Ryan Tamminga, Chief Customer Officer, Alchemer – Wywiad

Ryan Tamminga jest ekspertem w dziedzinie doświadczeń klienta i transformacji przedsiębiorstw z prawie dwoma dekadami doświadczenia w kierowaniu zespołami odpowiedzialnymi za sukces klienta, profesjonalne usługi, konsulting i strategię produktu. Od momentu dołączenia do Alchemer w 2019 roku, awansował na stanowiska kierownicze, w tym wiceprezesa ds. sukcesu klienta i starszego wiceprezesa ds. produktu i usług, zanim został mianowany na stanowisko Chief Customer Officer w 2026 roku. W swojej obecnej roli nadzoruje zaangażowanie klienta, sukces i dostawę usług, jednocześnie pomagając w dopasowaniu potrzeb klienta do innowacji produktowych i strategii biznesowej. Przed dołączeniem do Alchemer, Tamminga zajmował stanowiska kierownicze w firmach ReedGroup, Deloitte i Accenture, gdzie kierował dużymi projektami transformacji skupionymi na operacjach biznesowych, analizach, automatyzacji i poprawie wyników przedsiębiorstwa.

Alchemer to platforma do zbierania i zarządzania informacjami zwrotnymi oraz doświadczeniami klienta, która pomaga organizacjom przechwytywać, analizować i działać na podstawie informacji od klientów, pracowników i interesariuszy. Oprogramowanie firmy łączy tworzenie ankiet, zbieranie informacji zwrotnych, automatyzację przepływów pracy i analitykę opartą na sztucznej inteligencji, aby pomóc firmom wyjść poza prostą kolekcję danych i napędzać działania miernicze. Obsługując organizacje z różnych branż, Alchemer umożliwia zespołom scentralizowanie informacji zwrotnych z wielu kanałów, odkrywanie trendów i nastrojów oraz wykorzystywanie tych informacji do poprawy doświadczeń klienta, informowania decyzji produktowych i wzmacniania wyników biznesowych. Dzięki rosnącemu zestawowi narzędzi napędzanych przez sztuczną inteligencję, firma ma na celu pomóc organizacjom przekształcić informacje zwrotne w ciągłe źródło operacyjnej i strategicznej inteligencji.

Spędziłeś ponad dekadę w firmach konsultingowych, takich jak Accenture i Deloitte, zanim objąłeś stanowisko kierownicze w Alchemer. Jak ta mieszanka transformacji procesów i doświadczeń klienta ukształtowała Twoje podejście do wdrożenia sztucznej inteligencji w środowiskach przedsiębiorstw?

Praca w firmie konsultingowej dała mi bardzo cenne doświadczenie, które informuje moją obecna rolę w Alchemer. Na przykład, odkryłem, że technologia rzadko jest najtrudniejszą częścią. Spędziłem lata, pomagając firmom z listy Fortune 100 wdrażać systemy przedsiębiorstw, a projekty, które miałem problemy, nie były spowodowane złym oprogramowaniem. Miały one problemy z zarządzaniem zmianą, niejasnym własnością i często były wdrażane przed tym, jak podstawowe procesy były gotowe, aby je wchłonąć.

To doświadczenie kształtuje, jak myślę o wdrożeniu sztucznej inteligencji dzisiaj. Kiedy rozmawiam z klientami, którzy mają problemy z uzyskaniem wartości z sztucznej inteligencji, problem prawie nigdy nie wynika z samej technologii. Nie zdefiniowali oni, czego próbują osiągnąć, kto jest odpowiedzialny za wynik, i co się zmienia, gdy sztuczna inteligencja ujawnia coś istotnego. Technologia jest bardziej zaawansowana niż gotowość organizacyjna w większości przypadków.

Praca z klientami jest drugą częścią tej równania. Szybko się uczysz, co naprawdę oznacza wartość dla ludzi wykonujących pracę każdego dnia i jak to przetłumaczyć na to, co oznacza to dla wskaźników zarządu. Te dwie rzeczy są często bardzo różne. Połączenie rygoru procesowego z konsultingu i empatii klienta z pracy z zespołami jest tym, co staram się wnosić do strategii budowy i wdrożenia sztucznej inteligencji w Alchemer.

Wskazałeś na znaczącą lukę w dojrzałości sztucznej inteligencji w organizacjach. Jakie są największe nieporozumienia, jakie mają przywódcy na temat ich gotowości, i gdzie wdrożenia sztucznej inteligencji zwykle kończą się niepowodzeniem?

Najczęstszym nieporozumieniem jest to, że kupienie narzędzia sztucznej inteligencji jest takie same, jak być gotowym do jej użycia. Przywódcy widzą demo, widzą wynik, i zakładają, często błędnie, że przyjęcie następuje automatycznie. Ważne jest, aby upewnić się, że technologia, niezależnie od tego, czy jest to sztuczna inteligencja, czy nie, zaczyna się od problemu biznesowego, który należy rozwiązać. Pomyślne przyjęcie technologii jest prawie zawsze związane z tym, jak dobrze można komunikować, jak to rozwiąże problem dla Twoich zespołów i klientów.

Miejsce, w którym wdrożenia sztucznej inteligencji zwykle kończą się niepowodzeniem, jest prawie zawsze punktem przekazania. Jeśli nie ma określonego przepływu pracy, co się dzieje dalej (np. kto to widzi, kto działa, do jakiego systemu to trafia), wówczas wgląd nie jest realizowany. Organizacje muszą być odpowiednio zorganizowane, aby działać na wglądy.

Uznawanie tej luki ukształtowało, jak budujemy rozwiązania w Alchemer. Zaczynamy od identyfikacji problemów, które chcemy rozwiązać za pomocą możliwości technologicznych, które wydajemy. Możliwości sztucznej inteligencji, przepływy pracy i kontrola użytkowników są tylko częścią tego, co dostarczamy. Pomoc zespołom w budowaniu organizacyjnych umiejętności do działania na podstawie informacji zwrotnych jest równie ważna, i to tam są realizowane prawdziwe wyniki.

Wiele firm inwestuje dużo w sztuczną inteligencję, ale ma problemy z wykazaniem zwrotu z inwestycji. Jakie metryki lub ramy powinny one stosować, aby ocenić, czy sztuczna inteligencja w doświadczeniu klienta naprawdę działa?

Zacznij od zmiany zachowania, a nie tego, co wyprodukowała sztuczna inteligencja. Prawidłowe pytanie nie brzmi: “Czy sztuczna inteligencja wygenerowała podsumowanie?” Zamiast tego zadawaj pytania takie jak: “Jaki wskaźnik jest kluczowym wskaźnikiem sukcesu?”, “Czy zespół działał inaczej dzięki temu?”, i “Czy wyrównane wskaźniki biznesowe zmieniają się w prawidłowym kierunku?” Sztuczna inteligencja może wyraźnie zidentyfikować, gdzie istnieje problem lub okazja, i dostarczyć nowe wglądy. Jednak jeśli firmy nie działają na podstawie tych wglądów, informacje zwrotne klienta mogą być zignorowane lub nie rozwiązane w odpowiednim czasie.

Czas do wglądu jest dobrą metryką, od której można zacząć. Jak długo zajęło to, aby przejść od zbierania informacji zwrotnych do posiadania czegoś działającego przed decydentem? Analiza informacji zwrotnych, która wcześniej zajmowała sześć miesięcy, jest znacznie zmniejszona dzięki sztucznej inteligencji. Mamy klienta, który zmniejszył ten cykl z sześciu miesięcy do godzin, co pokazuje realną, mierniczą zmianę w kierunku rozwiązania czasu do wglądu i działania.

Czas do odpowiedzi jest inną metryką, którą należy przechwytywać wcześnie. Klienci oczekują odpowiedzi na swoje informacje zwrotne, zwłaszcza gdy są one negatywne. Zmierz, jak długo zajmuje odpowiedź na negatywną odpowiedź na ankietę lub recenzję online. Mogło to potrwać dni, jeśli przeglądasz to ręcznie, przypisujesz działanie za pomocą biletu wsparcia, a następnie odpowiadasz klientowi. Sprzedawca okularów online był w stanie przejść od prawie miesiąca do kilku minut.

Wskaźnik odpowiedzi jest ostatnią metryką, którą należy śledzić. H&R Block (HRB ) Canada zarządza prawie 1000 lokalizacjami w sezonie podatkowym. Przed sztuczną inteligencją osiągnięcie 100% pokrycia recenzji było prawie niemożliwe. Teraz jest to podstawa. To jest miernicze, a efekty downstream na widoczność wyszukiwania i percepcję klienta są śledzone.

Rozpocznij od identyfikacji problemu, który kosztuje Cię lub frustruje Twoich klientów (np. powolną analizę, niskie wskaźniki odpowiedzi, pominięte sygnały klienta) i zmierz deltę przed i po. Nie próbuj mierzyć wszystkiego. Zmierz jedną rzecz, która ma znaczenie, i użyj tego impetu, aby pomóc zbudować i dostarczyć przypadek biznesowy.

Twoim zdaniem, co odróżnia organizacje, które z powodzeniem operacjonalizują sztuczną inteligencję, od tych, które pozostają w fazie eksperymentowania?

Organizacje, które odnoszą sukces ze sztuczną inteligencją, traktują ją jako infrastrukturę, a nie jako projekt, który ma datę rozpoczęcia, datę zakończenia i zespół próbujący uzasadnić inwestycję. Infrastruktura staje się podstawą, jak praca jest wykonywana. Na przykład, pomyśl o różnicy, jaką wprowadziło oprogramowanie CRM w latach 90. i na początku 2000. Projekt był wdrożeniem, ale systemy stały się podstawową infrastrukturą operacyjną, która była podstawą dla zespołów go-to-market od tego czasu. Ta transformacja jest tym, co oznacza operacjonalizację, i większość organizacji jeszcze nie dotarła tam, jeśli chodzi o przyjęcie sztucznej inteligencji.

Inny różnicujący czynnik to własność. Pomyślne wdrożenia doświadczeń klienta mają kogoś, kto jest odpowiedzialny za to, co się dzieje. Musi być ktoś, kto jest odpowiedzialny za wynik, bo gdy nikt nie jest odpowiedzialny za wynik, wglądy pętlą się z powrotem do pulpitu i tam się kończą. To zawsze było prawdą dla programów CX — jest to spotęgowane przez sztuczną inteligencję, ponieważ wyniki pochodzą szybciej, a oczekiwania klientów przyspieszają.

Trzecią rzeczą, na którą zwracam uwagę, jest to, czy organizacja miała wzorzec ciągłego sukcesu metryk. To, co jest mierzone, jest zarządzane. Zespoły śledzące trendy w czasie, benchmarking wyników kwartalnych lub porównujące wyniki w różnych geografiach nie mogą pozwolić sobie na rozwiązania sztucznej inteligencji, które produkują różne odpowiedzi w różne dni. Organizacje, które operacjonalizują pomyślnie, tendencję do żądania niezawodności wraz z możliwościami. Chcą sztucznej inteligencji, na której mogą budować.

Istnieje wiele entuzjazmu wokół ogólnych modeli LLM, a jednak opowiadasz się za sztuczną inteligencją opracowaną na potrzeby przepływów informacji zwrotnych. Gdzie modele ogólne nie spełniają wymagań przypadków użycia w przedsiębiorstwach?

Nie każdy problem wymaga tego samego rozwiązania sztucznej inteligencji. Wiele dostawców w obszarze informacji zwrotnych i CX zbudowało swoje możliwości sztucznej inteligencji na podstawie ogólnych modeli komercyjnych, takich jak ChatGPT, Claude lub Gemini. Są one zaprojektowane, aby robić wszystko dla wszystkich, a ta ogólność może być problematyczna dla organizacji, które wymagają wysokiego poziomu niezawodności i spójności.

Alchemer podjął inny podejście, aby wesprzeć wyzwania, z którymi borykają się nasi klienci. Alchemer używa odpowiedniego rozwiązania sztucznej inteligencji dla każdego konkretnego zadania, a nie kieruje każdy problem przez komercyjne LLM. Wynikiem tej strategii sztucznej inteligencji opracowanej na potrzeby jest bardziej dokładne dane wyjściowe, spójne wyniki w czasie i sztuczna inteligencja zoptymalizowana dla danych informacji zwrotnych, a nie dostosowana do narzędzia zbudowanego do czegoś innego.

Widzieliśmy to w praktyce u klientów. Washburn & McGoldrick oceniali ogólne narzędzia sztucznej inteligencji przed wyborem Alchemer i stwierdzili, że ten sam zestaw danych wygenerował różne kategoryzacje w różne dni. Nie możesz zbudować programu benchmarkingowego na tym.

Co oznacza wdrożenie sztucznej inteligencji bezpośrednio w przepływy pracy biznesowych, i dlaczego to podejście jest bardziej skuteczne niż traktowanie sztucznej inteligencji jako samodzielnego narzędzia?

Samodzielne narzędzie sztucznej inteligencji jest czymś, co otwierasz, gdy decydujesz się na analizę. Zawarte możliwości sztucznej inteligencji są już aktywne, zanim pomyślisz o zapytaniu.

Oto różnica w praktyce: Jeśli recenzja przychodzi w nocy i uderza w próg ryzyka z powodu problemu bezpieczeństwa, system wyzwala alert, kieruje go do odpowiedniej osoby i inicjuje odpowiedni przepływ pracy automatycznie. Nikt nie musi pamiętać, aby sprawdzić pulpit. Sztuczna inteligencja jest już częścią procesu.

W Alchemer myślimy o tym w odniesieniu do wszystkich kanałów informacji zwrotnych i pełnego cyklu życia informacji zwrotnych. Sztuczna inteligencja w naszych możliwościach ankiety poprawia to, co przychodzi, i może generować odpowiednie pytania follow-up w czasie rzeczywistym, tak aby ankieta stała się rozmową. W zarządzaniu recenzjami sztuczna inteligencja może wygenerować odpowiedzi na-brand i spersonalizowane, a nawet opublikować je. Sztuczna inteligencja w naszej warstwie analitycznej ujawnia to, co się liczy, we wszystkich informacjach zwrotnych. A nasza automatyzacja przepływów pracy łączy działania wyzwolane przez sztuczną inteligencję bezpośrednio z systemami biznesowymi, w których zespoły naprawdę pracują. Gdy te elementy są połączone, luka między wglądem a działaniem kurczy się z dni do minut. To jest to, co oznacza wdrożone, łącząc działania wynikające z informacji zwrotnych klienta z systemami, które nasi klienci używają każdego dnia, aby zaangażować swoich klientów.

Przekształcanie niestrukturyzowanych informacji zwrotnych klienta w inteligencję w czasie rzeczywistym brzmi potężnie, ale trudno. Jakie są największe wyzwania techniczne i organizacyjne w tym?

Po stronie technicznej objętość i zmienność danych mogą być naprawdę wyzwaniem. Klienci piszą w różnych językach, ze skrótami, błędami pisarskimi i skrótami, które ogólne modele często mylą. Modele muszą również zrozumieć język biznesu. Różne branże używają różnej terminologii, a firmy stosują swoje własne niuanse na temat tego.

Na przykład osoba, która wita Cię w firmie, może być recepcjonistką w gabinecie lekarskim, gospodarzem w restauracji i baristą w kawiarni. Te podobne role mogą być nazwane inaczej w różnych branżach. Podczas gdy ogólny model może być w porządku dla początkowej recenzji, podstawowe modele muszą być opracowane specjalnie dla nuansów danych informacji zwrotnych i tego, jak klienci mówią o konkretnych branżach, produktach, markach i usługach. Modele muszą również być spójne, ponieważ prawie zawsze porównujesz je z historycznymi bazami.

Pomimo że wyzwania techniczne wydają się rosnąć, wyzwania organizacyjne, chociaż znaczące, stają się łatwiejsze do rozwiązania. Pierwszym dużym wyzwaniem jest wiedza, co zrobić z zwiększoną objętością i bogatszymi wglądami. Większość zespołów patrzy na wgląd wygenerowany przez sztuczną inteligencję i mówi: “to jest interesujące”. Najlepsze organizacje budują przepływy pracy, które mówią: “Ten wgląd idzie do tej osoby/systemu, który robi tę rzecz, w tym oknie czasowym”. Na szczęście budowanie tych przepływów pracy nigdy nie było łatwiejsze. Z pewnym planowaniem i gdy wszystko jest wykonane prawidłowo, przyspieszenie ogólnej ciekawości zespołów pracujących nad zrozumieniem informacji zwrotnych klienta staje się naprawdę ekscytujące, gdy ewoluuje.

Innym dużym wyzwaniem organizacyjnym jest zaufanie. W niedawnym badaniu Alchemer tylko 29% kupujących oprogramowanie CX powiedziało, że są obecnie komfortowo działający na podstawie danych wyjściowych sztucznej inteligencji bez przeglądu. To odzwierciedla prawdziwe doświadczenie ze sztuczną inteligencją, która była niekonsekwentna lub niezrozumiała. Budowanie zaufania wymaga systemów sztucznej inteligencji, które są przejrzyste w tym, jak dochodzą do wniosków, z śladami audytowymi i konfigurowalnymi kontrolami, które pozwalają zespołom decydować, co sztuczna inteligencja może i nie może robić. W Alchemer traktujemy zaufaną sztuczną inteligencję jako produkt, a nie funkcję.

Uwzględniasz, że spójność może być ważniejsza niż dokładność w badaniach rynkowych napędzanych przez sztuczną inteligencję. Możesz wyjaśnić, dlaczego spójność jest tak krytyczna i dlaczego często jest pomijana?

Dokładność mówi Ci, jak dobrze sztuczna inteligencja zrozumiała pojedynczą odpowiedź. Spójność mówi Ci, czy możesz ufać porównaniu w czasie. Do badań rynkowych porównanie jest punktem. Nie ma znaczenia, co klienci mówią dzisiaj w izolacji. Ale jest to wartościowe, aby zrozumieć, czy rzeczy stają się lepsze lub gorsze w porównaniu z poprzednim kwartałem, jak jeden region porównuje się do innego, czy tematy, które widzisz teraz, były obecne sześć miesięcy temu. Żadne z tego nie jest możliwe, jeśli podstawowa klasyfikacja zmienia się między uruchomieniami.

Na przykład, jeśli zatrudniłeś dwóch różnych analityków do kodowania tego samego otwartego tekstu informacji zwrotnych sześć miesięcy temu, będziesz miał problem z porównywalnością, nawet jeśli obaj byli doskonałymi. Nie będziesz wiedział, czy zmiana tematów odzwierciedla prawdziwą zmianę w nastroju klienta, czy różnicę w tym, jak dwie osoby interpretują te same dane. Sztuczna inteligencja z niekonsekwentnymi wynikami może spowodować ten sam problem.

Modele dostrojone, które stosują tę samą logikę klasyfikacji za każdym razem, rozwiązują ten problem. Model nie produkuje różnych odpowiedzi w różne dni. To sprawia, że odpowiedzi na otwarte pytania są niezawodne w ten sam sposób, w jaki programy NPS są niezawodne. To pozwala analitykowi powiedzieć firmie coś znaczącego na temat, dokąd idą, a nie tylko tam, gdzie są teraz.

Jak sztuczna inteligencja staje się coraz bardziej wbudowana w doświadczenie klienta, jak powinny organizacje myśleć o niej jako o mnożniku siły roboczej, a nie jako o zastępstwie, zwłaszcza dla zespołów nietechnicznych?

Ramy mnożnika siły roboczej zmieniają pytanie z “co sztuczna inteligencja zastąpi?” na “co mój zespół może teraz zrobić, czego nie mógł wcześniej?” To jest bardziej produktywny ram, i moim doświadczeniu, jest to również bardziej precyzyjny. To śledzi historyczne wzorce dużych postępów w przyjęciu technologii w ciągu ostatnich dwudziestu lat. Konkretny przykład: analityk informacji zwrotnych, który spędza trzy dni w tygodniu na ręcznym kodowaniu informacji zwrotnych, może teraz spędzić ten czas na interpretowaniu wzorców, prezentowaniu wyników i pracy nad pytaniami za pytaniami. Sztuczna inteligencja nie zastąpiła analityka. Dała umiejętnościom analityka więcej miejsca do działania.

To ma znaczenie jeszcze bardziej dla zespołów nietechnicznych. Gdy ktokolwiek może zadać pytania o swoje dane w zwykłym języku, bez potrzeby nauki się danych lub budowania raportu od podstaw, ludzie najbliżej klienta dostają się do wglądów szybciej. To zmienia tempo decyzji w całej organizacji, a nie tylko wydajność jednej zadania.

Efekt mnożnika pojawia się tylko wtedy, gdy zespoły są przygotowane do wykorzystania pojemności, którą tworzy sztuczna inteligencja. To jest pytanie projektowe organizacyjne, tak samo jak pytanie technologiczne. Dlatego spędzamy tyle czasu na przyjęciu i najlepszych praktykach z naszymi klientami, ile na samych możliwościach.

Spójrzając w przyszłość, jak widzisz, że sztuczna inteligencja zmieni doświadczenie klienta w ciągu najbliższych kilku lat, i co powinny robić firmy dzisiaj, aby przygotować się do tej zmiany?

Zmiana, której najbardziej się przyglądam, to przejście od reaktywnego do proaktywnego. Większość programów informacji zwrotnych dzisiaj jest reaktywna. Na przykład, coś się dzieje, informacje zwrotne przychodzą, zespoły je analizują, a decyzje są podejmowane. Cykl staje się szybszy, ale nadal jest podstawowo nastawiony na to, co się wydarzyło.

Co sztuczna inteligencja umożliwia, to wyprzedzenie tej krzywej. Identyczne sygnały wystarczająco wcześnie, aby działać, zanim problem się pojawi w Twoich wynikach. Wiedza, które segmenty klientów są narażone na ryzyko, zanim zdecydują się na odejście. Zrozumienie, dlaczego satysfakcja maleje w określonym regionie, zanim stanie się wzorcem. To jest tam, gdzie połączenie sztucznej inteligencji opracowanej na potrzeby i długoterminowych danych informacji zwrotnych staje się naprawdę potężne.

Firmy dzisiaj powinny zbudować infrastrukturę organizacyjną, aby pochłonąć to, co sztuczna inteligencja umożliwia. Skonsoliduj swoje dane informacji zwrotnych z recenzji, ankiet, mediów społecznościowych, w aplikacji i więcej. Zdefiniuj, kto jest odpowiedzialny za analizy i co się dzieje, gdy coś istotnego się pojawia. Zbuduj przepływy pracy, które łączą wgląd z działaniem przed tym, jak będziesz ich potrzebować. Firmy, które wyprzedzą innych, niekoniecznie są tymi, które mają najbardziej zaawansowaną technologię sztucznej inteligencji, ale są tymi, które działają na podstawie wglądów sztucznej inteligencji w sposób ciągły, szybki i na dużą skalę.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Alchemer.