Ryan Tamminga, Chief Customer Officer, Alchemer – Seri Wawancara

Ryan Tamminga adalah eksekutif pengalaman pelanggan dan transformasi perusahaan dengan hampir dua dekade pengalaman kepemimpinan yang meliputi keberhasilan pelanggan, layanan profesional, konsultasi, dan strategi produk. Sejak bergabung dengan Alchemer pada 2019, ia telah maju melalui serangkaian peran kepemimpinan, termasuk Wakil Presiden Keberhasilan Pelanggan dan Senior Wakil Presiden Produk & Layanan, sebelum diangkat sebagai Chief Customer Officer pada 2026. Dalam perannya saat ini, ia mengawasi keterlibatan pelanggan, keberhasilan, dan pengiriman layanan sambil membantu menyelaraskan kebutuhan pelanggan dengan inovasi produk dan strategi bisnis. Sebelum Alchemer, Tamminga memegang posisi kepemimpinan senior di ReedGroup, Deloitte, dan Accenture, di mana ia memimpin inisiatif transformasi skala besar yang berfokus pada operasi bisnis, analitik, otomatisasi, dan perbaikan kinerja perusahaan.

Alchemer adalah platform umpan balik pelanggan dan manajemen pengalaman yang membantu organisasi menangkap, menganalisis, dan bertindak berdasarkan wawasan dari pelanggan, karyawan, dan pemangku kepentingan. Perangkat lunak perusahaan ini menggabungkan pembuatan survei, pengumpulan umpan balik, otomatisasi alur kerja, dan analitik yang ditenagai AI untuk membantu bisnis melampaui sekadar mengumpulkan data dan menghasilkan tindakan yang dapat diukur dari itu. Melayani organisasi di berbagai industri, Alchemer memungkinkan tim untuk mengentralisasi umpan balik dari beberapa saluran, mengungkap tren dan sentimen, dan menggunakan wawasan tersebut untuk memperbaiki pengalaman pelanggan, memandu keputusan produk, dan memperkuat kinerja bisnis. Melalui rangkaian alat yang ditenagai AI yang terus berkembang, perusahaan ini bertujuan untuk membantu organisasi mengubah umpan balik menjadi sumber kecerdasan operasional dan strategis yang berkelanjutan.

Anda telah menghabiskan lebih dari satu dekade di konsultasi di perusahaan seperti Accenture dan Deloitte sebelum memimpin keberhasilan pelanggan, produk, dan layanan di Alchemer. Bagaimana campuran transformasi proses dan pengalaman pelanggan tangan-kedua telah membentuk pendekatan Anda dalam menerapkan AI di lingkungan perusahaan?

Bekerja di konsultasi memberikan pengalaman yang sangat berharga yang mempengaruhi peran saya saat ini di Alchemer. Misalnya, saya menemukan bahwa teknologi jarang menjadi bagian yang paling sulit. Saya menghabiskan tahun-tahun membantu perusahaan Fortune 100 menerapkan sistem perusahaan, dan proyek yang berjuang tidak dihancurkan oleh perangkat lunak yang buruk. Mereka memiliki masalah manajemen perubahan, kepemilikan yang tidak jelas, dan sering diterapkan sebelum proses yang mendasarinya siap untuk menyerapnya.

Pengalaman itu membentuk bagaimana saya berpikir tentang penerapan AI saat ini. Ketika saya berbicara dengan pelanggan yang berjuang untuk mendapatkan nilai dari AI, masalahnya hampir tidak pernah ternyata adalah teknologi itu sendiri. Ini karena mereka belum mendefinisikan apa yang mereka coba capai, siapa yang memiliki output, dan apa yang berubah ketika AI menemukan sesuatu yang dapat ditindaklanjuti. Teknologi lebih maju dari kesiapan organisasi dalam sebagian besar kasus.

Pekerjaan tangan-kedua dengan pelanggan adalah setengah lain dari persamaan itu. Anda belajar dengan cepat apa yang sebenarnya dimaksud dengan nilai bagi orang-orang yang melakukan pekerjaan sehari-hari dan bagaimana menerjemahkan itu ke dalam metrik papan. Ini sering kali merupakan dua hal yang sangat berbeda. Kombinasi ketat proses dari konsultasi dan empati pelanggan dari bekerja bersama tim adalah apa yang saya coba bawa ke strategi bagaimana kami membangun dan menerapkan AI di Alchemer.

Anda telah menunjuk pada kesenjangan kematangan AI yang signifikan di seluruh organisasi. Apa kesalahpahaman terbesar yang dipimpin oleh para pemimpin tentang kesiapan mereka, dan di mana implementasi biasanya gagal pertama kali?

Kesalahpahaman yang paling umum adalah bahwa membeli alat AI sama dengan siap untuk menggunakannya. Pemimpin melihat demo, mereka melihat output, dan mereka menganggap, sering kali secara salah, bahwa adopsi mengikuti secara otomatis. Penting untuk memastikan bahwa teknologi, apakah AI atau tidak, dimulai dengan masalah bisnis yang perlu diselesaikan. Adopsi teknologi yang sukses hampir selalu terkait dengan seberapa baik Anda dapat mengkomunikasikan bagaimana teknologi itu akan menyelesaikan masalah tersebut untuk tim dan pelanggan Anda.

Di mana implementasi gagal pertama kali adalah hampir selalu pada titik serah terima. Jika tidak ada alur kerja yang ditentukan untuk apa yang terjadi selanjutnya (misalnya, siapa yang melihatnya, siapa yang bertindak, sistem apa yang dimasukkannya), maka wawasan itu tidak diambil. Organisasi perlu terstruktur dengan benar untuk bertindak berdasarkan wawasan.

Mengenali kesenjangan ini telah membentuk bagaimana kami membangun solusi di Alchemer. Kami memulai dengan mengidentifikasi masalah yang kami cari untuk diselesaikan dengan kemampuan teknologi yang kami rilis. Kemampuan AI, alur kerja, dan kontrol pengguna hanya sebagian dari apa yang kami berikan. Membantu tim membangun otot organisasi untuk bertindak berdasarkan umpan balik sama pentingnya, dan itulah tempat hasil nyata tercapai.

Banyak perusahaan berinvestasi besar-besaran dalam AI tetapi berjuang untuk menunjukkan ROI. Apa metrik atau kerangka kerja yang harus mereka gunakan untuk mengevaluasi apakah AI dalam pengalaman pelanggan benar-benar efektif?

Mulailah dengan apa yang berubah dalam perilaku, bukan apa yang dihasilkan AI. Pertanyaan yang tepat bukanlah, “Apakah AI menghasilkan ringkasan?” Tetapi pertanyaan seperti, “Apa metrik yang menjadi indikator keberhasilan?”, “Apakah tim bertindak berbeda karena itu?”, dan “Apakah metrik bisnis yang sejalan bergeser ke arah yang benar?” AI dapat dengan jelas mengidentifikasi di mana masalah atau peluang ada dan memberikan wawasan baru. Namun, jika perusahaan tidak bertindak berdasarkan wawasan tersebut, umpan balik pelanggan mungkin diabaikan atau tidak ditangani secara tepat waktu.

Waktu-ke-wawasan adalah metrik yang baik untuk dimulai. Berapa lama waktu yang dibutuhkan untuk pergi dari mengumpulkan umpan balik hingga memiliki sesuatu yang dapat ditindaklanjuti di depan pembuat keputusan? Analisis umpan balik yang sebelumnya membutuhkan enam bulan sekarang sangat berkurang dengan AI. Kami memiliki pelanggan yang mengurangi siklus itu dari enam bulan menjadi jam, menunjukkan pergeseran nyata dan dapat diukur menuju penyelesaian waktu ke wawasan dan tindakan.

Waktu-ke-respons adalah metrik lain yang perlu ditangkap sejak dini. Pelanggan mengharapkan respons terhadap umpan balik mereka, terutama ketika umpan balik tersebut negatif. Ukur berapa lama waktu yang dibutuhkan untuk merespons umpan balik survei negatif atau ulasan online. Mungkin membutuhkan hari jika Anda meninjau secara manual, mengassign tindakan melalui tiket dukungan, lalu merespons pelanggan. Sebuah penjual kacamata online mampu pergi dari hampir sebulan menjadi menit.

Tingkat respons adalah metrik terakhir yang perlu dilacak. H&R Block (HRB ) Kanada mengelola hampir 1.000 lokasi selama musim pajak. Sebelum AI, mencapai cakupan respons ulasan 100% hampir mustahil. Sekarang itu adalah baseline. Itu dapat diukur, dan efek downstream pada visibilitas pencarian dan persepsi pelanggan dapat dilacak.

Mulailah dengan mengidentifikasi masalah yang membiayai Anda atau mengganggu pelanggan (misalnya, analisis yang lambat, tingkat respons yang rendah, sinyal pelanggan yang terlewatkan) dan ukur delta sebelum dan sesudah. Jangan mencoba mengukur semua hal. Ukur satu hal yang penting dan gunakan momentum itu untuk membantu membangun dan menyampaikan kasus bisnis.

Dari perspektif Anda, apa yang membedakan organisasi yang sukses mengoperasikan AI dari mereka yang tetap terjebak dalam eksperimen?

Organisasi yang sukses dengan AI memperlakukannya sebagai infrastruktur bukan sebagai proyek yang memiliki tanggal mulai, tanggal akhir, dan tim yang mencoba membenarkan investasi. Infrastruktur menjadi inti dari bagaimana pekerjaan dilakukan. Misalnya, pikirkan perbedaan yang dibuat oleh pengenalan perangkat lunak CRM pada akhir 1990-an dan awal 2000-an. Proyek itu adalah implementasi, tetapi sistemnya menjadi infrastruktur operasional inti yang menjadi dasar bagi cara tim pemasaran beroperasi sejak saat itu. Transisi itu adalah apa yang dimaksud dengan mengoperasikan, dan sebagian besar organisasi belum mencapai itu ketika datang ke adopsi AI.

Perbedaan lainnya adalah kepemilikan. Penerapan CX yang sukses memiliki seseorang yang bertanggung jawab untuk memastikan outputnya diambil. Perlu ada seseorang yang bertanggung jawab atas apa yang terjadi karena ketika tidak ada yang memiliki hasil, wawasan kembali ke dashboard dan berhenti di sana. Ini selalu benar untuk program CX — itu diperkuat oleh AI karena outputnya datang lebih cepat, dan harapan dari pelanggan dipercepat.

Hal ketiga yang saya perhatikan adalah apakah organisasi memiliki pola konsistensi metrik keberhasilan. Apa yang diukur, dikelola. Tim yang melacak tren dari waktu ke waktu, membandingkan kinerja dari kuartal ke kuartal, atau membandingkan hasil di seluruh geografi tidak dapat membeli solusi AI yang menghasilkan jawaban yang berbeda pada hari yang berbeda. Organisasi yang mengoperasikan dengan sukses cenderung menuntut keandalan tambahan selain kemampuan. Mereka ingin AI yang dapat dibangun.

Ada banyak kegembiraan sekitar LLM umum, namun Anda mendukung AI yang dibangun khusus dalam alur kerja umpan balik. Di mana model umum gagal dalam kasus penggunaan perusahaan?

Tidak semua masalah memerlukan solusi AI yang sama. Banyak vendor di ruang umpan balik dan CX telah membangun kemampuan AI mereka di atas model umum yang tersedia secara komersial seperti ChatGPT, Claude, atau Gemini. Mereka dirancang untuk melakukan semua hal untuk semua orang, dan keumuman itu dapat menjadi masalah bagi organisasi yang menuntut tingkat keandalan dan konsistensi yang tinggi.

Dengan itu, Alchemer telah mengambil pendekatan yang berbeda untuk mendukung tantangan yang dihadapi pelanggan kami. Alchemer menggunakan solusi AI yang tepat untuk setiap tugas spesifik daripada mengarahkan setiap masalah melalui model LLM komersial. Hasil dari strategi AI yang dibangun khusus ini adalah output yang lebih akurat, hasil yang konsisten dari waktu ke waktu, dan AI yang dioptimalkan untuk data umpan balik daripada disesuaikan dari alat yang dibangun untuk hal lain.

Kami telah melihat ini terjadi langsung dengan pelanggan. Washburn & McGoldrick mengevaluasi alat AI umum sebelum memilih Alchemer dan menemukan bahwa dataset yang sama menghasilkan kategorisasi yang berbeda pada hari yang berbeda. Anda tidak dapat membangun program benchmarking pada itu.

Apa yang sebenarnya dimaksud dengan menyematkan AI langsung ke dalam alur kerja bisnis, dan mengapa pendekatan ini lebih efektif daripada memperlakukan AI sebagai alat mandiri?

Alat AI mandiri adalah sesuatu yang Anda buka ketika Anda memutuskan untuk menganalisis sesuatu. Kemampuan AI yang disematkan sudah bekerja sebelum Anda memikirkan untuk bertanya.

Perbedaan ini dalam prakteknya: Jika ulasan masuk semalam yang mencapai ambang batas risiko karena kekhawatiran keamanan, sistem yang disematkan memicu peringatan, mengarahkannya ke orang yang tepat, dan memulai alur kerja respons secara otomatis. Tidak ada yang perlu mengingat untuk memeriksa dashboard. AI sudah menjadi bagian dari proses.

Di Alchemer, kami memikirkan ini di seluruh saluran umpan balik dan seluruh siklus umpan balik. AI dalam kemampuan survei kami memperbaiki apa yang masuk dan dapat menghasilkan pertanyaan lanjutan yang relevan secara real-time sehingga survei menjadi percakapan. Dalam manajemen ulasan, AI dapat menghasilkan respons yang dipersonalisasi dan bahkan mempostingnya. AI dalam lapisan analitik kami menemukan apa yang penting dari semua umpan balik. Dan otomatisasi alur kerja kami menghubungkan tindakan yang dipicu AI langsung ke sistem bisnis tempat tim sebenarnya bekerja. Ketika potongan-potongan itu terhubung, kesenjangan antara wawasan dan tindakan menyusut dari hari menjadi menit. Itulah yang sebenarnya dimaksud dengan disematkan, menghubungkan tindakan yang berasal dari umpan balik pelanggan ke sistem yang tim kami gunakan setiap hari untuk terlibat dengan pelanggan mereka.

Mengubah umpan balik pelanggan yang tidak terstruktur menjadi intelijen yang dapat ditindaklanjuti dan real-time terdengar kuat, tetapi sulit. Apa tantangan teknis dan organisasional terbesar dalam membuat itu bekerja pada skala?

Di sisi teknis, volume dan variabilitas data dapat benar-benar menantang. Pelanggan menulis dalam bahasa yang berbeda, dengan singkatan, kesalahan ejaan, dan singkatan yang model umum sering salah baca. Model juga harus memahami bahasa bisnis. Industri yang berbeda menggunakan terminologi yang berbeda dan bisnis menerapkan nuansa mereka sendiri di atas itu.

Sebagai contoh, orang yang menyambut Anda di bisnis mungkin adalah resepsionis di kantor dokter, host di restoran, dan barista di kedai kopi. Peran yang serupa dapat dinamai berbeda di industri yang berbeda. Sementara model umum mungkin cukup untuk tinjauan awal, model yang mendasarinya harus dibangun khusus untuk nuansa data umpan balik dan bagaimana pelanggan berbicara tentang industri, produk, merek, dan layanan tertentu. Model juga harus konsisten, karena Anda hampir selalu membandingkan dengan baseline historis.

Sementara tantangan teknis tampaknya meningkat, tantangan organisasional, meskipun signifikan, menjadi lebih mudah untuk dipecahkan. Tantangan utama pertama adalah mengetahui apa yang harus dilakukan dengan volume dan wawasan yang meningkat. Sebagian besar tim melihat wawasan yang dihasilkan AI dan mengatakan, “Itu menarik.” Organisasi terbaik membangun alur kerja yang mengatakan, “Wawasan ini pergi ke orang/sistem ini, yang melakukan ini, dalam jendela waktu ini.” Untungnya, membangun alur kerja tersebut tidak pernah semudah sekarang. Dengan sedikit perencanaan, dan ketika dilakukan dengan benar, percepatan rasa ingin tahu tim yang bekerja untuk memahami umpan balik pelanggan menjadi sangat menggembirakan ketika berkembang.

Tantangan organisasional utama lainnya adalah kepercayaan. Dalam studi terbaru Alchemer, hanya 29% dari pembeli perangkat lunak CX mengatakan mereka saat ini nyaman bertindak berdasarkan output yang dihasilkan AI tanpa tinjauan. Ini mencerminkan pengalaman nyata dengan AI yang tidak konsisten atau tidak dapat dijelaskan. Membangun kepercayaan memerlukan sistem AI yang transparan tentang bagaimana mereka mencapai kesimpulan, dengan jejak audit dan kontrol yang dapat dikonfigurasi yang memungkinkan tim untuk memutuskan apa yang dapat dan tidak dapat dilakukan AI. Di Alchemer, kami memperlakukan AI yang dipercaya sebagai produk, bukan fitur.

Anda telah menyarankan bahwa konsistensi dapat lebih penting daripada akurasi dalam penelitian pasar yang didorong AI. Bisakah Anda menjelaskan mengapa konsistensi sangat kritis dan mengapa sering diabaikan?

Akurasi memberitahu Anda seberapa baik AI memahami respons tunggal. Konsistensi memberitahu Anda apakah Anda dapat mempercayai perbandingan dari waktu ke waktu. Untuk penelitian pasar, perbandingan adalah titiknya. Tidak berarti mengetahui apa yang dikatakan pelanggan hari ini dalam isolasi. Tetapi itu berarti memahami apakah hal-hal membaik atau memburuk dibandingkan dengan kuartal sebelumnya, bagaimana satu wilayah dibandingkan dengan yang lain, atau apakah tema yang Anda lihat sekarang ada enam bulan yang lalu. Tidak ada yang mungkin jika klasifikasi yang mendasarinya bergeser antara run.

Sebagai contoh, jika Anda merekrut dua analis yang berbeda untuk mengkode umpan balik teks terbuka yang sama enam bulan terpisah, Anda akan memiliki masalah perbandingan bahkan jika keduanya sangat baik. Anda tidak akan tahu apakah pergeseran tema mencerminkan perubahan nyata dalam sentimen pelanggan atau hanya perbedaan dalam cara dua orang menafsirkan data yang sama. AI dengan output yang tidak konsisten dapat menyebabkan tantangan yang sama.

Model yang disesuaikan yang menerapkan logika klasifikasi yang sama setiap saat memecahkan ini. Model tidak menghasilkan jawaban yang berbeda pada hari yang berbeda. Ini membuat jawaban teks terbuka dapat diandalkan dengan cara yang sama seperti program NPS longitudinal. Ini memungkinkan analis untuk mengatakan sesuatu yang bermakna kepada bisnis tentang ke mana mereka menuju, bukan hanya di mana mereka berada sekarang.

Bagaimana organisasi harus memikirkan AI sebagai pengganda tenaga kerja daripada pengganti, terutama untuk tim non-teknis?

Pengganda tenaga kerja memindahkan pertanyaan dari “apa yang akan AI gantikan?” ke “apa yang dapat tim saya lakukan sekarang yang tidak bisa mereka lakukan sebelumnya?” Ini adalah bingkai yang lebih produktif, dan dalam pengalaman saya, ini juga bingkai yang lebih akurat. Ini melacak pola sejarah adopsi teknologi besar-besaran selama dua dekade terakhir. Versi konkretnya: seorang analis wawasan pelanggan yang menghabiskan tiga hari seminggu untuk mengkode umpan balik teks terbuka secara manual sekarang dapat menghabiskan waktu itu untuk menafsirkan pola, menyajikan temuan, dan bekerja pada pertanyaan di balik pertanyaan. AI tidak menggantikan analis. Ini memberi keterampilan analis lebih banyak ruang untuk beroperasi.

Ini penting bahkan lebih untuk tim non-teknis. Ketika siapa pun dapat bertanya tentang data mereka dalam bahasa sederhana tanpa perlu ilmuwan data atau membangun laporan dari awal, orang-orang yang paling dekat dengan pelanggan mendapatkan wawasan lebih cepat. Ini mengubah kecepatan keputusan di seluruh organisasi, bukan hanya efisiensi tugas tunggal.

Pengganda efek hanya terwujud jika tim siap untuk menggunakan kapasitas yang dibuat AI. Ini adalah pertanyaan desain organisasional sama seperti pertanyaan teknologi. Ini mengapa kami menghabiskan waktu sama banyak untuk adopsi dan praktik terbaik dengan pelanggan kami seperti kami lakukan untuk kemampuan itu sendiri.

Menghadap ke depan, bagaimana Anda melihat AI mengubah pengalaman pelanggan dalam beberapa tahun mendatang, dan apa yang harus dilakukan perusahaan untuk mempersiapkan pergeseran itu?

Pergeseran yang saya perhatikan paling dekat adalah peralihan dari reaktif ke proaktif. Sebagian besar program umpan balik hari ini adalah reaktif. Misalnya, sesuatu terjadi, umpan balik masuk, tim menganalisis, dan keputusan dibuat. Siklus ini menjadi lebih cepat, tetapi masih secara fundamental menoleh ke belakang.

Apa yang AI buat memungkinkan adalah mendahului kurva itu. Mengidentifikasi sinyal cukup awal untuk bertindak sebelum masalah muncul di skor Anda. Mengetahui segmen pelanggan mana yang berisiko sebelum mereka churn. Memahami mengapa kepuasan menurun di wilayah tertentu sebelum menjadi pola. Itulah tempat kombinasi AI yang dibangun khusus dan data umpan balik longitudinal menjadi sangat kuat.

Perusahaan hari ini harus membangun infrastruktur organisasional untuk menyerap apa yang AI buat memungkinkan. Konsolidasikan data umpan balik Anda dari ulasan, survei, media sosial, in-app, dan lainnya. Tentukan siapa yang memiliki analisis dan apa yang terjadi ketika sesuatu yang dapat ditindaklanjuti muncul. Bangun alur kerja yang menghubungkan wawasan ke tindakan sebelum Anda membutuhkannya. Perusahaan yang akan melampaui bukanlah mereka yang memiliki teknologi AI paling canggih, tetapi mereka yang bertindak berdasarkan wawasan AI secara konsisten, cepat, dan skala besar.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Alchemer.