Mark Hughes, Solidroadin Co-Founder ja CEO – Haastattelusarja

Mark Hughes, Solidroadin Co-Founder ja CEO, on toistuva yrittäjä ja markkinointijohtaja, joka on rakentanut uransa myynti-, asiakaskokemus- ja teknologian risteyksessä. Hän perusti aiemmin Gradguiden, ura- ja rekrytointialustan, joka keräsi 2 miljoonaa euroa ja myytiin myöhemmin, ja toimi Chargifyssa johtavissa kaupallisissa rooleissa sen jälkeen, kun se yhdistettiin Maxioon. Uransa alussa hän kehitti syvän asiantuntemuksen korkean volyymin ja yritysmyynnissä Intercomissa, johtaen monimutkaisia kauppoja ja auttaen kasvamaan tuloksia. Nykyään hän johtaa Solidroadia San Franciscosta, soveltamalla kokemustaan uudelleen ajatellen, miten yritykset arvioivat ja parantavat asiakasvuorovaikutuksia AI:n avulla, keskittyen laadun parantamiseen sekä ihmisten että automaattisten tukijärjestelmien kohdalla.

Solidroad on AI-pohjainen laatusääntö- ja koulutusjärjestelmä, joka on suunniteltu modernille asiakaskokemusjoukoille, rakennettu analysoimaan ja parantamaan jokaisen asiakasvuorovaikutuksen mittakaavassa. Alusta nieluu keskusteluja kanavien yli, arvioi suorituskykyä yrityksen standardeja vasten ja luo räätälöityjä koulutussimulaatioita jatkuvasti optimoidakseen sekä ihmisten että AI-järjestelmien suorituskykyä. Sen sijaan, että korvataan asiakastukitiimit, Solidroad keskittyy niiden parantamiseen, muuttaen jokaisen vuorovaikutuksen palauteprosessiksi, joka parantaa tuloksia, kuten vastauslaatua, tehokkuutta ja asiakastyytyväisyyttä. Yritys määrittelee itsensä korkean suorituskyvyn CX-tiimien infrastruktuuriksi, auttaen organisaatioita toimittamaan johdonmukaisia, korkealaatuisia kokemuksia ilman operatiivisten kustannusten lisäämistä.

Useimmat yritykset luottavat edelleen asiakasvuorovaikutusten pienen otoksen tarkasteluun suorituskyvyn arvioinnissa. Mikä vakuutti sinut siitä, että tämä lähestymistapa on perustaltaan viallinen, ja miten tämä johti Solidroadin lähestymistavan kehittämiseen jatkuvan seurannan, arvioinnin ja parantamisen osalta sekä ihmisten että AI-välineiden kohdalla?

Patrick ja minä olimme molemmat viettäneet vuosia asiakastukitiimien ympärillä ennen Solidroadin perustamista, ja yksi ongelma nousi jatkuvasti esiin: yritykset kävivät satoja tuhansia keskusteluja asiakkaiden kanssa, mutta jos kysyit, miten nämä keskustelut menivät oikeasti, he eivät todella tiennyt. Ja mitä he tunsivat, perustui niin pienelle otokselle vuorovaikutuksista, ettei se ollut tarkin.

Tämä oli jo epävakaa perusta, kun ihmiset käsittelevät jokaisen lipun. Nyt, kun AI tulee kuvaan, panokset ovat muuttuneet. Yksi huono malli voi toistua tuhansissa keskusteluissa samanaikaisesti ja mennä huomaamatta, koska useimmat tiimit tarkastelevat vain 1-2 % vuorovaikutuksista.

Näimme tämän tapahtuvan yrityksissä toistuvasti, ja he menettivät asiakkaita sen vuoksi, joten päätimme luoda ratkaisun. Tunnistimme, että tämä oli lopulta infrastruktuuriongelma. Yrityksillä ei ollut järjestelmiä, joilla he voivat todella ymmärtää asiakastukihenkilöstön suorituskykyä.

Solidroad rakennettiin ratkaisemaan tämä sokea piste. Annamme yrityksille työkalut nähdä, mitä oikeasti tapahtuu mittakaavassa, ja varmistaa, että jokainen keskustelu – ihminen, AI tai molemmat – toimittaa arvoa.

Solidroad on kuvattu “lentosimulaattoriksi” asiakaspalvelutiimeille. Voitko käydä läpi, miten teidän AI todella simuloi todellisia asiakasvuorovaikutuksia, ja mitä tekee nämä simulaatiot tehokkaiksi koulutuksessa mittakaavassa?

Lentosimulaattorianalogia toimii, koska perusidea on sama. Et halua, että jonkun ensimmäinen kokemus haastavasta tilanteesta tapahtuu oikean asiakkaan edessä.

Se, mikä tekee simulaatiomme tehokkaiksi, on se, että ne perustuvat siihen, mitä yrityksen todelliset keskustelut oikeasti ovat. Kun agentti tekee virheen todellisessa vuorovaikutuksessa, järjestelmä luo kohdennetun simulaation tarkalleen samanlaisesta skenaariosta, jotta he voivat harjoitella sitä ennen kuin se toistuu.

Palautekierto on se, mikä ajaa oppimista. Agentit suorittavat skenaarion, saavat tarkkaa ohjausta siitä, mitä toimi ja mitä ei, ja yrittävät uudelleen. Virheet tapahtuvat turvallisessa ympäristössä, ja oppiminen on sitä, koska se on kytketty todellisiin tilanteisiin eikä abstrakteihin luokkoharjoituksiin.

Teidän alustanne ei ainoastaan kouluta agentteja, vaan myös arvioi live-vuorovaikutuksia mukautettujen ohjeiden mukaan. Miten suunnittelette nämä arviointijärjestelmät heijastamaan todellisia liiketoimintatuloksia, kuten CSAT, pidäkkeitä tai tuottoa?

Luoaksemme nämä ohjeet, aloitamme aina siitä, mitä kyseinen yritys todella välittää. Rahoituspalveluyritys, joka käsittelee laskujen riitoja, on erilaisia laatusääntöjä kuin verkkokauppayritys, joka hallitsee palautuksia huippukaudella. Arviointi on siis rakennettu kunkin organisaation omien ohjeiden, politiikkojen, brändiäänen ja siitä, mitä hyvä ratkaisu heille merkitsee.

Ja liiketoimintatulokset, kuten parannetut CSAT-lukemat ja pidäkkeet, tulevat korkealaatuisista asiakasvuorovaikutuksista. Sen sijaan, että seuraisimme lukemia jälkikäteen, keskitymme käyttäytymiseen, joka ennustaa näitä tuloksia: johdonmukainen suorituskyky agenttien välillä, oikeiden prosessien seuraaminen ja pehmeät taidot, jotka muokkaavat, miten asiakkaat tuntevat keskustelun lopussa.

Tavoitteena on antaa johtajille selkeä, käytännöllinen kuva siitä, mitä hyvä näyttää heidän yritykselleen, jotta he voivat ohjata tiimejään, toistaa menestystä ja kasvattaa sitä koko organisaatiossa.

Monet yritykset tarkastelevat vain pienen osan asiakasvuorovaikutuksista. Miten Solidroad mahdollistaa täydellisen kattavuuden analyysin, ja mitä laatuja tulee mahdolliseksi, kun siirrytään otoksesta analysointiin kaikkea?

Meidän viimeisin State of CX -tutkimus osoitti, että noin 81 %:ia tukikeskusteluista ei koskaan tarkastella laadun osalta, jättäen tiimit tarkastelemaan niin pientä osaa keskusteluista, että he käytännössä otoksia ja toivovat, että se on edustava. Kun yritys alkaa arvioida jokaista asiakasvuorovaikutusta, mallit, jotka eivät koskaan pintaan otoksessa, tulevat ilmi. Tiimit alkavat nähdä, mitkä pyynnöt käsitellään jatkuvasti huonosti, missä AI- ja ihmisten agentit poikkeavat odottamattomasti, ja mitkä ongelmat toistuvat ennen kuin ne ilmaantuvat asiakkaan valituksissa.

Solidroad käyttää AI:ta automaattiseen tarkasteluun jokaisesta asiakasvuorovaikutuksesta chatin, sähköpostin ja puheluiden kautta, mikä mahdollistaa täydellisen kattavuuden analyysin. Tämä siirtyminen otoksesta 100 %:iin arviointiin paljastaa johdonmukaiset laadun, asiakas-kitkan ja suorituskyvyn mallit, jotka muuten pysyvät piilossa.

Crypto.com on hyvä esimerkki siitä, mitä täysi kattavuus todella avaa. Ennen Solidroadia heidän tiimillään ei ollut luotettavaa tapaa mitata agentin laatua mittakaavassa tai vahvistaa, että agentit olivat valmiit ennen kuin he käsittelevät live-liput. Ongelmat ilmenivät vasta, kun ne olivat jo vaikuttaneet asiakkaisiin. Siirtymällä automaattiseen arviointiin 800 000 kuukausittaisen keskustelun kautta he voivat löytää laatusyitä aikaisin, vahvistaa agenttien toimivuuden ennen käyttöönottoa ja vahvistaa, että parannukset todella pitävät paikkansa. Tuloksena oli 18 %:n lasku keskimääräisessä käsitelyajassa ja 3 %:n nousu CSAT-lukemissa (joka on merkittävä siinä mittakaavassa, jossa he toimivat). Kun heidän keskustelunsa kasvavat, heidän laadun näkyvyytensä skaalautuu sen mukaan eikä jää enää jälkeen.

Se on oikeasti se, mitä täysi kattavuus muuttaa. Se siirtää laadun reaktiivisesta proaktiiviseksi, jota voidaan hallita etukäteen.

Te työskentelette yritysten kanssa, kuten Crypto.com ja Ryanair, joissa asiakaskokemus on tehtävänä. Mitkä mallit tai yleiset heikkoudet olette tunnistaneet suurten tukitiimien yli?

Jotkut asiat tulevat jatkuvasti esiin. Ensinnäkin on kuilu siinä, mitä yritykset luulevat tapahtuvan heidän asiakasvuorovaikutuksissaan ja mitä todella tapahtuu. Useimmat tiimit ovat luottavaisia heidän tukilaadustaan juuri siihen asti, kunnes he saavat täydellisen näkyvyyden, ja silloin he toteavat, että kuva on monimutkaisempi kuin heidän alun perin ajattelivat.

On myös johdonmukainen yhteys siinä, miten tiimit mitattavat suorituskykyä ja mitä todella ajaa asiakastuloksia. Nopeusmittaukset ja lippujen määrä ovat helppoja seurata, joten ne hallitsevat usein arviointeja. Mutta nämä luvut eivät kerro yrityksille, onko asiakkaan ongelma ratkaistu, edustiko agentti brändiä oikein vai jättikö vuorovaikutus asiakkaan tunteen hyvältä yrityksestä. Korkean panoksen ympäristössä, kuten fintechissa tai terveydenhuollossa, tämä epäsuhta mittaamisen ja tuloksen välillä voi johtaa vakaviin seuraamuksiin.

On kasvava huoli siitä, että AI asiakaspalvelussa voi heikentää ihmiskokemusta. Miten varmistatte, että järjestelmänne parantaa laatua eikä työntä tiimejä liian kirjitettyihin tai robottimaisiin vuorovaikutuksiin?

Se on aiheellinen huolenaihe, mutta yleensä se johtuu laatusääntöjärjestelmistä, jotka hyödyntävät AI:ta väärissä asioissa. Jos yritys arvioi agenttien suorituskykyä pelkästään mukautumisen mukaan tai siitä, kuinka nopeasti he sulkevat lipun, he lopulta saavat vuorovaikutuksia, jotka teknisesti täyttävät vaatimukset, mutta tuntuvat asiakkaalle onttoja tai epähenkilökohtaisia.

Meidän lähestymistapamme on rakentaa arviointi ympärille sitä, mitä todella tekee asiakkaan tunteen tuen saaneen. Tutkimme asioita, kuten onko agentti kuunnellut aktiivisesti, osoittanut empatiaa, kun sitä tarvittiin, ja auttanut asiakasta ratkaisemaan ongelman.

Sama koskee AI-agentteja. Tavoitteena on käyttää AI:ta asiakasvuorovaikutusten tekemiseen johdonmukaisemmaksi, tarkemmaksi ja sopivammin asiakkaan kokemukseen. Kun laatusääntö on rakennettu näiden tulosten ympärille eikä pelkästään prosessin noudattamisen mukaan, se yleensä ajaa vuorovaikutuksia parempaan suuntaan, ei kirjitetumpiin.

Solidroad sijaitsee ihmisten ja AI-agenttien risteyksessä. Miten näet näiden suhteen kehittyvän, erityisesti kun AI alkaa käsitellä enemmän eturintamavuorovaikutuksia?

On tärkeää nähdä ihmisten ja AI-agenttien välinen suhde työnjaon kannalta. Luulen, että tulevaisuus ihmisten ja AI-agenttien välillä on hybridinen.

AI käsittelee hyvin suurvolyymin pyynnöt ja parhaat AI-agentit ratkaisevat useimmat näistä keskusteluista yksin, mikä on todella vaikuttavaa.

Mutta tuloksena on, että vuorovaikutukset, jotka saavuttavat ihmisiä, ovat yhä enemmän monimutkaisia, emotionaalisia ja korkean panoksen keskusteluita. Asiakas, joka on frustruoitunut, tilanne, joka ei sovi standarditemppeliin, keskustelu, joka vaatii oikean tuomion. Niinpä ihmisten agenttien panee on todella nouseva, ei laskeva.

Se on juuri miksi ylitarkastus sekä ihmisten että AI-agenttien yli on niin tärkeää. AI:lla on oltava kyky käsitellä tilavuutta johdonmukaisesti ja tarkasti. Ihmisten on oltava hyvin valmistettu vaikeampiin keskusteluihin, joita he nyt käsittelevät pääasiassa. Ja on oltava riippumaton kerros, joka leijuu sekä ihmisten että AI-agenttien yllä, antaen yrityksille selkeän kuvan siitä, mitä toimii ja mitä ei. Tämä on hybridimalli, joka määrittelee CX:n tulevaisuuden, ja se on sitä, mitä rakennamme.

Teidän järjestelmänne tarjoaa reaaliaikaisen palautteen ja koulutuksen. Kuinka tärkeää on välittömyys parantamassa agentin suorituskykyä, ja miten se vertautuu perinteisiin koulutus- ja laatusääntötyövirtoihin?

Välittömyys on todella tärkeää, ja tutkimus tukee sitä, että palautetta on tehokkainta, kun se on kytketty tarkalleen siihen tilanteeseen, joka aiheutti sen. Perinteiset laatusääntötyövirrat rikkovat tämän yhteyden lähes suunnitelmallisesti. Johtaja tarkastelee keskustelua päivien tai viikkojen jälkeen, jakaa palautetta jaksollisessa arvostelussa, ja silloin agentti on jo käsitellyt kymmeniä muita keskusteluja, joissa sama virhe on toistunut. Ilman reaaliaikaista palautetta virheet jatkuvat, ja agenttien on pakko oppia uudelleen käytäntöjä, joita he ovat tottuneet.

Se, mitä olemme havainneet, on, että palautetta on tehokkainta, kun se ilmenee välittömästi keskustelun jälkeen. Se toimii parhaiten, kun se on kytketty suoraan siihen, mitä agentti juuri käsittelee, ja parittuu tarkkaan simulaatioon, jonka he voivat suorittaa heti. Tässä muodossa se kääntyy todelliseksi käyttäytymisen muutokseksi nopeammin. Agentit eivät vain kuule, että heidän on parannettava, vaan he harjoittelevat parantamista kontekstissa, kun se on vielä tuore.

Kontrasti perinteiseen perehdytykseen on selvin esimerkki tästä. Meidän tiedon mukaan yli puolet ihmisten agentteja sanoo, että perehdytyksen vaikein osa on soveltaa oppimaansa koulutuksesta todellisiin asiakassituatiiohin. Tämä ero johtuu siitä, että luokkahuoneopetus ja live-tuki tuntuvat täysin erilaisilta. Jatkuva, tilannekohtainen palautus ratkaisee tämän tavalla, jota jaksolliset arvostelut eivät voi.

Te osoittitte parannuksia, kuten vähennettyä perehdytyksen aikaa ja korkeampaa CSAT:ia. Mikä mittari asiakkaat välittävät eniten, kun he ottaa teidän alustanne käyttöön, ja miten te osoitatte ROI:ta (tuoton ja kustannusten suhde) aikaisessa vaiheessa suhdetta?

Se vaihtelee siitä, missä asiakkaan kipukohta on, mutta kaksi asiaa tulee esiin jatkuvasti: laatusääntöjen kattavuus ja ajan säästö. Tiimit, jotka tarkastelevat manuaalisesti pienen osan keskusteluista, näkevät välittömästi arvon siirtymisessä 100 %:iin kattavuuteen, sekä niistä syntyvistä oivalluksista että siitä, että se antaa heidän laatusääntötiimilleen takaisin tunteja. Meidän asiakaskunnassamme näemme yleensä 20-kertaisen kasvun laatusääntöjen kattavuudessa ja 90 %:n vähennyksen manuaalisen tarkastelun ajassa.

ROI-puolella yritämme yhdistää tulokset metriikoihin, jotka ovat jo tärkeitä liiketoiminnalle. Podiumissa otsikko oli perehdytyksen aika. Uudet agentit saavuttivat suorituskyvyn 60 päivässä, eikä 90, ja ratkaisivat ongelmia 33 % nopeammin, kun he menivät liveen. Crypto.comissa se oli ratkaisuaika ja keskustelunäkyvyys. Ryanairissa se näkyi rekrytointituntien säästössä.

Yksityiskohdat eroavat, mutta malli on sama: kun voit todella nähdä, mitä tapahtuu asiakasvuorovaikutuksissa, ja toimia siitä nopeasti, parannukset seuraavat metriikoissa, jotka ovat tärkeitä.

Katsoen eteenpäin, näetkö Solidroadin pysyvän keskittyneenä koulutukseen ja laatusääntöön vai kehittyvän laajempaan orkestraatiokerrokseen, joka hallitsee sekä ihmisten että AI:n asiakasvuorovaikutuksia?

Koulutus ja laatusääntö ovat siellä, missä aloitimme, mutta visio on laajempi. Mitä me ajattelemme, on, että laatusääntö tulee olemaan avaininfrastruktuuri kaikille yrityksille, jotka käyttävät AI:ta asiakastuessa. Samalla tavalla kuin turvallisuussertifikaatit tulivat välttämättömiksi, kun yritykset siirsivät datansa pilveen, laatusertifikaatit tulevat olemaan välttämättömiä, kun asiakasvuorovaikutukset siirtyvät AI:lle.

Pohjois-tähti on, että “Solidroad Certified” kantaa oikean merkityksen: todiste siitä, että yritys täyttää korkean laadun vaatimukset siitä, miten he kohtelevat asiakkaita, riippumatta siitä, käsittelevätkö vuorovaikutuksen ihminen vai AI.

Praktisesti se tarkoittaa, että haluamme olla järjestelmä, johon organisaatiot luottavat asiakasvuorovaikutuksen laadun hallintaan ja parantamiseen yleensä, eikä vain ongelmien merkintään takaisin. Se on suuri osa siitä, miksi keräsimme 25 miljoonan dollarin Series A -rahoituksen Hedosophian johdolla – se antaa meille käyttörahan rakentaa kohti tätä visiota. Se sisältää tuoteominaisuuksien ja tiimien laajentamisen, jotta voimme auttaa enemmän yrityksiä arvioimaan 100 %:ia heidän asiakasvuorovaikutuksistaan. Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Solidroadilla.