikoli přizpůsobená z nástroje postaveného pro něco jiného.

Sledovali jsme to přímo u zákazníků. Washburn & McGoldrick vyhodnotil obecné nástroje umělé inteligence, než si vybral Alchemer, a zjistil, že stejná datová sada produkovala různé kategorie v různých dnech. Nemůžete postavit program benchmarkingu na tom.

Co to vlastně znamená vložit umělou inteligenci přímo do obchodních pracovních postupů, a proč je tento přístup účinnější než zacházení s umělou inteligencí jako se samostatným nástrojem?

Samostatný nástroj umělé inteligence je něco, co otevřete, když se rozhodnete analyzovat něco. Vložená schopnost umělé inteligence již funguje, než jste si uvědomili, že máte analyzovat.

Zde je rozdíl v praxi: Pokud přijde recenze přes noc, která zasáhne práh rizika kvůli bezpečnostní otázce, vložený systém spustí upozornění, pošle jej správné osobě a zahájí odpovědní pracovní postup automaticky. Nikdo nemusí pamatovat, že má zkontrolovat dashboard. Umělá inteligence je již součástí procesu.

V Alchemer uvažujeme o tom napříč všemi kanály zpětné vazby a celým životním cyklem zpětné vazby. Umělá inteligence v našich schopnostech dotazníků zlepšuje to, co přichází, a může generovat relevantní follow-up otázky v reálném čase, takže dotazník se stává konverzací. V správě recenzí může umělá inteligence vypracovat personalizované, značkové odpovědi a dokonce je zveřejnit. Umělá inteligence v naší analytické vrstvě odhaluje, co je důležité napříč všemi těmito zpětnými vazbami. A naše automatizace pracovních postupů spojuje akční položky spuštěné umělou inteligencí přímo do obchodních systémů, ve kterých týmy skutečně pracují. Když jsou tyto části spojeny, mezera mezi informacemi a akcí se zmenšuje z dnů na minuty. To je to, co vložené skutečně znamená, propojování akcí vyplývajících ze zpětné vazby zákazníků do systémů, ve kterých týmy zákazníků pracují každý den.

Převod nestrukturované zpětné vazby zákazníků na reálnou, akční inteligenci zní mocně, ale je to obtížné. Jaké jsou největší technické a organizační výzvy při realizaci toho v měřítku?

Z technického hlediska může být objem a variabilita dat skutečně výzvou. Zákazníci píší v různých jazycích, s zkratkami, překlepy a zkratkovým jazykem, který obecné modely často špatně čtou. Modely musí také rozumět jazyku podnikání. Různá odvětví používají různé terminologie a podniky aplikují na ni své vlastní nuance.

Například osoba, která vás přivítá v podniku, může být recepční v ordinaci, host v restauraci a barista v kavárně. Tyto podobné role mohou být pojmenovány odlišně v různých odvětvích. Zatímco obecný model by mohl být v pořádku pro počáteční kontrolu, základní modely musí být speciálně navrženy pro nuance dat zpětné vazby a pro to, jak zákazníci mluví o konkrétních odvětvích, produktech, značkách a službách. Modely musí být také konzistentní, protože se téměř vždy porovnávají s historickými bazény.

Zatímco technické výzvy se zdají být zvyšujícími se, organizační výzvy, ačkoli významné, se stávají snazšími na řešení. První velkou výzvou je vědět, co dělat s rostoucím objemem a bohatšími informacemi. Nejlepší organizace staví pracovní postupy, které říkají: “Tato informace jde k této osobě/systému, kdo dělá tuto věc, v tomto časovém okně.” Naštěstí je stavba těchto pracovních postupů nikdy nebyla snazší. S určitým plánováním a když je vše provedeno správně, urychlení obecné zvědavosti týmů, které pracují na pochopení zpětné vazby zákazníků, se stává opravdu vzrušujícím, jak se vyvíjí.

Další velkou organizační výzvou je důvěra. V nedávné studii Alchemer uvedlo pouze 29 % kupujících softwaru CX, že jsou目前 spokojeni s akcí na základě výstupů umělé inteligence bez kontroly. To odráží skutečné zkušenosti s umělou inteligencí, která byla nekonzistentní nebo nevysvětlitelná. Budování důvěry vyžaduje systémy umělé inteligence, které jsou transparentní o tom, jak dospěly ke svým závěrům, s auditními stopami a konfigurovatelnými ovládacími prvky, které umožňují týmům rozhodnout, co může a nemůže umělá inteligence dělat. V Alchemer pohlížíme na důvěryhodnou umělou inteligenci jako na produkt, ne na funkci.

Vy jste naznačil, že konzistence může být důležitější než přesnost v AI-poháněném trhu. Můžete vysvětlit, proč je konzistence tak kritická a proč je často přehlížena?

Přesnost vám říká, jak dobře umělá inteligence pochopila jedinou odpověď. Konzistence vám říká, zda můžete důvěřovat srovnání v čase. Pro trh je srovnání bodem. Není významné vědět, co zákazníci říkají dnes v izolaci. Ale je to významné pochopit, zda se věci zlepšují nebo zhoršují ve srovnání s minulým čtvrtletím, jak jedna oblast porovnává s jinou, nebo zda téma, které vidíte nyní, bylo přítomno před šesti měsíci. Žádné z toho není možné, pokud se základní klasifikace změní mezi běhy.

Pokud byste například najali dva různé analytiky, aby zakódovali stejnou otevřenou zpětnou vazbu šest měsíců od sebe, budete mít problém s porovnatelností, i když oba byli vynikající. Nevíte, zda posun v tématech odráží skutečnou změnu ve zákaznické náladě nebo jen rozdíl v tom, jak dva lidé interpretují stejná data. Umělá inteligence s nekonzistentními výstupy může způsobit stejnou výzvu.

Jemně vyškolené modely, které aplikují stejnou klasifikační logiku každým časem, řeší tento problém. Model neprodukuje různé odpovědi v různých dnech. To dělá otevřené textové odpovědi spolehlivé stejně jako programy longitudinálního Net Promoter Score (NPS). To je to, co umožňuje analytikovi říci podniku něco významného o tom, kam směřují, ne jen o tom, kde jsou právě teď.

Jak by organizace měly uvažovat o umělé inteligenci jako o multiplikátoru pracovní síly, nikoli jako o náhradě, zejména pro netechnické týmy?

Rámcování multiplikátoru pracovní síly mění otázku z “co umělá inteligence nahradí?” na “co může můj tým dělat nyní, co dříve nemohl?” To je produktivnější rámec, a podle mé zkušenosti je to také přesnější. To sleduje historické vzorce rozsáhlých pokroků v technologické adopci za posledních dvacet let. Konkrétní verze: analytik zákaznických informací, který tráví tři dny v týdnu ručním kódováním otevřené zpětné vazby, může nyní strávit ten čas interpretací vzorců, prezentací zjištění a prací na otázkách za otázkami. Umělá inteligence nenahradila analytika. Dala analytikovým dovednostem více prostoru k provozu.

To má význam i pro netechnické týmy. Když kdokoli může klást otázky o svých datech v běžném jazyce bez nutnosti data scientista nebo vytváření zprávy od začátku, lidé, kteří jsou nejblíže zákazníkovi, získají přístup k informacím rychleji. To mění tempo rozhodnutí napříč celou organizací, ne jen efektivitu jediné úkolu.

Multiplikační efekt se materializuje pouze tehdy, jsou-li týmy připraveny využít kapacitu, kterou umělá inteligence vytváří. To je otázka organizačního designu stejně jako technologická. To je důvod, proč trávíme tolik času na adopci a osvědčených postupech se našimi zákazníky, stejně jako na samotných schopnostech.

Pohledem do budoucna, jak budete sledovat, že umělá inteligence mění zákaznickou zkušenost v příštích letech, a co by měly podniky dělat dnes, aby se na tento posun připravily?

Posun, který sleduji nejvíce, je přechod od reaktivního k proaktivnímu. Většina programů zpětné vazby dnes je reaktivní. Například něco se stane, zpětná vazba přichází, týmy analyzují ji a rozhodnutí jsou učiněna. Cyklus se zrychluje, ale je stále fundamentálně zpětný.

To, co umělá inteligence umožňuje, je dostat se před tuto křivku. Identifikace signálů dostatečně brzy, aby se jednalo, než se problém objeví ve vašich skórech. Vědět, které segmenty zákazníků jsou v ohrožení, než se stanou fluktuací. Pochopení, proč se spokojenost snižuje v konkrétní oblasti, než se stane modelem. To je místo, kde kombinace speciálně navržené umělé inteligence a longitudinálních dat zpětné vazby se stává skutečně silnou.

Podniky by dnes měly budovat organizační infrastrukturu, aby absorbovaly, co umělá inteligence umožňuje. Konsolidujte svá data zpětné vazby z recenzí, dotazníků, sociálních médií, aplikací a dalšího. Definujte, kdo vlastní analýzy a co se stane, když něco akčního vyvstane. Budujte pracovní postupy, které spojují akční položky s umělou inteligencí se systémy, ve kterých vaše týmy pracují. Podniky, které budou mít navrch, nejsou nutně ty, které mají nejsofistikovanější technologii umělé inteligence, ale ty, které jednají na základě informací umělé inteligence konzistentně, rychle a v měřítku.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Alchemer.