Ryan Tamminga, Chief Customer Officer, Alchemer – Interviewreeks

Ryan Tamminga is een customer experience- en enterprise-transformatie-executive met bijna twee decennia aan leiderschapservaring in customer success, professionele diensten, consulting en productstrategie. Sinds hij in 2019 bij Alchemer kwam, heeft hij verschillende leiderschapsrollen doorlopen, waaronder Vice President of Customer Success en Senior Vice President of Product & Services, voordat hij in 2026 werd benoemd tot Chief Customer Officer. In zijn huidige rol houdt hij toezicht op customer engagement, success en service delivery, en helpt hij bij het afstemmen van customerbehoeften op productinnovatie en bedrijfsstrategie. Voordat hij bij Alchemer kwam, had Tamminga senior leiderschapsposities bij ReedGroup, Deloitte en Accenture, waar hij grote transformatie-initiatieven leidde gericht op bedrijfsoperaties, analytics, automatisering en verbetering van de enterprise-prestaties.

Alchemer is een customer feedback- en experience management-platform dat organisaties helpt om inzichten van klanten, medewerkers en stakeholders te verzamelen, analyseren en acteren. Het software van het bedrijf combineert survey-creatie, feedback-verzameling, workflow-automatisering en AI-gepowered analytics om bedrijven te helpen om verder te gaan dan het verzamelen van gegevens en in plaats daarvan meetbare actie te ondernemen. Door organisaties in een breed scala aan industrieën te bedienen, stelt Alchemer teams in staat om feedback van meerdere kanalen te centraliseren, trends en sentimenten te ontdekken en die inzichten te gebruiken om customer experiences te verbeteren, productbeslissingen te informeren en bedrijfsprestaties te versterken. Met zijn groeiende suite van AI-gedreven tools beoogt het bedrijf organisaties te helpen om feedback om te zetten in een continue bron van operationele en strategische intelligentie.

U heeft meer dan een decennium in consulting gewerkt bij bedrijven als Accenture en Deloitte voordat u customer success, product en services leidde bij Alchemer. Hoe heeft die combinatie van proces-transformatie en hands-on customer experience uw aanpak beïnvloed voor het inzetten van AI in enterprise-omgevingen?

Werken in consulting heeft mij zeer waardevolle ervaring opgeleverd die mijn huidige rol bij Alchemer informeert. Ik ontdekte bijvoorbeeld dat technologie zelden het moeilijkste onderdeel is. Ik heb jaren geholpen om Fortune 100-bedrijven enterprise-systemen te implementeren, en de projecten die worstelden, werden niet door slechte software ondermijnd. Ze hadden change management-problemen, onduidelijke eigenaarschap en werden vaak geïmplementeerd voordat de onderliggende processen klaar waren om ze te absorberen.

Die ervaring vormt hoe ik tegenwoordig over AI-implementatie denk. Wanneer ik met klanten praat die worstelen om waarde te krijgen uit AI, is het probleem bijna nooit de technologie zelf. Het is dat ze niet hebben gedefinieerd wat ze proberen te bereiken, wie de output bezit en wat verandert wanneer de AI iets actiebaars naar voren brengt. De technologie is in de meeste gevallen vooruit op de organisatorische gereedheid.

De hands-on customer-werk is de andere helft van die vergelijking. U leert snel wat waarde werkelijk betekent voor de mensen die de job elke dag doen en hoe u dat vertaalt naar wat het betekent voor board-metrics. Die dingen zijn vaak heel verschillend. De combinatie van proces-rigore van consulting en customer-empathie van het werken naast teams is wat ik probeer te brengen in de strategie van hoe we AI bouwen en implementeren bij Alchemer.

U heeft gewezen op een significante AI-maturiteitskloof tussen organisaties. Wat zijn de grootste misvattingen die leiders hebben over hun gereedheid, en waar falen implementaties meestal eerst?

De meest voorkomende misvatting is dat het kopen van de AI-tool hetzelfde is als gereed zijn om het te gebruiken. Leiders zien een demo, ze zien de output, en ze gaan er vaak ten onrechte van uit dat adoptie automatisch volgt. Het is belangrijk om ervoor te zorgen dat de technologie, of het nu AI is of niet, begint met het bedrijfsprobleem dat moet worden opgelost. De succesvolle adoptie van de technologie is bijna altijd gekoppeld aan hoe goed u de waarde ervan kunt communiceren naar uw teams en klanten.

Waar implementaties meestal eerst falen, is bijna altijd bij het overdrachtspunt. Als er geen gedefinieerde workflow is voor wat er daarna gebeurt (bijv. wie het ziet, wie erop handelt, in welk systeem het terechtkomt), dan wordt de inzicht niet geacteerd. Organisaties moeten goed zijn ingericht om op inzichten te handelen.

Het erkennen van deze kloof heeft ons ingericht bij het opbouwen van oplossingen bij Alchemer. We beginnen met het identificeren van de problemen die we proberen op te lossen met de technologiecapaciteiten die we vrijgeven. AI-capaciteiten, workflows en gebruikerscontroles zijn slechts een deel van wat we leveren. Het helpen van teams bij het opbouwen van de organisatorische spiermassa om op feedback te handelen, is net zo belangrijk, en het is waar echte resultaten worden behaald.

Veel bedrijven investeren zwaar in AI, maar worstelen om ROI te demonstreren. Wat zijn de metrics of frameworks die ze zouden moeten gebruiken om te evalueren of AI in customer experience werkelijk werkt?

Begin met wat veranderd is in gedrag, niet met wat de AI produceert. De juiste vraag is niet: “Heeft AI een samenvatting gegenereerd?” Maar vragen zoals: “Wat is de sleutelindicator van succes?”, “Heeft het team anders gehandeld vanwege het?”, en “Zijn de aansluitende bedrijfsmetrics in de juiste richting aan het veranderen?” AI kan duidelijk aangeven waar een probleem of kansen bestaat en nieuwe inzichten bieden. Echter, als bedrijven niet op die inzichten handelen, kan customer feedback genegeerd of niet tijdig worden aangepakt.

Time-to-insight is een goede metric om mee te beginnen. Hoe lang duurde het om van het verzamelen van feedback naar het hebben van iets actiebaars voor een beslissingsmaker te komen? Feedbackanalyse die eerder zes maanden duurde, is aanzienlijk verminderd met AI. We hebben een klant die die cyclus van zes maanden tot uren heeft teruggebracht, wat een echte, meetbare verschuiving naar het oplossen van time-to-insight en actie aantoont.

Time-to-response is een andere metric om vroeg te meten. Klanten verwachten een reactie op hun feedback, vooral als het negatief is. Meet hoe lang het duurt om te reageren op een negatieve enquêterespons of online review. Het kan dagen duren als u het handmatig bekijkt, een actie toewijst via een ondersteuningskaart, en vervolgens reageert op de klant. Een online brillenwinkel kon van bijna een maand naar minuten gaan.

Response rate is de laatste metric om te volgen. H&R Block (HRB ) Canada beheert bijna 1.000 locaties tijdens het belastingseizoen. Voordat AI werd gebruikt, was het bijna onmogelijk om 100% review-response-coverage te bereiken. Nu is het een basislijn. Dat is meetbaar, en de neveneffecten op zoekzichtbaarheid en customerperceptie zijn traceerbaar.

Begin door het probleem te identificeren dat u kost of uw klanten frustreert (bijv. langzame analyse, lage responsrates, gemiste customer signalen) en meet de delta voor en na. Probeer niet alles te meten. Meet één ding dat ertoe doet en gebruik die momentum om te helpen bij het opbouwen en leveren van het business-geval.

Vanuit uw perspectief, wat onderscheidt organisaties die AI succesvol operationaliseren van die die vastzitten in experimenten?

De organisaties die succesvol zijn met AI behandelen het als infrastructuur in plaats van als een project dat een startdatum, een einddatum en een team heeft dat probeert de investering te rechtvaardigen. Infrastructuur wordt core van hoe werk wordt gedaan. Denk bijvoorbeeld aan het verschil dat de introductie van CRM-software in de late jaren 90 en vroege jaren 2000 maakte. Het project was de implementatie, maar de systemen werden core-operatie-infrastructuur die de basis vormden voor hoe go-to-market-teams sindsdien opereren. Die overgang is wat operationaliseren werkelijk betekent, en de meeste organisaties zijn daar nog niet.

De andere differentiator is eigenaarschap. Succesvolle customer experience (CX)-implementaties hebben iemand wiens job het is om ervoor te zorgen dat outputs worden geacteerd. Er moet iemand verantwoordelijk zijn voor wat er gebeurt, want als niemand de uitkomst bezit, lussen inzichten terug naar een dashboard en stoppen daar. Dit is altijd waar voor CX-programma’s — het wordt versterkt door AI omdat de outputs sneller komen en de verwachtingen van klanten versnellen.

De derde factor die ik in de gaten houd, is of de organisatie een patroon van consistentie van succesmetrics heeft. Wat gemeten wordt, wordt beheerd. Teams die trends over tijd volgen, prestaties per kwartaal benchmarken of resultaten over geografische gebieden vergelijken, kunnen AI-oplossingen die verschillende antwoorden op verschillende dagen produceren niet veroorloven. De organisaties die AI succesvol operationaliseren, eisen betrouwbaarheid naast capaciteit. Ze willen AI waarop ze kunnen bouwen.

Er is veel opwinding rondom general-purpose LLM’s, maar u pleit voor purpose-built AI in feedback-workflows. Waar falen general models in enterprise-use cases?

Niet elk probleem vereist hetzelfde AI-oplossing. Veel leveranciers in de feedback- en CX-ruimte hebben hun AI-capaciteiten gebouwd op top van commercieel beschikbare general-purpose-modellen zoals ChatGPT, Claude of Gemini. Ze zijn ontworpen om alles voor iedereen te doen, en die generaliteit kan problematisch zijn voor organisaties die een hoog niveau van betrouwbaarheid en consistentie eisen.

Alchemer heeft een andere aanpak gekozen om de uitdagingen van onze klanten te ondersteunen. We gebruiken de juiste AI-oplossing voor elke specifieke taak in plaats van elk probleem door commerciële LLM’s te routeren. Het resultaat van deze purpose-built AI-strategie is nauwkeurigere outputs, consistente resultaten over tijd en AI die is geoptimaliseerd voor feedback-gegevens in plaats van aangepast van een tool gebouwd voor iets anders.

We hebben dit rechtstreeks bij klanten gezien. Washburn & McGoldrick heeft general-purpose AI-tools geëvalueerd voordat ze Alchemer kozen en ontdekte dat dezelfde dataset verschillende categorisaties op verschillende dagen produceerde. U kunt geen benchmarkprogramma opbouwen op basis daarvan.

Wat betekent het eigenlijk om AI rechtstreeks in bedrijfsworkflows in te bedden, en waarom is die aanpak effectiever dan AI als een zelfstandig tool te behandelen?

Een zelfstandig AI-tool is iets dat u opent wanneer u besluit om iets te analyseren. Een ingebedde AI-capaciteit werkt al voordat u heeft besloten om iets te vragen.

Hier is het verschil in de praktijk: Als een review ‘s nachts binnenkomt die een risicogrens bereikt vanwege een veiligheidsprobleem, activeert een ingebed systeem een waarschuwing, routeert het naar de juiste persoon en initieert het een responsworkflow automatisch. Niemand hoeft zich te herinneren om het dashboard te controleren. De AI maakt al deel uit van het proces.

Bij Alchemer denken we hierover na voor alle feedbackkanalen en de volledige feedback-levenscyclus. AI in onze survey-capaciteiten verbetert wat binnenkomt en kan relevante follow-up-vragen in real-time genereren, zodat een enquête een gesprek wordt. In review management kan AI on-brand, gepersonaliseerde antwoorden opstellen en zelfs plaatsen. AI in onze analytics-laag brengt naar voren wat ertoe doet in alle feedback. En onze workflow-automatisering verbindt AI-geactiveerde acties rechtstreeks met de bedrijfssystemen waar teams daadwerkelijk mee werken. Wanneer die onderdelen zijn verbonden, neemt de kloof tussen inzicht en actie af van dagen tot minuten. Dat is wat ingebed werkelijk betekent, het aansluiten van acties die voortkomen uit customer feedback op de systemen die onze klantenteams elke dag gebruiken om hun klanten te betrekken.

Het omzetten van ongestructureerde customer feedback in real-time, actiebaare intelligentie klinkt krachtig, maar moeilijk. Wat zijn de grootste technische en organisatorische uitdagingen om dit op schaal te laten werken?

Aan de technische kant kan het volume en de variabiliteit van de gegevens echt uitdagend zijn. Klanten schrijven in verschillende talen, met afkortingen, spelfouten en afkortingen die general models vaak verkeerd lezen. Modellen moeten ook de taal van het bedrijf begrijpen. Verschillende industrieën gebruiken verschillende terminologie en bedrijven passen hun eigen nuances toe op die terminologie.

Als voorbeeld: de persoon die u begroet bij een bedrijf kan een receptionist zijn bij een arts, de host bij een restaurant en een barista bij een koffiezaak. Die soortgelijke rollen kunnen in verschillende industrieën anders worden genoemd. Terwijl een general model misschien oké is voor een initiële review, moeten de onderliggende modellen specifiek zijn gebouwd voor de nuances van feedback-gegevens en hoe klanten praten over specifieke industrieën, producten, merken en diensten. De modellen moeten ook consistent zijn, omdat u meestal historische baselines vergelijkt.

Terwijl de technische uitdagingen lijken toe te nemen, worden de organisatorische uitdagingen, hoewel significant, gemakkelijker op te lossen. De eerste grote uitdaging is weten wat u moet doen met de toegenomen volume en rijkere inzichten. De meeste teams kijken naar een AI-gegenereerd inzicht en zeggen: “Dat is interessant.” De beste organisaties bouwen workflows die zeggen: “Dit inzicht gaat naar deze persoon/systeem, die dit ding doet, binnen deze tijdwindow.” Gelukkig is het opbouwen van die workflows nooit gemakkelijker geweest. Met enige planning, en wanneer het goed wordt gedaan, wordt de versnelling van de algemene nieuwsgierigheid van de teams die werken aan het begrijpen van customer feedback echt spannend naarmate het evolueert.

Een andere grote organisatorische uitdaging is vertrouwen. In een recente studie van Alchemer zei slechts 29% van de CX-software-kopers dat ze momenteel comfortabel zijn met het acteren op AI-gegenereerde outputs zonder review. Dit weerspiegelt echte ervaringen met AI die inconsistent of onverklaarbaar waren. Het opbouwen van vertrouwen vereist AI-systemen die transparant zijn over hoe ze conclusies bereiken, met audit-trails en configureerbare controles die teams toelaten te beslissen wat de AI kan en niet kan doen. Bij Alchemer behandelen we vertrouwd AI als een product, niet als een functie.

U heeft gesuggereerd dat consistentie meer kan tellen dan nauwkeurigheid in AI-gedreven marktonderzoek. Kunt u uitleggen waarom consistentie zo kritiek is en waarom het vaak over het hoofd wordt gezien?

Nauwkeurigheid vertelt u hoe goed de AI een enkele respons begreep. Consistentie vertelt u of u de vergelijking over tijd kunt vertrouwen. Voor marktonderzoek is de vergelijking het punt. Het is niet zinvol om te weten wat klanten vandaag zeggen in isolatie. Maar het is waardevol om te begrijpen of dingen beter of slechter worden in vergelijking met het vorige kwartaal, hoe een regio zich verhoudt tot een andere, of of de thema’s die u nu ziet er zes maanden geleden al waren. Niets van dat is mogelijk als de onderliggende classificatie tussen runs verschuift.

Als voorbeeld: als u twee verschillende analisten had om dezelfde open-text feedback zes maanden apart te coderen, zou u een vergelijkbaarheidsprobleem hebben, zelfs als beide uitstekend waren. U zou niet weten of een verschuiving in thema’s een echte verandering in customer-sentiment weerspiegelde of slechts een verschil in hoe twee mensen dezelfde gegevens interpreteerden. AI met inconsistente outputs kan dezelfde uitdaging veroorzaken.

Fijn afgestemde modellen die dezelfde classificatie-logica elke keer toepassen, lossen dit op. Het model produceert geen verschillende antwoorden op verschillende dagen. Het maakt open text-antwoorden even betrouwbaar als longitudinale Net Promoter Score (NPS)-programma’s. Het is wat een analist in staat stelt om de business iets betekenisvols te vertellen over waar ze naartoe gaan, niet alleen waar ze nu zijn.

Als AI meer ingebed raakt in customer experience, hoe moeten organisaties hierover nadenken als een workforce-multiplier in plaats van een vervanger, vooral voor niet-technische teams?

De workforce-multiplier-kader verschuift de vraag van “wat zal AI vervangen?” naar “wat kan mijn team nu doen dat het eerder niet kon?” Dat is een productievere kader, en in mijn ervaring is het ook het meest accurate. Het volgt historische patronen van grote technologische vooruitgang in de afgelopen twintig jaar. De concrete versie: een customer insights-analist die drie dagen per week besteedt aan het handmatig coderen van open-text feedback, kan nu die tijd besteden aan het interpreteren van patronen, het presenteren van bevindingen en het werken aan de vragen achter de vragen. De AI heeft de analist niet vervangen. Het heeft de vaardigheden van de analist meer ruimte gegeven om te opereren.

Dit is nog belangrijker voor niet-technische teams. Wanneer iedereen vragen kan stellen over hun gegevens in gewone taal zonder een datawetenschapper of een rapport van scratch te hoeven bouwen, krijgen de mensen die het dichtst bij de klant staan, sneller toegang tot inzichten. Dat verandert het tempo van beslissingen in de hele organisatie, niet alleen de efficiëntie van een enkele taak.

De multiplier-effect materialiseert alleen als teams zijn voorbereid om de capaciteit te gebruiken die AI creëert. Dat is een organisatorische ontwerp-vraag evenzeer als een technologie-vraag. Het is waarom we evenveel tijd besteden aan adoptie en best practices met onze klanten als we doen aan de capaciteiten zelf.

Kijkend naar de toekomst, hoe ziet u AI de customer experience veranderen in de komende jaren, en wat moeten bedrijven vandaag doen om zich voor te bereiden op die verschuiving?

De verschuiving die ik het meest in de gaten houd, is de beweging van reactief naar proactief. De meeste feedback-programma’s zijn vandaag reactief. Iets gebeurt, feedback komt binnen, teams analyseren het en beslissingen worden genomen. De cyclus wordt sneller, maar het is nog steeds fundamenteel achterblijvend.

Wat AI mogelijk maakt, is vooruit te kijken op die curve. Het identificeren van signalen vroeg genoeg om te handelen voordat een probleem in uw scores verschijnt. Het weten welke customer-segmenten risico lopen voordat ze churnen. Het begrijpen waarom tevredenheid daalt in een specifieke regio voordat het een patroon wordt. Dat is waar de combinatie van purpose-built AI en longitudinale feedback-gegevens echt krachtig wordt.

Bedrijven moeten vandaag de organisatorische infrastructuur opbouwen om te absorberen wat AI mogelijk maakt. Consolidateer uw feedback-gegevens van reviews, enquêtes, social media, in-app en meer. Definieer wie de analyses bezit en wat er gebeurt wanneer iets actiebaars naar voren komt. Bouw de workflows die inzicht verbinden met actie voordat u ze nodig heeft. De bedrijven die voorop zullen lopen, zijn niet noodzakelijk degene met de meest geavanceerde AI-technologie, maar degene die consistent, snel en op grote schaal op AI-inzichten handelen.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Alchemer bezoeken op Alchemer.