Ryan Tamminga, Chief Customer Officer, Alchemer – Intervista di serie

Ryan Tamminga è un dirigente di esperienza e trasformazione aziendale con quasi due decenni di esperienza di leadership che coprono il successo dei clienti, i servizi professionali, la consulenza e la strategia di prodotto. Dal suo ingresso in Alchemer nel 2019, ha avanzato attraverso una serie di ruoli di leadership, tra cui Vice Presidente del Successo dei Clienti e Senior Vice Presidente di Prodotto e Servizi, prima di essere nominato Chief Customer Officer nel 2026. Nel suo attuale ruolo, sovrintende all’engagement dei clienti, al successo e alla consegna dei servizi, aiutando ad allineare le esigenze dei clienti con l’innovazione del prodotto e la strategia aziendale. Prima di Alchemer, Tamminga ha ricoperto posizioni di leadership senior in ReedGroup, Deloitte e Accenture, dove ha guidato iniziative di trasformazione su larga scala focalizzate sulle operazioni aziendali, sull’analisi, sull’automazione e sul miglioramento delle prestazioni aziendali.

Alchemer è una piattaforma di gestione della customer experience e del feedback che aiuta le organizzazioni a catturare, analizzare e agire sulle informazioni provenienti da clienti, dipendenti e stakeholder. Il software dell’azienda combina la creazione di sondaggi, la raccolta di feedback, l’automazione dei flussi di lavoro e l’analisi basata sull’intelligenza artificiale per aiutare le aziende a superare la semplice raccolta di dati e guidare azioni misurabili da essi. Servendo organizzazioni in una vasta gamma di settori, Alchemer consente ai team di centralizzare il feedback da più canali, scoprire tendenze e sentiment e utilizzare quelle informazioni per migliorare le esperienze dei clienti, informare le decisioni sui prodotti e rafforzare le prestazioni aziendali. Attraverso la sua crescente suite di strumenti guidati dall’intelligenza artificiale, l’azienda mira ad aiutare le organizzazioni a trasformare il feedback in una fonte continua di intelligenza operativa e strategica.

Ha trascorso più di un decennio in consulenza presso società come Accenture e Deloitte prima di guidare il successo dei clienti, il prodotto e i servizi in Alchemer. Come ha influenzato la sua esperienza di trasformazione dei processi e di esperienza dei clienti la sua approccio all’implementazione dell’intelligenza artificiale negli ambienti aziendali?

L’esperienza lavorativa in consulenza ha fornito un’esperienza molto preziosa che informa il mio ruolo attuale in Alchemer. Ad esempio, ho scoperto che la tecnologia è raramente la parte più difficile. Ho trascorso anni aiutando le aziende Fortune 100 a implementare sistemi aziendali e i progetti che hanno lottato non sono stati rovinati da un cattivo software. Avevano problemi di gestione del cambiamento, proprietà non chiara e spesso venivano distribuiti prima che i processi sottostanti fossero pronti ad assorbirli.

Quell’esperienza modella il mio modo di pensare all’implementazione dell’intelligenza artificiale oggi. Quando parlo con i clienti che lottano per ottenere valore dall’intelligenza artificiale, il problema quasi mai si rivela essere la tecnologia stessa. È che non hanno definito cosa stanno cercando di realizzare, chi possiede l’output e cosa cambia quando l’intelligenza artificiale individua qualcosa di azionabile. La tecnologia è davanti alla prontezza organizzativa nella maggior parte dei casi.

Il lavoro a stretto contatto con i clienti è l’altra metà di quell’equazione. Si impara rapidamente cosa significa realmente il valore per le persone che svolgono il lavoro ogni giorno e come tradurre quel valore in ciò che significa per le metriche del consiglio di amministrazione. Quelle sono spesso cose molto diverse. La combinazione di rigore dei processi dalla consulenza e dell’empatia dei clienti dal lavoro a stretto contatto con i team è ciò che cerco di portare nella strategia di come costruire e implementare l’intelligenza artificiale in Alchemer.

Ha puntato a una significativa lacuna di maturità dell’intelligenza artificiale tra le organizzazioni. Quali sono i più grandi malintesi che i leader hanno sulla loro prontezza e dove le implementazioni di solito falliscono per la prima volta?

Il malinteso più comune è che acquistare lo strumento di intelligenza artificiale sia lo stesso che essere pronti a utilizzarlo. I leader vedono una demo, vedono l’output e spesso suppongono, spesso in modo errato, che l’adozione segua automaticamente. È importante assicurarsi che la tecnologia, sia essa intelligenza artificiale o meno, inizi con il problema aziendale che deve essere risolto. L’adozione di successo della tecnologia è quasi sempre legata a quanto bene si può comunicare come risolverà quel problema per i team e i clienti.

Il punto in cui le implementazioni falliscono per la prima volta è quasi sempre nel punto di passaggio. Se non c’è un flusso di lavoro definito per ciò che accade dopo (ad esempio, chi lo vede, chi agisce su di esso, in quale sistema entra) allora l’approfondimento non viene agito. Le organizzazioni devono essere strutturate correttamente per agire sulle informazioni.

Riconoscere questo divario ha modellato il modo in cui costruiamo soluzioni in Alchemer. Iniziamo identificando i problemi che stiamo cercando di risolvere con le capacità tecnologiche che rilasciamo. Le capacità dell’intelligenza artificiale, i flussi di lavoro e i controlli utente sono solo una parte di ciò che consegniamo. Aiutare i team a costruire i muscoli organizzativi per agire sul feedback è altrettanto importante ed è dove si realizzano i risultati reali.

Molte aziende investono pesantemente nell’intelligenza artificiale ma lottano per dimostrare il ROI. Quali metriche o framework dovrebbero utilizzare per valutare se l’intelligenza artificiale nell’esperienza del cliente sta funzionando?

Partire da ciò che è cambiato nel comportamento, non da ciò che l’intelligenza artificiale ha prodotto. La domanda giusta non è “L’intelligenza artificiale ha generato un riassunto?” Invece, chiedere domande come “Qual è la metrica che è l’indicatore chiave di successo?”, “Il team ha agito diversamente a causa di esso?” e “Le metriche aziendali allineate stanno cambiando nella direzione giusta?” L’intelligenza artificiale può chiaramente identificare dove esiste un problema o un’opportunità e fornire nuove informazioni. Tuttavia, se le aziende non agiscono su quelle informazioni, il feedback dei clienti potrebbe essere ignorato o non affrontato in modo tempestivo.

Il tempo per ottenere informazioni è una buona metrica con cui iniziare. Quanto tempo ci vuole per andare dalla raccolta del feedback ad avere qualcosa di azionabile di fronte a un decisore? L’analisi del feedback che un tempo richiedeva sei mesi è notevolmente ridotta con l’intelligenza artificiale. Abbiamo un cliente che ha ridotto quel ciclo da sei mesi a poche ore, dimostrando un reale spostamento verso la risoluzione del tempo per ottenere informazioni e agire.

Il tempo di risposta è un’altra metrica da catturare all’inizio. I clienti si aspettano una risposta al loro feedback, specialmente quando è negativo. Misurare quanto tempo ci vuole per rispondere a una risposta a un sondaggio negativo o a una recensione online. Potrebbe richiedere giorni se si esamina manualmente, assegna un’azione tramite un biglietto di supporto e poi risponde al cliente. Un rivenditore di occhiali online è stato in grado di passare da quasi un mese a pochi minuti.

Il tasso di risposta è l’ultima metrica da tracciare. H&R Block Canada gestisce quasi 1.000 sedi durante la stagione fiscale. Prima dell’intelligenza artificiale, raggiungere la copertura del 100% delle recensioni era quasi impossibile. Ora è una base. È misurabile e gli effetti a valle sulla visibilità della ricerca e sulla percezione del cliente sono tracciabili.

Iniziare identificando il problema che sta costando o frustrando i clienti (ad esempio, analisi lenta, bassi tassi di risposta, segnali dei clienti mancati) e misurare il delta prima e dopo. Non cercare di misurare tutto. Misurare una cosa che conta e utilizzare quel momentum per aiutare a costruire e consegnare il caso aziendale.

Da parte sua, cosa separa le organizzazioni che operazionalizzano con successo l’intelligenza artificiale da quelle che rimangono bloccate nella sperimentazione?

Le organizzazioni che hanno successo con l’intelligenza artificiale la trattano come un’infrastruttura piuttosto che come un progetto che ha una data di inizio, una data di fine e un team che cerca di giustificare l’investimento. L’infrastruttura diventa fondamentale per come si svolge il lavoro. Ad esempio, pensare alla differenza che l’introduzione del software CRM ha fatto alla fine degli anni ’90 e all’inizio degli anni 2000. Il progetto era l’implementazione, ma i sistemi sono diventati infrastrutture operative di base che sono state la base di come i team di go-to-market hanno operato da allora in poi. Quel passaggio è ciò che significa realmente l’operazionalizzazione e la maggior parte delle organizzazioni non ci è ancora arrivata quando si tratta di adozione dell’intelligenza artificiale.

Un altro fattore differenziatore è la proprietà. I diploy di customer experience (CX) di successo hanno qualcuno il cui lavoro è assicurarsi che gli output vengano agiti. Deve esserci qualcuno responsabile di ciò che accade perché quando nessuno possiede l’esito, le informazioni tornano a un cruscotto e si fermano lì. Ciò è sempre stato vero per i programmi CX — è amplificato dall’intelligenza artificiale perché gli output arrivano più velocemente e le aspettative dei clienti si stanno accelerando.

La terza cosa a cui presto attenzione è se l’organizzazione ha avuto un modello di successo coerente delle metriche di successo. Ciò che viene misurato, viene gestito. I team che tracciano le tendenze nel tempo, che effettuano benchmarking delle prestazioni trimestrali o che confrontano i risultati in diverse aree geografiche non possono permettersi soluzioni di intelligenza artificiale che producono risposte diverse in giorni diversi. Le organizzazioni che operazionalizzano con successo tendono a richiedere affidabilità in aggiunta alla capacità. Vogliono un’intelligenza artificiale su cui possano costruire.

C’è molta eccitazione intorno ai modelli LLM general-purpose, eppure lei sostiene l’intelligenza artificiale costruita appositamente per i flussi di lavoro del feedback. Dove i modelli generali falliscono nei casi d’uso aziendali?

Non ogni problema richiede la stessa soluzione di intelligenza artificiale. Molti fornitori nello spazio del feedback e dell’esperienza del cliente hanno costruito le loro capacità di intelligenza artificiale su modelli general-purpose commerciali come ChatGPT, Claude o Gemini. Sono progettati per fare tutto per tutti e quella generalità può essere problematica per le organizzazioni che richiedono un alto livello di affidabilità e coerenza.

Con questo in mente, Alchemer ha adottato un approccio diverso per supportare le sfide che i nostri clienti stanno cercando di risolvere. Alchemer utilizza la giusta soluzione di intelligenza artificiale per ogni compito specifico piuttosto che instradare ogni problema attraverso modelli LLM commerciali. Il risultato di questa strategia di intelligenza artificiale costruita appositamente è un output più preciso, risultati coerenti nel tempo e un’intelligenza artificiale ottimizzata per i dati di feedback piuttosto che adattata da uno strumento costruito per qualcos’altro.

Abbiamo visto questo verificarsi direttamente con i clienti. Washburn & McGoldrick ha valutato strumenti di intelligenza artificiale general-purpose prima di scegliere Alchemer e ha scoperto che lo stesso set di dati produceva diverse categorizzazioni in giorni diversi. Non puoi costruire un programma di benchmarking su quello.

Cosa significa realmente integrare l’intelligenza artificiale direttamente nei flussi di lavoro aziendali e perché questo approccio è più efficace del trattare l’intelligenza artificiale come uno strumento autonomo?

<p Uno strumento di intelligenza artificiale autonomo è qualcosa che si apre quando si decide di analizzare qualcosa. Una capacità di intelligenza artificiale integrata è già in funzione prima che si pensi di chiedere.

Ecco la differenza nella pratica: se arriva una recensione durante la notte che colpisce una soglia di rischio a causa di una preoccupazione per la sicurezza, un sistema integrato attiva un allarme, lo instrada alla persona giusta e inizia un flusso di lavoro di risposta automaticamente. Nessuno deve ricordare di controllare il cruscotto. L’intelligenza artificiale fa già parte del processo.

In Alchemer, pensiamo a questo in tutti i canali di feedback e nel ciclo di vita completo del feedback. L’intelligenza artificiale nelle nostre capacità di sondaggio migliora ciò che arriva e può generare domande di follow-up pertinenti in tempo reale in modo che un sondaggio diventi una conversazione. Nella gestione delle recensioni, l’intelligenza artificiale può creare risposte personalizzate e anche pubblicarle. L’intelligenza artificiale nel nostro livello di analisi porta alla superficie ciò che conta in tutto quel feedback. E la nostra automazione del flusso di lavoro collega azioni scatenate dall’intelligenza artificiale direttamente nei sistemi aziendali in cui i team lavorano effettivamente per coinvolgere i loro clienti. Quando quei pezzi sono collegati, il divario tra informazione e azione si riduce da giorni a minuti. È ciò che significa realmente l’integrazione, collegare le azioni derivanti dal feedback dei clienti ai sistemi che i team dei clienti utilizzano ogni giorno per coinvolgere i loro clienti.

Trasformare il feedback dei clienti non strutturato in intelligenza azionabile in tempo reale sembra potente, ma difficile. Quali sono le più grandi sfide tecniche e organizzative nel farlo su larga scala?

Dal lato tecnico, il volume e la variabilità dei dati possono essere veramente impegnativi. I clienti scrivono in diverse lingue, con abbreviazioni, errori di battitura e gergo che i modelli generali spesso fraintendono. I modelli devono anche capire il linguaggio dell’azienda. Le diverse industrie utilizzano una terminologia diversa e le aziende applicano le loro sfumature in aggiunta a quella.

Ad esempio, la persona che ti accoglie in un’azienda potrebbe essere una receptionist in uno studio medico, l’host in un ristorante e un barista in un caffè. Quei ruoli simili possono essere denominati diversamente in diverse industrie. Mentre un modello generale potrebbe essere ok per una revisione iniziale, i modelli sottostanti devono essere costruiti appositamente per la sottigliezza dei dati di feedback e per come i clienti parlano di prodotti, marche e servizi specifici. I modelli devono anche essere coerenti, perché si sta quasi sempre confrontando con baseline storiche.

Mentre le sfide tecniche sembrano aumentare, le sfide organizzative, sebbene significative, stanno diventando più facili da risolvere. La prima grande sfida è sapere cosa fare con il volume e le informazioni più ricche aumentate. La maggior parte dei team guarda un’informazione generata dall’intelligenza artificiale e dice: “È interessante”. Le migliori organizzazioni costruiscono flussi di lavoro che dicono: “Questa informazione va a questa persona/sistema, che fa questa cosa, all’interno di questa finestra di tempo”. Fortunatamente, costruire quei flussi di lavoro non è mai stato più facile. Con un po’ di pianificazione e fatto nel modo giusto, l’accelerazione della curiosità generale dei team che lavorano per comprendere il feedback dei clienti diventa veramente emozionante mentre si evolve.

Un’altra grande sfida organizzativa è la fiducia. Nello studio recente di Alchemer, solo il 29% degli acquirenti di software CX ha dichiarato di essere attualmente a suo agio nell’agire in base agli output generati dall’intelligenza artificiale senza revisione. Riflette un’esperienza reale con un’intelligenza artificiale che è stata incoerente o inspiegabile. Costruire la fiducia richiede sistemi di intelligenza artificiale che siano trasparenti su come raggiungono le conclusioni, con tracce di audit e controlli configurabili che consentono ai team di decidere cosa l’intelligenza artificiale può e non può fare. In Alchemer, trattiamo l’intelligenza artificiale affidabile come un prodotto, non come una funzionalità.

Ha suggerito che la coerenza possa essere più importante dell’accuratezza nella ricerca di mercato guidata dall’intelligenza artificiale. Può spiegare perché la coerenza è così critica e perché è spesso trascurata?

L’accuratezza dice quanto bene l’intelligenza artificiale ha capito una singola risposta. La coerenza dice se si può fidarsi del confronto nel tempo. Per la ricerca di mercato, il confronto è il punto. Non è significativo sapere cosa dicono i clienti oggi in isolamento. Ma è utile capire se le cose stanno migliorando o peggiorando rispetto al trimestre scorso, come una regione si confronta con un’altra o se i temi che si vedono ora erano presenti sei mesi fa. Nessuna di queste cose è possibile se la classificazione sottostante cambia tra le esecuzioni.

Ad esempio, se si assumevano due analisti diversi per codificare lo stesso feedback di testo aperto sei mesi fa, si avrebbe un problema di confrontabilità anche se entrambi fossero stati eccellenti. Non si saprebbe se uno spostamento nei temi riflette un reale cambiamento nel sentimento del cliente o solo una differenza in come due persone interpretavano gli stessi dati. Un’intelligenza artificiale con output incoerenti può causare la stessa sfida.

I modelli fine-tuned che applicano la stessa logica di classificazione ogni volta risolvono questo. Il modello non produce risposte diverse in giorni diversi. Rende le risposte del testo aperto affidabili allo stesso modo dei programmi NPS longitudinali. È ciò che consente a un analista di dire all’azienda qualcosa di significativo su dove stanno andando, non solo dove sono attualmente.

Man mano che l’intelligenza artificiale diventa più integrata nell’esperienza del cliente, come dovrebbero pensare le organizzazioni a essa come a un moltiplicatore della forza lavoro piuttosto che a un sostituto, specialmente per i team non tecnici?

La cornice del moltiplicatore della forza lavoro sposta la domanda da “cosa sostituirà l’intelligenza artificiale?” a “cosa può fare il mio team adesso che non poteva fare prima?” Quella è una cornice più produttiva e, a mio parere, è anche la più precisa. La versione concreta: un analista di informazioni sui clienti che trascorre tre giorni a settimana a codificare manualmente il feedback del testo aperto può ora trascorrere quel tempo interpretando modelli, presentando risultati e lavorando alle domande dietro le domande. L’intelligenza artificiale non ha sostituito l’analista. Ha dato alle capacità dell’analista più spazio per operare.

Questo conta ancora di più per i team non tecnici. Quando chiunque può fare domande sui propri dati in linguaggio chiaro senza dover essere uno scienziato dei dati o costruire un report da zero, le persone più vicine al cliente arrivano alle informazioni più velocemente. Ciò cambia il ritmo delle decisioni in tutta l’organizzazione, non solo l’efficienza di un singolo compito.

L’effetto moltiplicatore si verifica solo se i team sono pronti a utilizzare la capacità che l’intelligenza artificiale crea. È una questione di progettazione organizzativa tanto quanto una questione tecnologica. È il motivo per cui trascorriamo tanto tempo sull’adozione e sulle best practice con i nostri clienti quanto sulle capacità stesse.

Guardando avanti, come vede l’intelligenza artificiale che ridisegna l’esperienza del cliente nei prossimi anni e cosa dovrebbero fare le aziende oggi per prepararsi a quel cambiamento?

Il cambiamento che sto guardando più da vicino è il passaggio da reattivo a proattivo. La maggior parte dei programmi di feedback di oggi è reattivo. Ad esempio, qualcosa accade, arriva il feedback, i team lo analizzano e vengono prese le decisioni. Il ciclo si sta velocizzando, ma è ancora fondamentalmente rivolto al passato.

Quello che l’intelligenza artificiale rende possibile è stare davanti a quella curva. Identificare i segnali abbastanza presto da agire prima che si verifichi un problema. Sapere quali segmenti di clienti sono a rischio prima che si verifichi un abbandono. Capire perché la soddisfazione sta scendendo in una regione specifica prima che diventi un modello. È lì che la combinazione di intelligenza artificiale costruita appositamente e dati di feedback longitudinali diventa veramente potente.

Le aziende di oggi dovrebbero costruire l’infrastruttura organizzativa per assorbire ciò che l’intelligenza artificiale rende possibile. Consolidare i dati di feedback da recensioni, sondaggi, social media, in-app e altro. Definire chi possiede le analisi e cosa accade quando qualcosa di azionabile emerge. Costruire i flussi di lavoro che collegano l’informazione all’azione prima di averne bisogno. Le aziende che avanzeranno non sono necessariamente quelle con la tecnologia di intelligenza artificiale più sofisticata, ma quelle che agiscono sugli approfondimenti dell’intelligenza artificiale in modo coerente, veloce e su larga scala.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Alchemer.