Ryan Tamminga, Chief Customer Officer, Alchemer – Intervju-serie

Ryan Tamminga er en erfaren leder innen kundeopplevelse og bedriftstransformasjon med nesten to tiårs erfaring fra ledelse av kundesuksess, profesjonelle tjenester, konsulenter og produktstrategi. Siden han ble med i Alchemer i 2019, har han avansert gjennom en rekke lederstillinger, inkludert visepresident for kundesuksess og senior visepresident for produkt og tjenester, før han ble utnevnt til Chief Customer Officer i 2026. I sin nåværende rolle overvåker han kundeengasjement, suksess og tjenestelevering samtidig som han hjelper med å harmonisere kundebehov med produktinnovasjon og forretningsstrategi. Før Alchemer, hadde Tamminga ledende stillinger i ReedGroup, Deloitte og Accenture, der han ledet store transformasjonsinitiativer fokusert på bedriftsdrift, analyser, automatisering og bedriftsytelse.

Alchemer er en plattform for kundeopplevelse og tilbakekoplingshåndtering som hjelper organisasjoner med å fange, analysere og handle på innsikt fra kunder, ansatte og interessenter. Selskapets programvare kombinerer spørreskapsopprettelse, tilbakekoplingsinnsamling, arbeidsflytautomatisering og AI-drevne analyser for å hjelpe bedrifter med å gå utenfor å bare samle inn data og i stedet drive målbare handlinger fra den. Ved å betjene organisasjoner på tvers av en rekke bransjer, muliggjør Alchemer at team kan sentralisere tilbakekopling fra flere kanaler, avdekke trender og holdninger og bruke disse innsiktene til å forbedre kundeopplevelser, informere produktbeslutninger og styrke bedriftsytelse. Gjennom sin voksende samling av AI-drevne verktøy, har selskapet som mål å hjelpe organisasjoner med å omdanne tilbakekopling til en kontinuerlig kilde til operasjonell og strategisk informasjon.

Du har brukt mer enn et tiår i konsulenter ved selskaper som Accenture og Deloitte før du ledet kundesuksess, produkt og tjenester i Alchemer. Hvordan har denne blandingen av prosesstransformasjon og hånd-til-hånd kundeopplevelse formet din tilnærming til å deployere AI i bedriftsmiljøer?

Arbeid i konsulenter ga svært verdifull erfaring som informerer min nåværende rolle i Alchemer. For eksempel, oppdaget jeg at teknologi sjelden er det vanskeligste delen. Jeg tilbrakte år med å hjelpe Fortune 100-selskaper med å implementere bedriftssystemer, og prosjektene som struggled ikke ble ødelagt av dårlig programvare. De hadde endringshåndteringproblemer, uklar eierskap og ofte ble de deployet før de underliggende prosessene var klare til å absorbere dem.

Denne erfaringen former hvordan jeg tenker om AI-deployering i dag. Når jeg snakker med kunder som sliter med å få verdi fra AI, er problemet nesten aldri teknologien i seg selv. Det er at de ikke har definert hva de prøver å oppnå, hvem eier utgangen og hva endrer når AI overflater noe handlingbart. Teknologien er foran den organisatoriske beredskapen i de fleste tilfeller.

Den hånd-til-hånd kundearbeidet er den andre halvdelen av denne ligningen. Du lærer raskt hva verdi faktisk betyr for menneskene som gjør jobben hver dag og hvordan du oversetter det til hva det betyr for styremål. Disse er ofte svært forskjellige ting. Kombinasjonen av prosesstrigor fra konsulenter og kundesempati fra å arbeide sammen med team er det jeg prøver å bringe til strategien for hvordan vi bygger og deployer AI i Alchemer.

Du har pekt på en betydelig AI-modenhetsgap på tvers av organisasjoner. Hva er de største misforståelsene lederne har om sin beredskap, og hvor feiler implementeringer vanligvis først?

Den vanligste misforståelsen er at å kjøpe AI-verktøyet er det samme som å være klar til å bruke det. Lederne ser en demo, de ser utgangen og de antar ofte feilaktig at adopsjon følger automatisk. Det er viktig å sikre at teknologien, enten AI eller ikke, starter med det forretningsproblemet som må løses. Den vellykkede adopsjonen av teknologien er nesten alltid knyttet til hvor godt du kan kommunisere hvordan det vil løse det problemet for dine team og kunder.

Hvor implementeringer feiler først er nesten alltid ved overleveringspunktet. Hvis det ikke er definert en arbeidsflyt for hva som skjer neste (f.eks. hvem ser det, hvem handler på det, hvilket system det går inn i), så blir innsikten ikke håndtert. Organisasjoner må være strukturert på riktig måte for å handle på innsikt.

Å erkjenne dette gapet har formet hvordan vi bygger løsninger i Alchemer. Vi starter med å identifisere problemene vi prøver å løse med de teknologiske kapasitetene vi frigjør. AI-kapasiteter, arbeidsflyt og brukerkontroller er bare en del av det vi leverer. Å hjelpe team med å bygge den organisatoriske muskelen til å handle på tilbakekopling er like viktig, og det er der de virkelige resultater realiseres.

Mange selskaper investerer tungt i AI, men sliter med å demonstrere ROI. Hva metrikker eller rammer bør de bruke for å evaluere om AI i kundeopplevelse faktisk fungerer?

Start med hva som endret seg i atferd, ikke hva AI produserte. Det riktige spørsmålet er ikke “Produserte AI en sammenfatting?” Isteden spør spørsmål som “Hva er metrikken som er nøkkelindikator for suksess?”, “Handlet teamet annerledes på grunn av det?” og “Er de tilsvarende forretningsmetrikker skiftende i riktig retning?” AI kan tydelig identifisere hvor et problem eller en mulighet eksisterer og gi nye innsikt. Men hvis selskaper ikke handler på disse innsiktene, kan kundetilbakekopling bli ignorert eller ikke håndtert i tide.

Tid-til-innsikt er en god metrikk å starte med. Hvor lenge tok det å gå fra å samle inn tilbakekopling til å ha noe handlingbart foran en beslutningstaker? Tilbakekoplingsanalyse som tidligere tok seks måneder er betydelig redusert med AI. Vi har en kunde som reduserte den syklusen fra seks måneder til timer, og demonstrerte en virkelig, målbare skift mot å løse tid til innsikt og handling.

Tid-til-respons er en annen metrikk å fange tidlig. Kunder forventer en respons på sin tilbakekopling, spesielt når det er negativt. Mål hvor lenge det tar å respondere på en negativ undersøkelsessvar eller en nettanmeldelse. Det kan ta dager hvis du gjennomgår manuelt, tildeler handling via en supportbillett, og så responderer til kunden. En nettbasert optikermottak var i stand til å gå fra nesten en måned til minutter.

Responsrate er den siste metrikken å spore. H&R Block Canada håndterer nesten 1000 lokasjoner gjennom skattesesongen. Før AI var det nesten umulig å nå 100% anmeldelsessvardekning. Nå er det en baseline. Det er målbart, og de nedstrøms virkningene på søke synlighet og kundepersepsjon er sporbar.

Start med å identifisere problemet som koster deg eller frustrerer dine kunder (f.eks. langsom analyse, lav responsrate, manglende kundesignaler) og mål deltaet før og etter. Ikke prøv å måle alt. Mål en ting som betyr noe og bruk den momentum til å hjelpe bygge og levere forretningscasen.

Fra din perspektiv, hva skiller organisasjoner som suksessfullt operasjonaliserer AI fra de som blir stående i eksperimentering?

Organisasjonene som lykkes med AI behandler det som infrastruktur i stedet for som et prosjekt som har en startdato, en sluttdato og et team som prøver å rettferdiggjøre investeringen. Infrastruktur blir kjernen i hvordan arbeid blir gjort. For eksempel, tenk på forskjellen introduksjonen av CRM-programvare gjorde på slutten av 1990-tallet og begynnelsen av 2000-tallet. Prosjektet var implementeringen, men systemene ble grunnleggende operasjonell infrastruktur som var grunnlaget for hvordan markedsføringslag har operert siden. Den overgangen er hva operasjonalisering faktisk betyr, og de fleste organisasjonene har ikke kommet dit enda når det gjelder AI-adoptsjon.

Den andre differensieren er eierskap. Suksessfulle kundeopplevelse (CX) deployeringer har noen hvis jobb det er å sikre at utgangene håndteres. Det må være noen ansvarlig for hva som skjer fordi når ingen eier utgangen, innsiktene loop tilbake til en dashboard og stopper der. Dette har alltid vært sant for CX-programmer — det er forsterket av AI fordi utgangene kommer raskere, og forventningene fra kunder akselererer.

Det tredje jeg ser etter er om organisasjonen har hatt en mønster av konsistens av suksessmetrikker. Hva som måles, blir håndtert. Team som sporer trender over tid, benchmarking ytelse kvartal for kvartal eller sammenligner resultater på tvers av geografier, kan ikke ha AI-løsninger som produserer forskjellige svar på forskjellige dager. Organisasjonene som operasjonaliserer suksessfullt tenderer til å kreve pålitelighet i tillegg til kapasitet. De ønsker AI de kan bygge på.

Det er mye spenning rundt generelle LLM-er, men du fremmer purpose-bygget AI i tilbakekoplingsarbeidsflyter. Hvor feiler generelle modeller i bedriftsbruk?

Ikke alle problemer krever samme AI-løsning. Mange leverandører i tilbakekoplings- og CX-rommet har bygget sine AI-kapasiteter på toppen av kommersielt tilgjengelige generelle modeller som ChatGPT, Claude eller Gemini. De er designet til å gjøre alt for alle, og den generaliteten kan være problematisk for organisasjoner som krever høy pålitelighet og konsistens.

Med det i mente, har Alchemer tatt en annen tilnærming for å støtte utfordringene våre kunder prøver å løse. Alchemer bruker den riktige AI-løsningen for hver spesifik oppgave i stedet for å route alle problemer gjennom kommersielle LLM-er. Resultatet av denne purpose-bygde AI-strategien er mer nøyaktige utganger, konsistente resultater over tid og AI som er optimalisert for tilbakekoplingsdata i stedet for tilpasset fra et verktøy bygget for noe annet.

Vi har sett dette spille ut direkte med kunder. Washburn & McGoldrick evaluerte generelle AI-verktøy før de valgte Alchemer og fant at samme dataset produserte forskjellige kategoriseringer på forskjellige dager. Du kan ikke bygge et benchmarkingsprogram på det.

Hva betyr det faktisk å innbygge AI direkte i bedriftsarbeidsflyter, og hvorfor er denne tilnærmingen mer effektiv enn å behandle AI som et selvstendig verktøy?

Et selvstendig AI-verktøy er noe du åpner når du bestemmer deg for å analysere noe. En innbygd AI-kapasitet er allerede i arbeid før du har tenkt å spørre.

Her er forskjellen i praksis: Hvis en anmeldelse kommer inn om natten som treffer en risikoterskel på grunn av en sikkerhetsbekymring, utløser en innbygd system en varsel, routerer det til riktig person og initierer en responsarbeidsflyt automatisk. Ingen må huske å sjekke dashboarden. AI er allerede en del av prosessen.

I Alchemer tenker vi på dette på tvers av alle tilbakekoplingskanaler og hele tilbakekoplingslivssyklusen. AI i våre undersøkelseskapasiteter forbedrer hva som kommer inn og kan generere relevante oppfølgningsspørsmål i sanntid, så en undersøkelse blir en samtale. I anmeldelseshåndtering kan AI utkaste på-merke, personlige svar og sogar poste det. AI i våre analytikklag overflater hva som betyr noe på tvers av all tilbakekopling. Og vår arbeidsflytautomatisering kobler AI-utløste handlinger direkte inn i bedriftssystemene hvor team faktisk arbeider. Når disse delene er koblet, skifter gapet mellom innsikt og handling fra dager til minutter. Det er hva innbygd faktisk betyr, å koble handlinger fra kundetilbakekopling inn i systemene våre kunder bruker hver dag for å engasjere sine kunder.

Å omdanne ustrukturert kundetilbakekopling til sanntids, handlingbare innsikt lyder kraftig, men vanskelig. Hva er de største tekniske og organisatoriske utfordringene i å gjøre dette på en skala?

På den tekniske siden kan volumet og variasjonen av data faktisk være utfordrende. Kunder skriver på forskjellige språk, med forkortelser, skrivefeil og forkortelser som generelle modeller ofte misforstår. Modellene må også forstå språket til bedriften. Forskjellige industrier bruker forskjellig terminologi og bedrifter legger til sine egne nuanser på toppen av det.

For eksempel, personen som hilser på deg i en bedrift kan være en resepsjonist på et leges kontor, en vert på en restaurant og en barista på en kaffebar. Disse lignende rollene kan være navngitt forskjellig i forskjellige industrier. Mens en generell modell kan være ok for en initial gjennomgang, må de underliggende modellene være purpose-bygget for nuansen av tilbakekoplingsdata og hvordan kunder snakker om spesifikke industrier, produkter, merker og tjenester. Modellene må også være konsistente, fordi du nesten alltid sammenligner mot historiske baselinjer.

Mens de tekniske utfordringene ser ut til å øke, blir de organisatoriske utfordringene, selv om de er betydelige, lettere å løse. Den første store utfordringen er å vite hva man skal gjøre med økt volum og rikere innsikt. De fleste team ser på en AI-generert innsikt og sier “det er interessant”. De beste organisasjonene bygger arbeidsflyter som sier “Denne innsikten går til denne personen/systemet, som gjør denne tingene, innen denne tidsrammen”. Heldigvis har bygging av disse arbeidsflytene aldri vært enklere. Med litt planlegging og når det gjøres riktig, akselererer general curiositeten til teamene som arbeider for å forstå kundetilbakekopling virkelig spennende når det utvikler seg.

En annen stor organisatorisk utfordring er tillit. I Alchemers nylige studie sa bare 29% av CX-programvarekjøpere at de er komfortable med å handle på AI-genererte utganger uten gjennomgang. Det reflekterer virkelig erfaring med AI som har vært inkonsistent eller uforklarlig. Bygging tillit krever AI-systemer som er åpne om hvordan de når konklusjoner, med audit-spor og konfigurerbare kontroller som lar team bestemme hva AI kan og ikke kan gjøre. I Alchemer behandler vi tillit som et produkt, ikke en funksjon.

Du har foreslått at konsistens kan bety mer enn nøyaktighet i AI-drevet markedsforskning. Kan du forklare hvorfor konsistens er så kritisk og hvorfor den ofte blir oversett?

Nøyaktighet forteller deg hvor godt AI forstod en enkelt respons. Konsistens forteller deg om du kan stole på sammenligningen over tid. For markedsforskning er sammenligningen poenget. Det er ikke meningsfylt å vite hva kunder sier i dag i isolasjon. Men det er verdifullt å forstå om ting blir bedre eller verre sammenlignet med forrige kvartal, hvordan en region sammenlignes med en annen eller om temaene du ser nå var til stede for seks måneder siden. Ingen av dette er mulig hvis den underliggende klassifiseringen skifter mellom kjøringer.

For eksempel, hvis du ansatte to forskjellige analytikere for å kode samme åpne teksttilbakekopling seks måneder apart, ville du ha et sammenligningsproblem, selv om begge var utmerkede. Du ville ikke vite om en skift i temaer reflekterte en virkelig endring i kundesentiment eller bare en forskjell i hvordan to personer tolket samme data. AI med inkonsistente utganger kan forårsake samme utfordring.

Fine-tuned modeller som anvender samme klassifiseringslogikk hver gang løser dette. Modellen produserer ikke forskjellige svar på forskjellige dager. Det gjør åpne tekstsvarene pålitelige på samme måte som longitudinelle Net Promoter Score (NPS)-programmer er pålitelige. Det er hva som tillater en analytiker å fortelle bedriften noe meningsfylt om hvor de er på vei, ikke bare hvor de er nå.

Som AI blir mer innbygd i kundeopplevelse, hvordan bør organisasjoner tenke på det som en arbeidskraftmultiplikator i stedet for en erstatning, spesielt for ikke-tekniske team?

Arbeidskraftmultiplikator-rammen skifter spørsmålet fra “Hva vil AI erstatte?” til “Hva kan mitt team gjøre nå som de ikke kunne før?” Det er en mer produktiv ramme, og i min erfaring er det også den mer nøyaktige ramen. Det sporer historiske mønster av store teknologiske fremgang på de siste tjue årene. Den konkrete versjonen: En kundeinnsiktanalytiker som tilbringer tre dager i uken med å kode åpne teksttilbakekopling manuelt, kan nå tilbringe den tiden med å tolke mønster, presentere funn og arbeide på spørsmålene bak spørsmålene. AI erstattet ikke analytikeren. Det ga analytikernes ferdigheter mer rom til å operere.

Dette betyr enda mer for ikke-tekniske team. Når noen kan stille spørsmål om deres data på vanlig språk uten å måtte ha en dataanalytiker eller bygge en rapport fra scratch, får de menneskene som er nærmest kunden til innsiktene raskere. Det endrer tempoet på beslutninger på tvers av hele organisasjonen, ikke bare effektiviteten til en enkelt oppgave.

Multiplikatoreffekten materialiserer bare hvis team er klar til å bruke kapasiteten som AI skaper. Det er en organisatorisk designspørsmål like mye som et teknologispørsmål. Det er hvorfor vi tilbringer like mye tid på adopsjon og beste praksis med våre kunder som vi gjør på kapasitetene selv.

Ser fremover, hvordan ser du på at AI former kundeopplevelse de neste årene, og hva bør bedrifter gjøre i dag for å forberede seg på den skiftningen?

Skiftningen jeg følger med mest nøye er bevegelsen fra reaktiv til proaktiv. De fleste tilbakekoplingsprogrammer i dag er reaktive. For eksempel, noe skjer, tilbakekopling kommer inn, team analyserer det og beslutninger blir tatt. Syklusen blir raskere, men den er fortsatt grunnleggende bakovervendt.

Hva AI gjør mulig er å komme foran den kurven. Identifisere signaler tidlig nok til å handle før et problem viser seg i dine poeng. Vite hvilke kundesegmenter er i fare før de forlater. Forstå hvorfor tilfredshet synker i en bestemt region før det blir et mønster. Det er der kombinasjonen av purpose-bygget AI og longitudinelle tilbakekoplingsdata blir virkelig kraftig.

Bedrifter i dag bør bygge den organisatoriske infrastrukturen for å absorbere hva AI gjør mulig. Konsolidere din tilbakekoplingsdata fra anmeldelser, undersøkelser, sosiale medier, i-app og mer. Definere hvem eier analysene og hva som skjer når noe handlingbart overflater. Bygge arbeidsflytene som kobler innsikt til handling før du trenger dem. Selskapene som kommer til å gå foran, er ikke nødvendigvis de med den mest avanserte AI-teknologien, men de som handler på AI-innsikt konsistent, raskt og i skala.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Alchemer.