Ryan Tamminga, Alchemerin asiakaspäällikkö – Haastattelusarja

Ryan Tamminga on asiakaskokemus- ja yritystransformaatiojohtaja, jolla on lähes kaksi vuosikymmentä johtamiskokemusta asiakastarinoiden onnistumisesta, ammattipalveluista, konsultoinnista ja tuotestrategiasta. Liityttyään Alchemeriin vuonna 2019 hän on edennyt useiden johtajuusroolien kautta, mukaan lukien asiakastarinoiden onnistumisen varapuheenjohtaja ja tuotteiden ja palveluiden seniorijohtaja, ennen nimitystään asiakaspäälliköksi vuonna 2026. Nykyisessä roolissaan hän valvoo asiakasviestintää, onnistumista ja palvelutoimitusta sekä auttaa asiakastarpeiden ja tuoteinnovaatioiden ja liiketoimintastrategian loppujen asiakkaiden tarpeiden mukaisuutta. Ennen Alchemeria Tamminga oli johtavassa asemassa ReedGroupissa, Deloittessa ja Accenturessa, joissa hän johti laajamittaisia muutosohjelmia, jotka keskittyivät liiketoiminnan toimintoihin, analytiikkaan, automaatioon ja yrityksen suorituskyvyn parantamiseen.

Alchemer on asiakaspalautteen ja kokemusjohtamisalusta, joka auttaa organisaatioita keräämään, analysoimaan ja toimimaan asiakkaiden, työntekijöiden ja sidosryhmien antamista oivalluksista. Yhtiön ohjelmisto yhdistää kyselyluomisen, palautteen keräämisen, työnkulun automaation ja tekoälypohjaisen analytiikan, jotta yritykset voivat siirtyä yksinkertaisesti tietojen keräämisestä toimintaan, josta voidaan mitata tuloksia. Palvellessaan organisaatioita laajalla alojen kirjolla, Alchemer mahdollistaa tiimien keskittämisen palautteesta useista kanavista, trendien ja mielipiteiden paljastamisen ja niiden oivallusten käytön asiakaskokemusten parantamiseen, tuotepäätösten kertoimiseen ja liiketoiminnan suorituskyvyn vahvistamiseen. Kasvavan tekoälytyökalupakettiensa kautta yhtiö pyrkii auttamaan organisaatioita muuttamaan palautteen jatkuvaksi operatiivisen ja strategisen tiedon lähteeksi.

Olet viettänyt yli vuosikymmenen konsulttina yrityksissä kuten Accenturessa ja Deloittessa ennen asiakastarinoiden johtamista, tuotteiden ja palveluiden johtamista Alchemerissa. Miten se sekoitus prosessimuodonmuutosta ja käytännön asiakaskokemuksesta on muovannut lähestymistapaa tekoälyn käyttöön yritysympäristöissä?

Konsulttityöskentely on antanut erittäin arvokasta kokemusta, joka kertoo nykyisestä roolistani Alchemerissa. Esimerkiksi olen huomannut, että teknologia ei ole vaikein osa. Olen viettänyt vuosia auttamassa Fortune 100 -yrityksiä toteuttamaan yritysjärjestelmiä, ja hankkeet, jotka kamppailivat, eivät olleet tuhoutuneet huonosta ohjelmistosta. Heillä oli muutosjohtamisen ongelmat, epäselvät omistajuudet ja usein ne oli otettu käyttöön ennen kuin taustaprosessit olivat valmiit niiden omaksumiseen.

Tuo kokemus muokkaa sitä, miten ajattelen tekoälyn käyttöönotosta tänään. Kun puhun asiakkaiden kanssa, jotka kamppailevat saadakseen arvoa tekoälystä, ongelma ei lähes koskaan ole itse teknologia. Se on, etteivät he ole määritelleet, mitä he yrittävät saavuttaa, kuka omistaa tuloksen, ja mitä muutoksia tehdään, kun tekoäly paljastaa jotain toimintaa. Teknologia on useimmissa tapauksissa edellä organisaatioiden valmiutta.

Käytännön asiakastyö on toinen puoli tätä yhtälöä. Opit nopeasti, mitä arvo todella merkitsee ihmisille, jotka tekevät työtä joka päivä, ja miten kääntää sen merkitystä hallituksen mittareihin. Nämä ovat usein erittäin eri asiat. Konsultoinnin prosessirutiinin ja asiakasempatian yhdistelmä, jota olen työskennellyt tiimien rinnalla, on se, mitä pyrin tuoda Alchemerin tekoälyn rakentamis- ja käyttöönottostrategiaan.

Olet korostanut merkittävää tekoälyn kypsymisen aukkoa organisaatioiden välillä. Mitkä ovat johtajien suurimmat väärinkäsitykset valmiudestaan, ja mihin kohti toteutukset yleensä epäonnistuvat ensin?

Yleisin väärinkäsitys on, että tekoälytyökalun ostaminen on sama kuin valmius sen käyttämiseen. Johtajat näkevät demo-esittelyn, he näkevät tuloksen, ja he olettavat usein virheellisesti, että omaksuminen seuraa automaattisesti. On tärkeää varmistaa, että teknologia, olipa se tekoälyä tai ei, alkaa liiketoimintaproblemasta, joka on ratkaistava. Teknologian onnistunut omaksuminen on lähes aina sidottu siihen, miten hyvin voidaan viestiä, miten se ratkaisee ongelman tiimien ja asiakkaiden kannalta.

Toteutukset epäonnistuvat yleensä kohdassa, jossa siirrytään toimeen. Jos ei ole määritelty työnkulkua siitä, mitä tapahtuu seuraavaksi (esim. kuka näkee sen, kuka toimii sen mukaan, mihin järjestelmään se menee), silloin oivallus ei johtanut toimeen. Organisaatioiden on oltava oikein järjestetty toimiakseni oivallusten mukaan.

Tämä on muokannut sitä, miten rakennamme ratkaisuja Alchemerissa. Aloitan määrittelemällä ongelmat, joita yritämme ratkaista teknologian tarjoamien mahdollisuuksien avulla. Tekoälyominaisuudet, työnkulut ja käyttöliittymät ovat vain osa siitä, mitä tarjoamme. Auttamme tiimejä rakentamaan organisaatioiden lihaksia toimiakseni palautteen mukaan on yhtä tärkeää, ja siinä toteutetaan todellisia tuloksia.

Monet yritykset panostavat voimakkaasti tekoälyyn, mutta kamppailevat osoittamaan sen tuottavuutta. Mitkä mittarit tai kehykset heidän tulisi käyttää arvioidakseen, onko tekoäly asiakaskokemuksessa todella toimiva?

Aloita siitä, mitä muutti käyttäytymisessä, ei siitä, mitä tekoäly tuotti. Oikea kysymys ei ole, “Luo tekoäly yhteenvedon?” Vaan kysymyksiä kuten, “Mikä on avainindikaattori menestyksestä?”, “Toimiiko tiimi toisin sen vuoksi?” ja “Liikkuvatko liiketoimintamittarit oikeaan suuntaan?” Tekoäly voi selvästi tunnistaa, missä ongelma tai mahdollisuus on olemassa, ja antaa uusia oivalluksia. Jos yritykset eivät kuitenkaan toimi noiden oivallusten mukaan, asiakaspalautetta voidaan jättää huomiotta tai ei käsitellä ajallaan.

Ajan oivallukseen on hyvä mittari, josta aloittaa. Kuinka kauan kestää siirtyä palautteen keräämisestä siihen, että on toimiva asia päätöksentekijän edessä? Palautteen analyysi, joka aiemmin kesti kuusi kuukautta, on merkittävästi vähentynyt tekoälyn avulla. Meillä on asiakas, joka vähensi kyseisen kierron kuudesta kuukaudesta tunteihin, osoittaen todellisen, mitattavan muutoksen ajan oivallukseen ja toimeen.

Vastausajan mittaaminen on toinen mittari, jota tulisi seurata alusta alkaen. Asiakkaat odottavat vastausta palautteeseensa, erityisesti kun se on negatiivista. Mittaa, kuinka kauan kestää vastata negatiiviseen kyselyvastaukseen tai verkkopalautteeseen. Se voi kestää päiviä, jos tarkastelet sitä manuaalisesti, määrittelet toimenpiteen tukipyyntönä ja vastaat asiakkaalle. Verkkolaseja myyvä kauppias pystyi siirtymään lähes kuukaudesta minuuteiksi.

Vastausprosentin mittaaminen on viimeinen mittari, jota tulisi seurata. H&R Block (HRB ) Kanada hallinnoi lähes 1 000 sijaintia verokauden aikana. Ennen tekoälyä saavuttaa 100 %: n arvostelukattavuus oli lähes mahdotonta. Nyt se on perusviite.

Aloita määrittelemällä ongelman, joka maksaa sinulle tai ärsyttää asiakkaitasi (esim. hitaasti analyysi, matalat vastausprosentit, puuttuvat asiakassignaalit) ja mittaa eroa ennen ja jälkeen. Älä yritä mitata kaikkea. Mittaa yhtä asiaa, joka on tärkeää, ja käytä sitä liiketoimintatapauksen rakentamiseen ja toimittamiseen.

Milta näyttää organisaatiot, jotka onnistuvat operationalisoimaan tekoälyn, verrattuna niihin, jotka jäävät kiinni kokeiluvaiheeseen?

Onnistuneet organisaatiot kohdella tekoälyä infrastruktuurina, ei projektina, jolla on aloituspäivämäärä, lopetuspäivämäärä ja tiimi, joka yrittää oikeuttaa siihen panostamisen. Infrastruktuuri muodostuu ydinosaaksi työn tekemisestä. Esimerkiksi ajattele eroa, jonka asiakkuudenhallintajärjestelmien esittely teki 1990-luvun lopulla ja 2000-luvun alussa. Hanke oli toteutus, mutta järjestelmistä tuli perusoperaatiivinen infra, josta go-to-market -tiimit ovat toimineet siitä lähtien. Tämä siirtymä on se, mitä operationalisointi todella tarkoittaa, ja useimmat organisaatiot eivät ole vielä siinä vaiheessa, kun on kyse tekoälyn omaksumisesta.

Toinen erottava tekijä on omistajuus. Onnistuneet asiakaskokemus (CX) -toteutukset ovat sellaisia, joissa joku vastaa siitä, että tulokset toimivat. On oltava joku, joka on vastuussa siitä, mitä tapahtuu, koska kun kukaan ei omista lopputulosta, oivallukset palaavat vain kojuihin ja loppuvat sinne. Tämä on aina ollut totta CX-ohjelmille – se on tehostunut tekoälyn myötä, koska tulokset tulevat nopeammin, ja asiakkaiden odotukset kiihtyvät.

Kolmas asia, jota seuraan, on, onko organisaatiolla ollut johdonmukainen menestysten mitta. Mitä mitataan, sitä hallitaan. Tiimit, jotka seuraavat trendejä ajan myötä, vertaavat suorituskykyä neljännesvuosittain tai vertaavat tuloksia eri maantieteellisillä alueilla, eivät voi hyväksyä tekoälyratkaisuja, jotka tuottavat eri vastauksia eri päivinä. Organisaatiot, jotka operationalisoivat menestyksekkäästi, vaativat yleensä luotettavuutta lisäksi kyvystä. He haluavat tekoälyä, jota voivat rakentaa.

On paljon jännitystä yleispätevien LLM:ien ympärillä, mutta puolustat tarkoitukseen suunniteltua tekoälyä palautteen työnkulkuihin. Missä yleiset mallit eivät ole riittäviä yritysten käyttötarkoituksiin?

Jokainen ongelma ei vaadi samaa tekoälyratkaisua. Monet toimittajat palautteen ja CX-tilassa ovat rakentaneet tekoälyominaisuutensa kaupallisten yleispätevien mallien, kuten ChatGPT, Claude tai Gemini, päälle. Ne on suunniteltu tekemään kaikki kaikille, ja se yleisyys voi olla ongelmallista organisaatioille, jotka vaativat korkeaa luotettavuuden ja johdonmukaisuuden tasoa.

Tästä syystä Alchemer on ottanut toisenlaisen lähestymistavan asiakkaiden haasteiden ratkaisemiseksi. Alchemer käyttää oikeaa tekoälyratkaisua kussakin tietokoneessa. Tämän tarkoitukseen suunnitellun tekoälystrategian tuloksena on tarkemmat tulokset, johdonmukaiset tulokset ajan myötä ja tekoäly, joka on optimoitu palautteen dataa varten eikä sovellettu työkalusta, joka on tehty jollekin muulle.

Olemme nähneet tämän toteutuvan suoraan asiakkaiden kanssa. Washburn & McGoldrick arvioi yleispäteviä tekoälytyökaluja ennen kuin valitsi Alchemerin ja totesi, että sama tieto tuotti eri luokitteluita eri päivinä. Et voi rakentaa vertailuohjelmaa sellaiselle.

Mitä se tarkalleen ottaen tarkoittaa upottaa tekoäly suoraan liiketoimintatyönkulkuihin, ja miksi tämä lähestymistapa on tehokkaampi kuin kohdella tekoälyä erillisenä työkaluna?

Erillinen tekoälytyökalu on jotain, mitä avaat, kun päättäväsi analysoida jotain. Upotettu tekoälyominaisuus on jo toiminnassa ennen kuin olet ajatellut kysyä.

Tässä on ero käytännössä: Jos arvosteluraportti tulee yöllä ja osuu riskirajaan turvallisuuden vuoksi, upotettu järjestelmä laukaisee hälytyksen, ohjaa sen oikealle henkilölle ja käynnistää vastausprosessin automaattisesti. Kukaan ei tarvitse muistaa tarkistaa kojua. Tekoäly on jo osa prosessia.

Alchemerissa ajattelemme tätä kaikkien palautteiden kanavien ja koko palautteen elinkaaren kautta. Tekoäly parantaa kyselyominaisuuksia, joita saapuu, ja voi luoda merkityksellisiä seuraavia kysymyksiä reaaliajassa, jotta kysely muuttuu keskusteluksi. Arvostelunhallinnassa tekoäly voi luoda mukautettuja, brändättyjä vastauksia ja jopa julkaista ne. Tekoäly analytiikkakerroksessa paljastaa, mitä on tärkeää kaikessa palautteessa. Ja työnkulun automaatio yhdistää tekoälykäynnistyksen toimia suoraan liiketoimintajärjestelmiin, joissa tiimit todella työskentelevät. Kun nämä osat ovat yhdistetty, aika oivalluksesta toimeen lyhenee päivistä minuuteiksi. Se on, mitä upottaminen todella tarkoittaa, kytkemällä toimet, jotka johtuvat asiakaspalautteesta, järjestelmiin, joissa asiakkaiden tiimit käyttävät joka päivä.

Muuttaa rakenteettoman asiakaspalautteen todelliseksi, toiminnalliseksi tiedoksi kuulostaa voimakkaalta, mutta vaikealta. Mitkä ovat suurimmat tekniset ja organisaatiotason haasteet saada se toimimaan laajassa mittakaavassa?

Tekniseltä puolelta tietojen määrä ja muuntelu voivat olla haasteellisia. Asiakkaat kirjoittavat eri kielillä, lyhenteillä, virheellisillä kirjoituksilla ja puhekielisillä termeillä, joita yleiset mallit usein väärin tulkitsevat. Malleilla on myös oltava ymmärrys liiketoiminnan kieli. Eri toimialat käyttävät eri termejä, ja yritykset soveltavat omia nuancejaan sen lisäksi.

Esimerkiksi henkilö, joka tervehtii sinua yrityksessä, voi olla vastaanottaja lääkärin vastaanotolla, isäntä ravintolassa ja barista kahvilassa. Nämä samankaltaiset roolit voivat olla eri nimisiä eri toimialoilla. Vaikka yleinen malli voi olla ok alkuvaiheessa, taustamallien on oltava tarkoitukseen suunniteltuja palautteen datan nuansseja ja sitä, miten asiakkaat puhuvat tiettyjen toimialojen, tuotteiden, brändien ja palveluiden kanssa. Mallien on myös oltava johdonmukaisia, koska niitä verrataan usein historiallisiin vertailuihin.

Vaikka tekniset haasteet näyttävät kasvavan, organisaatiotason haasteet, vaikka merkittävät, ovat helpompia ratkaista. Ensimmäinen suuri haaste on tietäminen, mitä tehdä lisääntyneen määrän ja rikkaamman tiedon kanssa. Useimmat tiimit katsovat tekoälytuotetun oivalluksen ja sanovat, “se on mielenkiintoista”. Parhaat organisaatiot rakentavat työnkulkuja, jotka sanovat, “Tämä oivallus menee tälle henkilölle/järjestelmälle, joka tekee tämän asian, tässä aikataulussa.” Onneksi noiden työnkulkujen rakentaminen on koskaan ollut helpompaa. Jollain suunnittelulla ja kun se tehdään oikein, tiimien yleinen uteliaisuus asiakaspalautteen ymmärtämiseksi kehittyy todella jännittävästi, kun se kehittyy.

Toinen suuri organisaatiotason haaste on luottamus. Alchemerin viimeisimmässä tutkimuksessa vain 29 %: ia CX-ohjelmistojen ostajista sanoi olevansa tällä hetkellä mukava toimimaan tekoälytuotetuista tuloksista ilman tarkastusta. Se heijastaa todellista kokemusta tekoälystä, joka on ollut epäjohdonmukaista tai selittämätöntä. Luottamuksen rakentaminen vaatii tekoälyjärjestelmiä, jotka ovat avoimia siitä, miten ne pääsevät johtopäätöksiin, ja niissä on audit-reitit ja mukautettavat ohjaimet, jotka antavat tiimien päättää, mitä tekoäly voi ja mitä ei voi tehdä. Alchemerissa kohtelemme luotettavaa tekoälyä tuotteena, ei ominaisuutena.

Olet ehdottanut, että johdonmukaisuus voi olla tärkeämpää kuin tarkkuus tekoälyohjatuissa markkinatutkimuksissa. Voitko selittää, miksi johdonmukaisuus on niin kriittinen ja miksi se usein jää huomiotta?

Tarkkuus kertoo, miten hyvin tekoäly ymmärsi yksittäisen vastauksen. Johdonmukaisuus kertoo, voitko luottaa vertailuun ajan myötä. Markkinatutkimuksessa vertailu on pointti. Se ei ole merkityksellistä tietää, mitä asiakkaat sanovat tänään eristyneisyyden vuoksi. Mutta on arvokasta ymmärtää, paranevatko asiat, huononevatko ne, miten toinen alue vertautuu toiseen tai ovatko teemat, joita näet nyt, olleet läsnä kuusi kuukautta sitten. Yhtäkään näistä ei voida tehdä, jos taustaluokitus vaihtelee suoritusten välillä.

Esimerkiksi jos palkkaat kaksi eri analyytikkoa koodaamaan samaa avointa tekstipalautetta kuusi kuukautta erillään, sinulla on vertailuongelma, vaikka molemmat olisivat erinomaisia. Et tiedä, johtuuko aiheiden muutos todellisesta muutoksesta asiakastunnelmasta vai vain siitä, että kaksi henkilöä tulkitsi samaa tietoa eri tavoin. Epäjohdonmukainen tekoäly voi aiheuttaa saman haasteen.

Hienosäädettyjen mallien, jotka soveltavat samaa luokittelulogiaa joka kerta, ratkaisee tämän ongelman. Malli ei tuota eri vastauksia eri päivinä. Se tekee avoimet tekstivastaukset luotettaviksi samalla tavalla kuin pitkäaikaiset NPS-ohjelmat ovat luotettavia. Se on se, mikä mahdollistaa analyytikolle kertoa liiketoiminnalle jotain merkityksellistä siitä, mihin he ovat menossa, eikä vain siitä, missä he ovat juuri nyt.

Kun tekoäly muuttuu asiakaskokemuksen osaksi, miten organisaatioiden tulisi ajatella siitä työvoiman moninkertaistajana, eikä korvaajana, erityisesti ei-tekniikkaisten tiimien osalta?

Työvoiman moninkertaistamisen viitekehyksen muuttaa kysymyksen “mitä tekoäly korvaa?” “mihin voi tiimisi tehdä nyt, mitä he eivät voineet aiemmin?” Se on tuottavampi kehys, ja kokemukseni mukaan se on myös tarkin. Konkreettinen versio: asiakastietojen analyytikko, joka viettää kolme päivää viikossa koodaamassa avointa tekstipalautetta manuaalisesti, voi nyt käyttää aikaa tulkkaamalla kuvioita, esittämällä löytöjä ja työskentelemällä kysymysten takana. Tekoäly ei korvannut analyytikkoa. Se antoi analyytikolle enemmän tilaa toimia.

Tämä on tärkeää erityisesti ei-tekniikkaisten tiimien osalta. Kun kuka tahansa voi kysyä kysymyksiä tietojaan yksinkertaisella kielellä ilman, että tarvitsee data- tutkijaa tai rakentaa raporttia alusta alkaen, ihmiset, jotka ovat lähimpänä asiakasta, saavat nopeammin oivallukset. Se muuttaa päätöksentekoa koko organisaatiossa, ei vain yhden tehtävän tehokkuutta.

Moninkertaistamisvaikutus materialisoituu vain, jos tiimit ovat valmiita käyttämään kapasiteettia, jonka tekoäly luo. Se on organisaatiomuotoilun kysymys yhtä paljon kuin teknologinen kysymys. Se on, miksi viettämme yhtä paljon aikaa asiakkaiden kanssa omaksumisen ja parhaiden käytäntöjen kanssa kuin itse kyvykkyyksien kanssa.

Miten näet tekoälyn muuttavan asiakaskokemusta seuraavien vuosien aikana, ja mitä yritysten tulisi tehdä tänään valmistautuakseen siihen muutokseen?

Se muutos, jota seuraan tarkkaan, on siirtyminen reaktiivisesta proaktiiviseen. Useimmat palautteohjelmat tänään ovat reaktiivisia. Esimerkiksi jotain tapahtuu, palautetta tulee, tiimit analysoivat sitä, ja päätöksiä tehdään. Kyse on edelleen perustavanlaatuisesti taaksepäin suunnattu.

Mitä tekoäly mahdollistaa, on päästä ennen sitä kaarta. Tunnistaa signaaleja riittävän aikaisin voidakseen toimia ennen kuin ongelma ilmenee tuloksissa. Tietäminen, mitkä asiakassegmentit ovat vaarassa ennen kuin ne loikkavat. Ymmärtäminen, miksi tyytyväisyyden taso laskee tietyssä alueessa ennen kuin se muodostuu kuvioksi. Se on siinä, missä yhdistelmä tarkoitukseen suunniteltua tekoälyä ja pitkäaikaista palauttedataa todella on voimakasta.

Yritysten tulisi tänään rakentaa organisaatiotason infrastruktuuria, joka voi omaksua, mitä tekoäly mahdollistaa. Keskittäkää palautteenne tieto arvostelujen, kyselyjen, sosiaalisen median, sovellusten ja muiden kanavien kautta. Määritä, kuka omistaa analyysit ja mitä tapahtuu, kun jotain toimintaa paljastetaan. Rakenna työnkulut, jotka yhdistävät oivallukset toimiin ennen kuin tarvitset niitä. Yritykset, jotka etenevät, eivät välttämättä ole niitä, joilla on kehittynein tekoälytekniikka, vaan ne, jotka toimivat tekoälyoivalluksilla johdonmukaisesti, nopeasti ja laajassa mittakaavassa.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Alchemer: ssä.