Ryan Tamminga, Chief Customer Officer, Alchemer – Intervieuserie

Ryan Tamminga er en kundeoplevelses- og virksomhedstransformationsdirektør med næsten to årtiers ledelseserfaring, der spænder over kundesucces, professionelle services, rådgivning og produktstrategi. Siden han kom til Alchemer i 2019, har han avanceret gennem en række ledelsesroller, herunder vicepræsident for kundesucces og senior vicepræsident for produkt og services, før han blev udnævnt til Chief Customer Officer i 2026. I sin nuværende rolle overvåger han kundeengagement, succes og servicedelivery, mens han hjælper med at tilpasse kundebehov med produktinnovation og forretningsstrategi. Før Alchemer havde Tamminga seniort ledelsesstillinger hos ReedGroup, Deloitte og Accenture, hvor han ledte store transformationsinitiativer fokuseret på forretningsoperationer, analyser, automatisering og virksomhedspræstationsforbedring.

Alchemer er en kundeoplevelses- og feedbackmanagementplatform, der hjælper organisationer med at indsamle, analysere og handle på indsigt fra kunder, medarbejdere og interessenter. Virksomhedens software kombinerer spørgskabelse, feedbackindsamling, workflowautomatisering og AI-drevet analyse for at hjælpe virksomheder med at gå ud over blot at indsamle data og i stedet drive målbare handlinger fra den. Virksomheden servicerer organisationer på tværs af en bred vifte af brancher og giver hold mulighed for at centralisere feedback fra multiple kanaler, afsløre tendenser og sentiment samt bruge disse indsighter til at forbedre kundeoplevelser, informere produktbeslutninger og styrke forretningspræstation. Gennem sin voksende suite af AI-drevne værktøjer sigter virksomheden på at hjælpe organisationer med at omdanne feedback til en kontinuerlig kilde til operationel og strategisk intelligens.

Du har tilbragt mere end et årti i rådgivning hos virksomheder som Accenture og Deloitte, før du ledede kundesucces, produkt og services hos Alchemer. Hvordan har denne blanding af procestransformation og håndgribelig kundeoplevelse formet din tilgang til at implementere AI i virksomhedsomgivelser?

Arbejdet i rådgivning gav meget værdifuld erfaring, der informerer min nuværende rolle hos Alchemer. For eksempel opdagede jeg, at teknologi sjældent er det sværeste aspekt. Jeg tilbragte år med at hjælpe Fortune 100-virksomheder med at implementere virksomhedssystemer, og projekterne, der kæmpede, var ikke ødelagte af dårlig software. De havde problemer med ændringsstyring, uklar ejerskab og ofte blev de implementeret, før de underliggende processer var klar til at absorbere dem.

Denne erfaring formet, hvordan jeg tænker om AI-implementering i dag. Når jeg taler med kunder, der kæmper med at få værdi fra AI, er problemet næsten aldrig teknologien i sig selv. Det er, at de ikke har defineret, hvad de forsøger at opnå, hvem ejer outputtet, og hvad der ændrer sig, når AI’en fremhæver noget handlingsbart. Teknologien er foran den organisatoriske parathed i de fleste tilfælde.

Den håndgribelige kundeoplevelse er den anden halvdel af denne ligning. Du lærer hurtigt, hvad værdi faktisk betyder for de mennesker, der udfører jobbet hver dag, og hvordan du oversætter det til, hvad det betyder for bestyrelsesmetrikker. Disse er ofte meget forskellige ting. Kombinationen af procesrigor fra rådgivning og kundeeffekten fra at arbejde sammen med hold er, hvad jeg sigter på at bringe til strategien for, hvordan vi bygger og implementerer AI hos Alchemer.

Du har peget på en betydelig AI-modningskløft på tværs af organisationer. Hvad er de største misforståelser, ledere har om deres parathed, og hvor falder implementeringer typisk først?

Den mest almindelige misforståelse er, at købet af AI-værktøjet er det samme som at være parat til at bruge det. Ledere ser en demo, de ser outputtet, og de antager ofte forkert, at adoption følger automatisk. Det er vigtigt at sikre, at teknologien, uanset om det er AI eller ej, starter med det forretningsproblem, der skal løses. Den succesfulde adoption af teknologien er næsten altid knyttet til, hvor godt du kan kommunikere, hvordan den løser problemet for dine hold og kunder.

Hvor implementeringer falder først er næsten altid ved overgangspunktet. Hvis der ikke er en defineret workflow for, hvad der sker herefter (f.eks. hvem ser det, hvem handler på det, hvilket system det går ind i), så bliver indsigt ikke handlet på. Organisationer skal være struktureret korrekt for at handle på indsigt.

At erkende denne kløft har formet, hvordan vi bygger løsninger hos Alchemer. Vi starter med at identificere problemerne, vi forsøger at løse med de teknologiske muligheder, vi frigiver. AI-kapaciteter, workflows og brugerkontroller er kun en del af, hvad vi leverer. At hjælpe hold med at bygge den organisatoriske muskel til at handle på feedback er lige så vigtigt, og det er, hvor de virkelige resultater opnås.

Mange virksomheder investerer tungt i AI, men kæmper med at demonstrere ROI. Hvordan skal de bruge metrikker eller rammer til at evaluere, om AI i kundeoplevelsen faktisk fungerer?

Start med, hvad der ændrede sig i adfærd, ikke hvad AI’en producerede. Det rette spørgsmål er ikke, “Producerede AI’en en sammenfatning?” Men spørgsmål som, “Hvad er metrikken for nøgleindikator for succes?”, “Handlede teamet anderledes på grund af det?”, og “Ændrer de tilsvarende forretningsmetrikker sig i den rigtige retning?” AI kan tydeligt identificere, hvor et problem eller en mulighed findes, og give nye indsighter. Men hvis virksomheder ikke handler på disse indsighter, kan kundefeedback blive ignoreret eller ikke håndteret i tide.

Tid til indsigt er en god metrik at starte med. Hvad tog det at gå fra at indsamle feedback til at have noget handlingsbart foran en beslutningstager? Feedbackanalyse, der tidligere tog seks måneder, er betydeligt reduceret med AI. Vi har en kunde, der reducerede denne cyklus fra seks måneder til timer, hvilket demonstrerer en reel, målbart ændring i tid til indsigt og handling.

Tid til respons er en anden metrik, der skal indfanges tidligt. Kunder forventer en respons på deres feedback, især når det er negativt. Mål, hvor lang tid det tager at respondere på en negativ spørgskabelsesvar eller en onlineanmeldelse. Det kan tage dage, hvis du gennemgår det manuelt, tildeler handling via en supportsæde og derefter responderer til kunden. En online brilleforhandler kunne gå fra næsten en måned til minutter.

Responsrate er den sidste metrik, der skal spores. H&R Block (HRB ) Canada styrer næsten 1.000 lokaliteter gennem skadesæsonen. Før AI var det næsten umuligt at nå 100% anmeldelsesresponsdækning. Nu er det en baseline. Det er målbart, og de nedstrømsvirkninger på søge synlighed og kundeperception er sporbare.

Start med at identificere problemet, der koster dig eller frustrerer dine kunder (f.eks. langsom analyse, lave responsrater, missede kundesignaler) og mål deltaforskellen før og efter. Prøv ikke at måle alt. Mål én ting, der betyder noget, og brug den momentum til at hjælpe med at bygge og levere forretningsfaldet.

Set fra dit perspektiv, hvad adskiller organisationer, der succesfuldt operationaliserer AI, fra dem, der bliver fast i eksperimenter?

Organisationerne, der lykkes med AI, behandler det som infrastruktur snarere end som et projekt, der har en startdato, en slutdato og et hold, der forsøger at retfærdiggøre investeringen. Infrastruktur bliver kerne til, hvordan arbejdet bliver udført. For eksempel, tænk på forskellen, som introduktionen af CRM-software gjorde i slutningen af 1990’erne og begyndelsen af 2000’erne. Projektet var implementeringen, men systemerne blev kerneoperationsinfrastruktur, der var grundlaget for, hvordan markedsteam har opereret siden.

Den anden differentiator er ejerskab. Succesfulde kundeoplevelsesudførelser (CX) har nogen, hvis job det er at sikre, at outputtet handles på. Der skal være nogen, der er ansvarlig for, hvad der sker, fordi når ingen ejer resultatet, indsigt loop tilbage til en dashboard og stopper der. Dette har altid været sandt for CX-programmer — det er forstærket af AI, fordi outputtet kommer hurtigere, og kundernes forventninger accelererer.

Det tredje, jeg holder øje på, er, om organisationen har haft en mønster af konsistens af succesmetrikker. Hvad der måles, styres. Hold, der sporer tendenser over tid, benchmarkpræstationer kvartal for kvartal eller sammenligner resultater på tværs af geografier, kan ikke have AI-løsninger, der producerer forskellige svar på forskellige dage. Organisationerne, der operationaliserer succesfuldt, kræver typisk pålidelighed ud over kapacitet. De vil have AI, de kan bygge på.

Der er meget ophidselse omkring generelle formål LLM’er, men du fremhæver formål-bygget AI i feedbackworkflows. Hvor falder generelle modeller kort?

Ikke alle problemer kræver den samme AI-løsning. Mange udbydere i feedback- og CX-området har bygget deres AI-kapaciteter oven på kommercielt tilgængelige generelle modeller som ChatGPT, Claude eller Gemini. De er designet til at gøre alt for alle, og den generalitet kan være problematisk for organisationer, der kræver en høj grad af pålidelighed og konsistens.

Med dette i mente har Alchemer valgt en anden tilgang for at understøtte de udfordringer, vores kunder forsøger at løse. Alchemer bruger den rigtige AI-løsning til hver specifik opgave snarere end at routere alle problemer gennem kommercielle LLM’er. Resultatet af denne formål-byggede AI-strategi er mere præcise output, konsistente resultater over tid og AI, der er optimeret til feedbackdata snarere end tilpasset fra et værktøj bygget til noget andet.

Vi har set dette spille ud direkte med kunder. Washburn & McGoldrick evaluerede generelle formål AI-værktøjer, før de valgte Alchemer, og fandt, at det samme dataset producerede forskellige kategoriseringer på forskellige dage. Du kan ikke bygge et benchmarkprogram på det.

Hvad betyder det faktisk at integrere AI direkte i forretningsworkflows, og hvorfor er denne tilgang mere effektiv end at behandle AI som et selvstændigt værktøj?

Et selvstændigt AI-værktøj er noget, du åbner, når du beslutter at analysere noget. En integreret AI-kapacitet er allerede i gang, før du har tænkt på at spørge.

Her er forskellen i praksis: Hvis en anmeldelse kommer ind om natten, der rammer en risikotærskel på grund af en sikkerhedsbekymring, udløser en integreret system en alarm, routerer det til den rette person og initierer en responsworkflow automatisk. Ingen skal huske at tjekke dashboardet. AI’en er allerede en del af processen.

Hos Alchemer tænker vi på dette på tværs af alle feedbackkanaler og det fulde feedbacklivscyklus. AI i vores spørgskabelseforbedrer, hvad der kommer ind, og kan generere relevante følgespørgsmål i realtid, så en spørgskabelse bliver en samtale. I anmeldelseshåndtering kan AI udarbejde på-brand, personlige svar og endda publicere det. AI i vores analytisk lag fremhæver, hvad der betyder noget, på tværs af al feedback. Og vores workflowautomatisering forbinder AI-udløste handlinger direkte til de forretningsystemer, hvor hold faktisk arbejder. Når disse dele er forbundet, mindskes gapet mellem indsigt og handling fra dage til minutter. Det er, hvad integreret faktisk betyder, forbinder handlingerne, der stammer fra kundefeedback, til de systemer, vores kunders hold bruger hver dag til at engagere deres kunder.

At omdanne ustruktureret kundefeedback til realtids, handlingsbart intelligens lyder kraftfuldt, men svært. Hvad er de største tekniske og organisatoriske udfordringer i at gøre det arbejde på en større skala?

På den tekniske side kan volumen og variabiliteten af data faktisk være udfordrende. Kunder skriver på forskellige sprog, med forkortelser, stavefejl og stenografi, som generelle modeller ofte mislæser. Modellerne skal også forstå sprogene i virksomheden. Forskellige brancher bruger forskellige terminologi, og virksomheder anvender deres egne nuancer oven på det.

For eksempel kan personen, der møder dig i en virksomhed, være en receptionist på en læges kontor, værten på en restaurant og en barista på en kaffebar. Disse lignende roller kan være navngivet forskelligt i forskellige brancher. Mens en generel model måske er okay til en initial gennemgang, skal de underliggende modeller være formål-byggede til nuancen af feedbackdata og hvordan kunder taler om specifikke brancher, produkter, mærker og services. Modellerne skal også være konsistente, fordi du næsten altid sammenligner med historiske baseline.

mens de tekniske udfordringer synes at være øgende, bliver de organisatoriske udfordringer, om end betydelige, lettere at løse. Den første store udfordring er at vide, hvad man skal gøre med den øgede volumen og de rigere indsighter. De bedste organisationer bygger workflows, der siger, “Denne indsigt går til denne person/system, der gør dette, inden for denne tidsramme.” Heldigvis er det aldrig blevet lettere at bygge disse workflows. Med lidt planlægning og når det er gjort rigtigt, bliver accelerationen af det generelle nysgerrighed hos holdene, der arbejder med at forstå kundefeedback, rigtig spændende, da det udvikler sig.

En anden stor organisatorisk udfordring er tillid. I Alchemers seneste studie sagde kun 29% af CX-softwarekøbere, at de var komfortable med at handle på AI-genererede output uden gennemgang. Det afspejler virkelig erfaring med AI, der har været inkonsistent eller uforklarlig. At bygge tillid kræver AI-systemer, der er transparente om, hvordan de når til konklusioner, med revisionsspor og konfigurerbare kontroller, der lader holdene beslutte, hvad AI’en kan og ikke kan gøre. Hos Alchemer behandler vi tillid som et produkt, ikke en funktion.

Du har foreslået, at konsistens kan betyde mere end nøjagtighed i AI-drevet markedsforskning. Kan du forklare, hvorfor konsistens er så kritisk, og hvorfor det ofte overses?

Nøjagtighed fortæller dig, hvor godt AI’en forstod en enkelt respons. Konsistens fortæller dig, om du kan stole på sammenligningen over tid. For markedsforskning er sammenligningen punktet. Det er ikke meningsfuldt at vide, hvad kunder siger i dag i isolation. Men det er værdifuldt at forstå, om tingene bliver bedre eller dårligere i forhold til sidste kvartal, hvordan en region sammenlignes med en anden eller om temaerne, du ser nu, var til stede for seks måneder siden. Ingen af disse ting er muligt, hvis den underliggende klassificering skifter mellem kørsler.

For eksempel, hvis du hyrede to forskellige analytikere til at kodificere den samme åbne tekstfeedback seks måneder apart, ville du have et sammenligningsproblem, selv om begge var fremragende. Du ville ikke vide, om en ændring i temaer reflekterede en reel ændring i kundesentiment eller blot en forskel i, hvordan to personer tolkede den samme data. AI med inkonsistente output kan forårsage denne samme udfordring.

Fine-tuned modeller, der anvender den samme klassificeringslogik hver gang, løser dette. Modellen producerer ikke forskellige svar på forskellige dage. Det gør åbne tekstsvare pålidelige på samme måde, som longitudinelle Net Promoter Score (NPS)-programmer er pålidelige. Det er, hvad der tillader en analytiker at fortælle forretningsfolk noget meningsfuldt om, hvor de er på vej, ikke kun hvor de er lige nu.

Som AI bliver mere integreret i kundeoplevelsen, hvordan skal organisationer tænke på det som en arbejdskraftmultiplier snarere end en erstatning, især for ikke-tekniske hold?

Arbejdskraftmultiplier-rammen skifter spørgsmålet fra “Hvad vil AI erstatte?” til “Hvad kan mit hold gøre nu, som de ikke kunne før?” Det er en mere produktiv ramme, og i min erfaring er det også den mere præcise. Det følger historiske mønstre af store teknologiske fremskridt i teknologiadoption over de sidste 20 år. Den konkrete version: En kundeindsigtanalytiker, der tilbringer tre dage om ugen med at kodificere åben tekstfeedback manuelt, kan nu tilbringe den tid med at tolke mønstre, præsentere resultater og arbejde med spørgsmålene bag spørgsmålene. AI’en erstattede ikke analytikeren. Den gav analytikerens færdigheder mere plads til at operere.

Dette betyder endnu mere for ikke-tekniske hold. Når alle kan stille spørgsmål om deres data på almindeligt sprog uden at skulle have en datavidenskabsmand eller bygge en rapport fra scratch, får de mennesker, der er tættest på kunden, indsigt hurtigere. Det ændrer tempoet af beslutninger på tværs af hele organisationen, ikke kun effekten af en enkelt opgave.

Arbejdskraftmultiplier-effekten materialiserer kun, hvis hold er parat til at bruge den kapacitet, som AI skaber. Det er en organisationsdesignspørgsmål lige så meget som et teknologispørgsmål. Det er, hvorfor vi tilbringer lige så megen tid på adoption og bedste praksis med vores kunder, som vi gør på kapaciteterne selv.

Set fremad, hvordan ser du AI formende kundeoplevelsen over de næste få år, og hvad skal virksomheder gøre i dag for at forberede sig på denne ændring?

Ændringen, jeg følger mest nøje, er skiftet fra reaktiv til proaktiv. De fleste feedbackprogrammer i dag er reaktive. For eksempel sker noget, feedback kommer ind, hold analyserer det, og beslutninger træffes. Cyklen bliver hurtigere, men den er stadig grundlæggende retrovers.

Hvad AI gør muligt er at komme foran denne kurve. Identificere signaler tidligt nok til at handle, før et problem viser sig i dine score. At vide, hvilke kundesegmenter er i fare, før de afbryder. At forstå, hvorfor tilfredshed er faldende i en bestemt region, før det bliver et mønster. Det er, hvor kombinationen af formål-bygget AI og longitudinelt feedbackdata bliver rigtig kraftfuld.

Virksomheder i dag skal bygge den organisatoriske infrastruktur til at absorbere, hvad AI gør muligt. Konsolider din feedbackdata fra anmeldelser, spørgeskemaer, sociale medier, in-app og mere. Definer, hvem ejer analyserne, og hvad der sker, når noget handlingsbart dukker op. Byg workflows, der forbinder indsigt til handling, før du behøver dem. Virksomhederne, der kommer til at træde frem, er ikke nødvendigvis dem med den mest avancerede AI-teknologi, men dem, der handler på AI-indsighter konsistent, hurtigt og i stor skala.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Alchemer.