Ράιαν Τάμινγκα, Chief Customer Officer, Alchemer – Σειρά Συνεντεύξεων

Ράιαν Τάμινγκα είναι ένας εκτελεστικός της εμπειρίας του πελάτη και της μετασχηματισμού της επιχείρησης με σχεδόν δύο δεκαετίες ηγετικής εμπειρίας που εκτείνονται στην επιτυχία του πελάτη, τις επαγγελματικές υπηρεσίες, τη συμβουλευτική και τη στρατηγική του προϊόντος. Από τότε που εντάχθηκε στην Alchemer το 2019, έχει προχωρήσει μέσω μιας σειράς ηγετικών ρόλων, συμπεριλαμβανομένου του Αντιπροέδρου της Επιτυχίας του Πελάτη και του Ανώτερου Αντιπροέδρου του Προϊόντος και των Υπηρεσιών, πριν διοριστεί Chief Customer Officer το 2026. Στο ρόλο του, εποπτεύει την εμπλοκή του πελάτη, την επιτυχία και την παροχή υπηρεσιών, βοηθώντας να ευθυγραμμιστεί τις ανάγκες του πελάτη με την καινοτομία του προϊόντος και τη στρατηγική της επιχείρησης. Πριν από την Alchemer, ο Τάμινγκα κατέχει ανώτερες ηγετικές θέσεις στην ReedGroup, Deloitte και Accenture, όπου ηγήθηκε μεγάλης κλίμακας πρωτοβουλιών μετασχηματισμού που επικεντρώθηκαν στις επιχειρηματικές λειτουργίες, την ανάλυση, την αυτοματοποίηση και τη βελτίωση της απόδοσης της επιχείρησης.

Alchemer είναι μια πλατφόρμα ανατροφής και διαχείρισης της εμπειρίας του πελάτη που βοηθά τις οργανώσεις να συλλέγουν, να αναλύουν και να ενεργούν με βάση τις γνώσεις από τους πελάτες, τους υπαλλήλους και τους ενδιαφερόμενους. Το λογισμικό της εταιρείας συνδυάζει τη δημιουργία ερωτηματολογίων, τη συλλογή σχολίων, την αυτοματοποίηση της ροής εργασιών και την ανάλυση με τη δύναμη του AI για να βοηθήσει τις επιχειρήσεις να κάνουνมากกวρο από το να συλλέγουν δεδομένα και να οδηγήσουν μετρήσιμη δράση από αυτά. Εξυπηρετώντας οργανισμούς σε ένα ευρύ φάσμα βιομηχανιών, η Alchemer ermögίζει στις ομάδες να κεντρίζουν σχόλια από πολλαπλά κανάλια, να ανακαλύπτουν τάσεις και στάσεις και να χρησιμοποιούν αυτές τις γνώσεις για να βελτιώσουν την εμπειρία του πελάτη, να ενημερώσουν αποφάσεις προϊόντων και να ενισχύσουν την απόδοση της επιχείρησης. Μέσω του αυξανόμενου συνόλου εργαλείων που οδηγούνται από το AI, η εταιρεία στοχεύει να βοηθήσει τις οργανώσεις να μετατρέψουν τα σχόλια σε μια συνεχή πηγή επιχειρηματικής και στρατηγικής ευφυΐας.

Έχετε περάσει περισσότερο από μια δεκαετία στη συμβουλευτική σε εταιρείες όπως Accenture και Deloitte πριν από την ηγεσία της επιτυχίας του πελάτη, του προϊόντος και των υπηρεσιών στην Alchemer. Πώς έχει διαμορφώσει η ανάμιξη της μετασχηματισμού της διαδικασίας και της άμεσης εμπειρίας του πελάτη την προσέγγισή σας για την ανάπτυξη του AI σε επιχειρηματικά περιβάλλοντα;

Η εργασία στη συμβουλευτική παρείχε πολύτιμη εμπειρία που ενημερώνει το ρόλο μου στην Alchemer. Για παράδειγμα, ανακάλυψα ότι η τεχνολογία σπάνια είναι το πιο δύσκολο μέρος. Πέρασα χρόνια βοηθώντας εταιρείες Fortune 100 να υλοποιήσουν επιχειρηματικά συστήματα, και τα έργα που δυσκολεύτηκαν δεν καταστράφηκαν από κακό λογισμικό. Είχαν προβλήματα διαχείρισης αλλαγών, ασαφής ιδιοκτησίας και συχνά αναπτύχθηκαν πριν από την ετοιμότητα των υποκείμενων διαδικασιών να τα απορροφήσουν.

Αυτή η εμπειρία διαμορφώνει τον τρόπο με τον οποίο σκέφτομαι την ανάπτυξη του AI σήμερα. Όταν μιλάω με πελάτες που δυσκολεύονται να λάβουν αξία από το AI, το ζήτημα σχεδόν ποτέ δεν αποδεικνύεται ότι είναι η τεχνολογία herself. Δεν έχουν ορίσει τι προσπαθούν να επιτύχουν, ποιος είναι ο ιδιοκτήτης της εξόδου και τι αλλάζει όταν το AI επιφέρνει κάτι ενεργό. Η τεχνολογία είναι μπροστά στην ετοιμότητα της οργάνωσης στις περισσότερες περιπτώσεις.

Η άμεση δουλειά με τον πελάτη είναι το άλλο μισό αυτής της εξίσωσης. Μάθετε γρήγορα τι σημαίνει πραγματικά αξία για τους ανθρώπους που κάνουν τη δουλειά κάθε μέρα και πώς να μεταφράσετε αυτό σε τι σημαίνει για μετρήσεις του διοικητικού συμβουλίου. Αυτά είναι συχνά πολύ διαφορετικά πράγματα. Η συνδυασμένη διαδικασία από τη συμβουλευτική και την εмпάθεια του πελάτη από το να εργάζεστε μαζί με τις ομάδες είναι αυτό που στοχεύω να φέρω στη στρατηγική του πώς χτίζουμε και αναπτύσσουμε το AI στην Alchemer.

Έχετε υποδείξει một σημαντικό χάσμα ωριμότητας του AI σε οργανισμούς. Ποια είναι οι μεγαλύτερες παρανοήσεις που έχουν οι ηγέτες σχετικά με την ετοιμότητά τους και πού συνήθως αποτυγχάνουν οι υλοποιήσεις;

Η πιο κοινή παρανόηση είναι ότι η αγορά του εργαλείου AI είναι το ίδιο με το να είσαι έτοιμος να το χρησιμοποιήσεις. Οι ηγέτες βλέπουν μια επίδειξη, βλέπουν την έξοδο και υποθέτουν, συχνά λανθασμένα, ότι η υιοθέτηση ακολουθεί αυτόματα. Είναι σημαντικό να διασφαλιστεί ότι η τεχνολογία, είτε είναι AI είτε όχι, ξεκινά από το επιχειρηματικό πρόβλημα που πρέπει να λυθεί. Η επιτυχημένη υιοθέτηση της τεχνολογίας είναι σχεδόν πάντα συνδεδεμένη με το πόσο καλά μπορείτε να επικοινωνήσετε πώς θα λύσει αυτό το πρόβλημα για τις ομάδες και τους πελάτες σας.

Το σημείο όπου οι υλοποιήσεις αποτυγχάνουν πρώτα είναι σχεδόν πάντα στο σημείο παραλαβής. Αν δεν υπάρχει καθορισμένη ροή εργασιών για το τι συμβαίνει επόμενο (π.χ. ποιος το βλέπει, ποιος ενεργεί, σε ποιο σύστημα πηγαίνει) τότε η έξοδος δεν ενεργείται. Οι οργανώσεις πρέπει να είναι δομημένες σωστά για να ενεργούν με βάση τις γνώσεις.

Η αναγνώριση αυτού του χάσματος έχει διαμορφώσει τον τρόπο με τον οποίο χτίζουμε λύσεις στην Alchemer. Ξεκινάμε με την ταυτοποίηση των προβλημάτων που προσπαθούμε να λύσουμε με τις τεχνολογικές ικανότητες που κυκλοφορούν. Οι ικανότητες του AI, οι ροές εργασιών και οι ελέγχοι του χρήστη είναι μόνο μέρος αυτού που παρέχουμε. Βοηθούμε τις ομάδες να χτίσουν τον οργανωτικό μυ να ενεργούν με βάση τα σχόλια είναι εξίσου σημαντικό, και είναι εκεί που πραγματοποιούνται οι πραγματικές εξελίξεις.

Πολυάριθμες εταιρείες επενδύουν πολύ σε AI αλλά δυσκολεύονται να αποδείξουν απόδοση επένδυσης. Ποια μετρικά ή πλαισιά είναι πρέπει να χρησιμοποιούν για να αξιολογήσουν εάν το AI στην εμπειρία του πελάτη λειτουργεί πραγματικά;

Ξεκινήστε με το τι άλλαξε στη συμπεριφορά, όχι με το τι παρήγαγε το AI. Η σωστή ερώτηση δεν είναι “Δημιούργησε το AI μια περίληψη;” Αντίθετα, ρωτήστε ερωτήσεις όπως “Ποιο μετρικό είναι ο βασικός δείκτης επιτυχίας;”, “Η ομάδα ενεργούσε διαφορετικά λόγω αυτού;” και “Μετακινούνται οι ευθυγραμμισμένες επιχειρηματικές μετρικές προς τη σωστή κατεύθυνση;” Το AI μπορεί να αναγνωρίσει σαφώς πού υπάρχει ένα πρόβλημα ή ευκαιρία και να παρέχει νέες γνώσεις. Ωστόσο, αν οι εταιρείες δεν ενεργούν με βάση αυτές τις γνώσεις, τα σχόλια του πελάτη μπορεί να αγνοηθούν ή να μην αντιμετωπιστούν εγκαίρως.

Ο χρόνος-προς-γνώση είναι ένα καλό μετρικό να ξεκινήσετε. Πόσο χρόνο πήρε να πάτε από τη συλλογή σχολίων σε κάτι ενεργό μπροστά σε ένα αποφασιστικό; Η ανάλυση σχολίων που χρησιμοποιούσε να πάρει έξι μήνες μειώνεται σημαντικά με το AI. Έχουμε einen πελάτη που μειώνει αυτό το κύκλο από έξι μήνες σε ώρες, αποδεικνύοντας μια πραγματική, μετρήσιμη μετατόπιση προς την επίλυση του χρόνου-προς-γνώση και δράση.

Ο χρόνος-προς-απάντηση είναι ένα άλλο μετρικό να καταγράψετε νωρίς. Οι πελάτες περιμένουν μια απάντηση στα σχόλια τους, ιδιαίτερα όταν είναι αρνητικά. Μετρήστε πόσο χρόνο πήρε να απαντήσετε σε μια αρνητική απάντηση ερωτηματολογίου ή在线 αναθεώρηση. Μπορεί να πάρει ημέρες αν αναθεωρείτε χειροκίνητα, αναθέτοντας δράση μέσω ενός εισιτηρίου υποστήριξης και στη συνέχεια απαντώντας στον πελάτη. Ένας online λιανοπωλητής οπτικών ήταν σε θέση να πάρει από σχεδόν einen μήνα σε λεπτά.

Η ταχύτητα απάντησης είναι το τελικό μετρικό να καταγράψετε. Η H&R Block (HRB ) Canada διαχειρίζεται σχεδόν 1.000 τοποθεσίες μέσω της εποχής των φόρων. Πριν από το AI, η πρόσβαση στο 100% της κάλυψης των αναθεωρήσεων ήταν σχεδόν αδύνατη. Τώρα είναι μια βάση. Αυτό είναι μετρήσιμο, και οι επιπτώσεις κατά μήκος της ορατότητας της αναζήτησης και της αντίληψης του πελάτη είναι αναλυτές.

Ξεκινήστε αναγνωρίζοντας το πρόβλημα που σας κοστίζει ή που ενοχλεί τους πελάτες σας (π.χ. αργή ανάλυση, χαμηλές ταχύτητες απάντησης, χαμένες σήματα πελάτη) και μετρήστε την διαφορά πριν και μετά. Μην προσπαθήσετε να μετρήσετε όλα. Μετρήστε ένα πράγμα που έχει σημασία και χρησιμοποιήστε αυτή τη δυναμική για να βοηθήσετε να χτίσετε και να παραδώσετε την επιχειρηματική περίπτωση.

Από την οπτική σας, τι διακρίνει τις οργανώσεις που επιτυγχάνουν να λειτουργούν το AI από αυτές που παραμένουν σταματημένες στην πειραματική;

Οι οργανώσεις που επιτυγχάνουν με το AI το αντιμετωπίζουν ως υποδομή και όχι ως ένα έργο που έχει μια ημερομηνία έναρξης, μια ημερομηνία λήξης και μια ομάδα που προσπαθεί να δικαιολογήσει την επένδυση. Η υποδομή γίνεται πυρήνας για το πώς γίνεται η δουλειά. Για παράδειγμα, σκεφτείτε τη διαφορά που έκανε η εισαγωγή του λογισμικού CRM στις αρχές της δεκαετίας του 2000. Το έργο ήταν η υλοποίηση, αλλά τα συστήματα έγιναν πυρήνας λειτουργικής υποδομής που ήταν η βάση για το πώς λειτουργούν οι ομάδες go-to-market από τότε. Αυτή η μετάβαση είναι αυτό που σημαίνει πραγματικά η λειτουργία, και οι περισσότερες οργανώσεις δεν έχουν φτάσει εκεί ακόμη όταν πρόκειται για υιοθέτηση AI.

Ο άλλος διαφοροποιητής είναι η ιδιοκτησία. Οι επιτυχημένες υλοποιήσεις CX έχουν κάποιον του οποίου η δουλειά είναι να διασφαλίσει ότι οι εξόδους ενεργούνται. Υπάρχει κάποιος υπεύθυνος για το τι συμβαίνει επειδή όταν κανείς δεν είναι ιδιοκτήτης της εξόδου, οι γνώσεις επαναστέλλονται σε einen πίνακα και σταματούν εκεί. Αυτό έχει πάντα ήταν αλήθεια για προγράμματα CX — είναι ενισχυμένο από το AI επειδή οι εξόδους έρχονται πιο γρήγορα, και οι προσδοκίες των πελάτων επιταχύνουν.

Το τρίτο που παρακολουθώ είναι εάν η οργάνωση έχει ένα μοτίβο συνεπούς επιτυχίας μετρικών. Τι μετράται, διαχειρίζεται. Οι ομάδες που παρακολουθούν τάσεις με το χρόνο, μετρά τις επιδόσεις από τρίμηνο σε τρίμηνο ή συγκρίνουν αποτελέσματα σε διαφορετικές γεωγραφικές περιοχές δεν μπορούν να αντέξουν λύσεις AI που παράγουν διαφορετικές απαντήσεις σε διαφορετικές ημέρες. Οι οργανώσεις που λειτουργούν επιτυχώς με το AI ζητούν αξιοπιστία επιπλέον της ικανότητας. Θέλουν AI που μπορούν να χτίσουν πάνω του.

Υπάρχει πολλή ενθουσιασμός γύρω από τα γενικά LLMs, ωστόσο υποστηρίζετε την κατασκευή AI σε ροές σχολίων. Πού πέφτουν τα γενικά μοντέλα σε περιπτώσεις χρήσης επιχείρησης;

Δεν κάθε πρόβλημα απαιτεί την ίδια λύση AI. Πολλοί προμηθευτές στον χώρο των σχολίων και της εμπειρίας του πελάτη έχουν χτίσει τις ικανότητες AI τους πάνω από εμπορικά διαθέσιμα γενικά μοντέλα όπως το ChatGPT, Claude ή Gemini. Είναι σχεδιασμένα να κάνουν τα πάντα για όλους, και αυτή η γενικότητα μπορεί να είναι προβληματική για οργανισμούς που απαιτούν υψηλό επίπεδο αξιοπιστίας και συνεπούς.

Με αυτό στο μυαλό, η Alchemer έχει ακολουθήσει μια διαφορετική προσέγγιση για να υποστηρίξει τις προκλήσεις που οι πελάτες μας προσπαθούν να λύσουν. Η Alchemer χρησιμοποιεί τη σωστή λύση AI για κάθε συγκεκριμένη εργασία αντί να οδηγεί κάθε πρόβλημα μέσω εμπορικών LLMs. Το αποτέλεσμα αυτής της στρατηγικής AI είναι πιο ακριβείς εξόδους, συνεπείς αποτελέσματα με το χρόνο και AI που είναι βελτιστοποιημένο για δεδομένα σχολίων αντί να προσαρμοστεί από ένα εργαλείο που κατασκευάστηκε για κάτι άλλο.

Έχουμε δει αυτό να αναπτύσσεται trực tiếp με τους πελάτες. Η Washburn & McGoldrick αξιολόγησε γενικά εργαλεία AI πριν από την επιλογή της Alchemer και βρήκε ότι το ίδιο σύνολο δεδομένων παρήγαγε διαφορετικές κατηγοριοποιήσεις σε διαφορετικές ημέρες. Δεν μπορείτε να χτίσετε ένα πρόγραμμα επιβίβασης σε αυτό.

Τι σημαίνει πραγματικά να ενσωματώσετε το AI直接 στις ροές εργασιών της επιχείρησης και γιατί αυτή η προσέγγιση είναι πιο αποτελεσματική από το να αντιμετωπίζετε το AI ως ένα αυτόνομο εργαλείο;

Ένα αυτόνομο εργαλείο AI είναι κάτι που ανοίγετε όταν αποφασίσετε να αναλύσετε κάτι. Μια ενσωματωμένη ικανότητα AI είναι ήδη σε λειτουργία πριν από το να σκεφτείτε να ρωτήσετε.

Εδώ είναι η διαφορά στην πράξη: Αν μια αναθεώρηση έρθει μέσα από την νύχτα που χτυπά ένα κατώφλι κινδύνου λόγω ενός προβλήματος ασφαλείας, ένα ενσωματωμένο σύστημα ενεργοποιεί μια ειδοποίηση, τη διαδρομή προς τον σωστό άνθρωπο και ξεκινά μια ροή απάντησης αυτόματα. Κανείς δεν πρέπει να θυμάται να ελέγξει το πίνακα ελέγχου. Το AI είναι ήδη μέρος της διαδικασίας.

Στην Alchemer, σκεφτόμαστε αυτό σε όλους τους καναλιούς σχολίων και σε όλη τη διάρκεια ζωής των σχολίων. Το AI στις ικανότητες μας για ερωτηματολόγια βελτιώνει τι έρχεται και μπορεί να παράγει σχετικές ερωτήσεις σε πραγματικό χρόνο, ώστε ένα ερωτηματολόγιο να γίνει μια συνομιλία. Στη διαχείριση αναθεωρήσεων, το AI μπορεί να σχεδιάσει προσωπικά, προσωπικά, προσωπικά απαντήσεις και ακόμη και να τα δημοσιεύσει. Το AI στο επίπεδο ανάλυσης μας επιφέρνει τι έχει σημασία σε όλα αυτά τα σχόλια. Και η αυτοματοποίηση της ροής εργασιών μας συνδέει τις ενέργειες που ενεργοποιούνται από το AI直接 στις επιχειρηματικές συστήματα όπου οι ομάδες των πελατών μας δουλεύουν πραγματικά για να αλληλεπιδράσουν με τους πελάτες τους. Όταν αυτά τα κομμάτια είναι συνδεδεμένα, το χάσμα μεταξύ γνώσης και δράσης συρρικνώνεται από ημέρες σε λεπτά. Αυτό είναι αυτό που σημαίνει πραγματικά ενσωματωμένο, συνδέοντας τις ενέργειες που προκύπτουν από τα σχόλια του πελάτη στα συστήματα όπου οι ομάδες των πελατών μας δουλεύουν κάθε μέρα για να αλληλεπιδράσουν με τους πελάτες τους.

Η μετατροπή ανεστραμμένων σχολίων πελάτη σε πραγματικό χρόνο, ενεργό νοημοσύνη φαίνεται ισχυρή, αλλά δύσκολη. Ποια είναι τα μεγαλύτερα τεχνικά και οργανωτικά προκλήματα στη λειτουργία αυτής της λειτουργίας σε κλίμακα;

Στην τεχνική πλευρά, ο όγκος και η μεταβλητότητα των δεδομένων μπορούν πραγματικά να είναι προκλητικά. Οι πελάτες γράφουν σε διαφορετικές γλώσσες, με συντομεύσεις, λάθη γραφής και συντομεύσεις που τα γενικά μοντέλα συχνά διαβάζουν λανθασμένα. Τα μοντέλα πρέπει επίσης να κατανοούν τη γλώσσα της επιχείρησης. Διαφορετικές βιομηχανίες χρησιμοποιούν διαφορετική ορολογία και οι επιχειρήσεις εφαρμόζουν τις δικές τους νουάνς πάνω σε αυτό.

Για παράδειγμα, ο άνθρωπος που σας迎ει σε μια επιχείρηση μπορεί να είναι ένας υποδοχής σε ένα ιατρείο, ο οικοδεσπότης σε ένα εστιατόριο και ένας barista σε ένα καφετεπείο. Αυτοί οι παρόμοιοι ρόλοι μπορούν να ονομάζονται διαφορετικά σε διαφορετικές βιομηχανίες. Ενώ ένα γενικό μοντέλο μπορεί να είναι εντάξει για μια αρχική αναθεώρηση, τα υποκείμενα μοντέλα πρέπει να είναι κατασκευασμένα για τη νουάνς των δεδομένων σχολίων και για το πώς οι πελάτες μιλούν για συγκεκριμένες βιομηχανίες, προϊόντα, μάρκες και υπηρεσίες. Τα μοντέλα πρέπει επίσης να είναι συνεπή, επειδή σχεδόν πάντα συγκρίνετε με ιστορικές βάσεις.

Ενώ οι τεχνικές προκλήσεις φαίνονται να αυξάνονται, οι οργανωτικές προκλήσεις, ενώ σημαντικές, γίνονται πιο εύκολες να λυθούν. Η πρώτη μεγάλη πρόκληση είναι να γνωρίζετε τι να κάνετε με την αυξημένη ποσότητα και τις πλουσιότερες γνώσεις. Οι περισσότερες ομάδες κοιτάζουν μια γνώση που παράγεται από το AI και λένε, “αυτό είναι ενδιαφέρον”. Οι καλύτερες οργανώσεις χτίζουν ροές εργασιών που λένε, “Αυτή η γνώση πηγαίνει σε αυτόν τον άνθρωπο/σύστημα, που κάνει αυτό το πράγμα, μέσα σε αυτό το χρονικό παράθυρο.” Ευτυχώς, η κατασκευή αυτών των ροών εργασιών δεν έχει ποτέ ήταν πιο εύκολη. Με κάποια σχεδιασμό, και όταν γίνεται σωστά, η επιτάχυνση της γενικής περιέργειας των ομάδων που δουλεύουν για να κατανοήσουν τα σχόλια του πελάτη γίνεται πραγματικά ενθουσιαστική καθώς εξελίσσεται.

Μια άλλη μεγάλη οργανωτική πρόκληση είναι η εμπιστοσύνη. Στην πρόσφατη μελέτη της Alchemer, μόνο το 29% των αγοραστών λογισμικού CX δήλωσαν ότι είναι τώρα άνετοι να ενεργούν με βάση τις εξόδους του AI χωρίς αναθεώρηση. Αντικατοπτρίζει πραγματική εμπειρία με το AI που ήταν ασυνεπές ή ασαφές. Η κατασκευή εμπιστοσύνης απαιτεί συστήματα AI που είναι διαφανή σχετικά με το πώς φτάνουν στα συμπεράσματα, με ιχνηλασίες και ρυθμιζόμενους ελέγχους που επιτρέπουν στις ομάδες να αποφασίσουν τι μπορεί και τι δεν μπορεί να κάνει το AI. Στην Alchemer, αντιμετωπίζουμε την εμπιστοσύνη του AI ως προϊόν, όχι ως χαρακτηριστικό.

Έχετε υποδείξει ότι η συνεπούς μπορεί να έχει σημασία περισσότερο από την ακρίβεια σε έρευνες αγοράς που οδηγούνται από το AI. Μπορείτε να εξηγήσετε γιατί η συνεπούς είναι τόσο κρίσιμη και γιατί συχνά παραμελείται;

Η ακρίβεια λέει πώς καλά το AI κατανόησε μια seule απάντηση. Η συνεπούς λέει εάν μπορείτε να εμπιστευτείτε τη σύγκριση με το χρόνο. Για έρευνες αγοράς, η σύγκριση είναι το σημείο. Δεν είναι σημαντικό να γνωρίζετε τι λένε οι πελάτες σήμερα σε απομόνωση. Αλλά είναι σημαντικό να κατανοήσετε εάν τα πράγματα γίνονται καλύτερα ή χειρότερα σε σύγκριση με το τελευταίο τρίμηνο, πώς μια περιοχή συγκρίνεται με μια άλλη ή εάν τα θέματα που βλέπετε τώρα ήταν παρόντα πριν από έξι μήνες. Κανένα από αυτά δεν είναι δυνατό αν η υποκείμενη ταξινόμηση μεταβάλλεται μεταξύ των τρέχων.

Για παράδειγμα, αν είχε δύο διαφορετικούς αναλυτές να κωδικοποιήσουν το ίδιο ανοιχτό κείμενο σχολίων έξι μήνες πριν, θα είχατε ένα πρόβλημα συγκρισιμότητας. 即使 και οι δύο ήταν εξαιρετικοί. Δεν θα ήξερα αν μια μετατόπιση θεμάτων αντανακλούσε μια πραγματική αλλαγή στη στάση του πελάτη ή απλώς μια διαφορά σε το πώς δύο άνθρωποι ερμηνεύουν τα ίδια δεδομένα. Το AI με ασυνεπείς εξόδους μπορεί να προκαλέσει αυτή την ίδια πρόκληση.

Τα μοντέλα που έχουν ρυθμιστεί για να εφαρμόζουν την ίδια λογική ταξινόμησης κάθε φορά λύνουν αυτό. Το μοντέλο δεν παράγει διαφορετικές απαντήσεις σε διαφορετικές ημέρες. Κάνει τις απαντήσεις του ανοιχτού κειμένου αξιόπιστες με τον ίδιο τρόπο που τα προγράμματα NPS είναι αξιόπιστα. Είναι αυτό που επιτρέπει σε έναν αναλυτή να πει στην επιχείρηση κάτι σημαντικό για το πού πηγαίνουν, όχι μόνο πού είναι τώρα.

Όσο το AI γίνεται πιο ενσωματωμένο στην εμπειρία του πελάτη, πώς πρέπει οι οργανώσεις να σκέφτονται γι’ αυτό ως einen εργαλείο πολλαπλασιασμού της εργασίας αντί για αντικατάσταση, ιδιαίτερα για μη τεχνικές ομάδες;

Η σκέψη του εργαλείου πολλαπλασιασμού της εργασίας μεταφέρει την ερώτηση από “τι θα αντικαταστήσει το AI;” σε “τι μπορεί η ομάδα μου να κάνει τώρα που δεν μπορούσε πριν;” Αυτό είναι ένα πιο παραγωγικό πλαίσιο, και στην εμπειρία μου, είναι επίσης το πιο ακριβές. Ακολουθεί ιστορικά μοτίβα μεγάλης κλίμακας προόδων στην τεχνολογία υιοθέτησης τα τελευταία είκοσι χρόνια. Η συγκεκριμένη έκδοση: ένας αναλυτής γνώσεων πελάτη που ξοδεύει τρεις ημέρες την εβδομάδα να κωδικοποιεί χειροκίνητα ανοιχτό κείμενο σχολίων μπορεί τώρα να ξοδεύει αυτό το χρόνο ερμηνεύοντας μοτίβα, παρουσιάζοντας ευρήματα και δουλεύοντας στις ερωτήσεις πίσω από τις ερωτήσεις. Το AI δεν αντικατέστησε τον αναλυτή. Έδωσε στις ικανότητες του αναλυτή περισσότερο χώρο να λειτουργήσει.

Αυτό έχει σημασία ακόμη περισσότερο για μη τεχνικές ομάδες. Όταν οποιοσδήποτε μπορεί να ρωτήσει ερωτήσεις για τα δεδομένα τους σε απλή γλώσσα χωρίς να χρειάζεται έναν επιστήμονα δεδομένων ή να χτίσει μια αναφορά από το μηδέν, οι άνθρωποι που είναι πιο κοντά στον πελάτη πηγαίνουν στις γνώσεις πιο γρήγορα. Αυτό αλλάζει το ρυθμό των αποφάσεων σε όλη την οργάνωση, όχι μόνο την αποτελεσματικότητα ενός seul εργαλείου.

Η επίδραση του πολλαπλασιασμού εμφανίζεται μόνο εάν οι ομάδες είναι προετοιμασμένες να χρησιμοποιήσουν την ικανότητα που δημιουργεί το AI. Αυτό είναι ένα οργανωτικό σχεδιασμό όσο και μια τεχνολογική ερώτηση. Είναι γιατί σπαταλάμε τόσο χρόνο στην υιοθέτηση και τις besten πρακτικές με τους πελάτες μας όσο και τις ικανότητες τους.

Κοιτάζοντας μπροστά, πώς βλέπετε το AI να μετασχηματίζει την εμπειρία του πελάτη τα επόμενα χρόνια και τι πρέπει να κάνουν οι επιχειρήσεις σήμερα για να προετοιμαστούν για αυτή τη μετατόπιση;

Η μετατόπιση που παρακολουθώ πιο στενά είναι η κίνηση από την αντίδραση στην προκατάληψη. Οι περισσότερα προγράμματα σχολίων σήμερα είναι αντιδραστικά. Για παράδειγμα, κάτι συμβαίνει, τα σχόλια έρχονται, οι ομάδες τα αναλύουν και οι αποφάσεις λαμβάνονται. Ο κύκλος γίνεται πιο γρήγορος, αλλά είναι ακόμη θεμελιωδώς προς τα πίσω.

Τι το AI κάνει δυνατό είναι να προηγηθεί αυτής της καμπύλης. Να αναγνωρίσετε σήματα αρκετά νωρίς για να ενεργούν πριν από ένα πρόβλημα εμφανιστεί στα σκορ σας. Να γνωρίζετε ποια τμήματα πελάτη είναι σε κίνδυνο πριν από το να εγκαταλείψουν. Κατανόηση γιατί η ικανοποίηση πέφτει σε μια συγκεκριμένη περιοχή πριν από το να γίνει ένα μοτίβο. Αυτό είναι εκεί που η συνδυασμένη δύναμη του AI και των δεδομένων σχολίων γίνεται πραγματικά ισχυρή.

Οι επιχειρήσεις σήμερα πρέπει να χτίσουν την οργανωτική υποδομή για να απορροφήσουν τι κάνει δυνατό το AI. Ενοποιήστε τα δεδομένα σχολίων σας από αναθεωρήσεις, ερωτηματολόγια, μέσα κοινωνικής δικτύωσης, εφαρμογές και άλλα. Ορίστε ποιος είναι ο ιδιοκτήτης των αναλύσεων και τι συμβαίνει όταν κάτι ενεργό εμφανιστεί. Χτίστε τις ροές εργασιών που συνδέουν την γνώση με δράση πριν από το να τις χρειαστείτε. Οι εταιρείες που θα προηγηθούν δεν είναι απαραίτητα αυτές με την πιο sophisticiated τεχνολογία AI, είναι αυτές που ενεργούν με βάση τις γνώσεις του AI συνεχώς, γρήγορα και σε κλίμακα.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Alchemer.