Ryan Tamminga, Chief Customer Officer, Alchemer – Interviu în serie

Ryan Tamminga este un expert în experiența clienților și transformarea întreprinderilor, cu aproape două decenii de experiență în conducere, cuprinzând succesul clienților, servicii profesionale, consultanță și strategie de produs. De la alăturarea sa la Alchemer în 2019, el a avansat printr-o serie de roluri de conducere, inclusiv Vicepreședinte al Succesului Clienților și Senior Vicepreședinte al Produselor și Serviciilor, înainte de a fi numit Șef al Departamentului Clienților în 2026. În rolul său actual, el supraveghează implicarea clienților, succesul și livrarea serviciilor, ajutând la alinierea nevoilor clienților cu inovația produsului și strategia de afaceri. Înainte de a se alătura Alchemer, Tamminga a deținut funcții de conducere senior la ReedGroup, Deloitte și Accenture, unde a condus inițiative de transformare la scară largă axate pe operațiuni comerciale, analize, automatizare și îmbunătățirea performanței întreprinderii.

Alchemer este o platformă de feedback și experiență a clienților care ajută organizațiile să capteze, să analizeze și să acționeze pe baza insight-urilor de la clienți, angajați și părți interesate. Software-ul companiei combină crearea de chestionare, colectarea de feedback, automatizarea fluxului de lucru și analizele bazate pe inteligență artificială pentru a ajuta afacerile să meargă dincolo de simpla colectare de date și să stimuleze acțiuni măsurabile din ele. Servind organizații dintr-o gamă largă de industrii, Alchemer permite echipelor să centralizeze feedback-ul din multiple canale, să descopere tendințe și sentimente și să utilizeze aceste insight-uri pentru a îmbunătăți experiența clienților, a informa deciziile de produs și a consolida performanța de afaceri. Prin seria sa în creștere de instrumente bazate pe inteligență artificială, compania își propune să ajute organizațiile să transforme feedback-ul într-o sursă continuă de inteligență operațională și strategică.

Ați petrecut mai mult de un deceniu în consultanță la firme precum Accenture și Deloitte, înainte de a conduce succesul clienților, produselor și serviciilor la Alchemer. Cum v-a influențat această combinație de transformare a proceselor și experiență directă a clienților abordarea dvs. în ceea ce privește implementarea inteligenței artificiale în mediile enterprise?

Experiența în consultanță a oferit o valoare foarte mare care informează rolul meu actual la Alchemer. De exemplu, am descoperit că tehnologia este rareori cea mai dificilă parte. Am petrecut ani ajutând companii Fortune 100 să implementeze sisteme enterprise, iar proiectele care au avut dificultăți nu au fost dăunate de software-ul prost. Au avut probleme de management al schimbărilor, proprietate neclară și adesea au fost implementate înainte ca procesele subiacente să fie gata să le absoarbă.

Această experiență modelează modul în care gândesc despre implementarea inteligenței artificiale astăzi. Când vorbesc cu clienți care se luptă să obțină valoare din inteligența artificială, problema aproape niciodată nu se dovedește a fi tehnologia însăși. Este că nu și-au definit ce încearcă să realizeze, cine deține output-ul și ce se schimbă atunci când inteligența artificială scoate la suprafață ceva acționabil. Tehnologia este înaintea pregătirii organizaționale în majoritatea cazurilor.

Lucrul direct cu clienții este cealaltă jumătate a acestei ecuații. Înveți rapid ce înseamnă valoarea pentru oamenii care fac treaba în fiecare zi și cum să o traduci în ceea ce înseamnă pentru metricile consiliului de administrație. Acestea sunt adesea lucruri foarte diferite. Combinația de rigurozitate a procesului din consultanță și empatia clienților din munca alături de echipe este ceea ce îmi propun să aduc în strategia de construire și implementare a inteligenței artificiale la Alchemer.

Ați subliniat o lacună semnificativă de maturitate a inteligenței artificiale între organizații. Care sunt cele mai mari concepții greșite pe care le au liderii despre pregătirea lor și unde eşuează de obicei implementările?

Cea mai comună concepție greșită este că cumpărarea uneltei de inteligență artificială este același lucru cu a fi pregătit să o utilizeze. Liderii văd o demonstrație, văd output-ul și presupun adesea în mod greșit că adoptarea urmează în mod automat. Este important să se asigure că tehnologia, indiferent dacă este vorba de inteligență artificială sau nu, începe cu problema de afaceri care trebuie rezolvată. Adoptarea cu succes a tehnologiei este aproape întotdeauna legată de cât de bine puteți comunica cum va rezolva acea problemă pentru echipele și clienții dvs.

Punctul în care implementările eşuează de obicei este aproape întotdeauna la punctul de predare. Dacă nu există un flux de lucru definit pentru ceea ce se întâmplă mai departe (de exemplu, cine îl vede, cine acționează asupra lui, în ce sistem intră), atunci insight-ul nu este acționat. Organizațiile trebuie să fie structurate corespunzător pentru a acționa pe baza insight-urilor.

Recunoașterea acestei lacune a modelat modul în care construim soluții la Alchemer. Începem prin identificarea problemelor pe care le urmărim să le rezolvăm cu capacitățile tehnologice pe care le lansăm. Capabilitățile de inteligență artificială, fluxurile de lucru și controlul utilizatorilor sunt doar o parte a ceea ce livrăm. Ajutarea echipelor să construiască mușchiul organizațional pentru a acționa pe baza feedback-ului este la fel de important și este acolo unde se realizează rezultatele reale.

Multi companii investesc puternic în inteligență artificială, dar se luptă să demonstreze ROI. Care sunt metricile sau cadrurile pe care ar trebui să le utilizeze pentru a evalua dacă inteligența artificială în experiența clienților funcționează cu adevărat?

Începeți cu ceea ce s-a schimbat în comportament, nu cu ceea ce a produs inteligența artificială. Întrebarea corectă nu este “A generat inteligența artificială un rezumat?” În schimb, întrebați-vă lucruri precum “Care este metrica cheie a succesului?”, “A acționat echipa diferit din cauza acestuia?” și “Se schimbă metricile de afaceri aliniate în direcția corectă?” Inteligența artificială poate identifica clar unde există o problemă sau o oportunitate și poate oferi insight-uri noi. Cu toate acestea, dacă companiile nu acționează pe baza acestor insight-uri, feedback-ul clienților poate fi ignorat sau nu abordat în timp util.

Timpul până la insight este o metrică bună cu care să începeți. Cât a durat să treceți de la colectarea feedback-ului la a avea ceva acționabil în fața unui decident? Analiza feedback-ului care a durat șase luni este semnificativ redusă cu inteligența artificială. Avem un client care a redus acest ciclu de la șase luni la ore, demonstrând o schimbare reală și măsurabilă către rezolvarea timpului până la insight și acțiune.

Timpul de răspuns este o altă metrică pe care ar trebui să o captați devreme. Clienții așteaptă un răspuns la feedback-ul lor, mai ales atunci când este negativ. Măsurați cât timp durează să răspundeți la un răspuns de sondaj negativ sau la o recenzie online. Ar putea dura zile dacă analizați manual, atribuiți acțiunea printr-un bilet de suport, apoi răspundeți clientului. Un retailer online de ochelari a reușit să treacă de la aproape o lună la minute.

Rata de răspuns este ultima metrică pe care ar trebui să o urmăriți. H&R Block (HRB ) Canada gestionează aproape 1.000 de locații prin sezonul fiscal. Înainte de inteligența artificială, ajungerea la o acoperire de 100% a răspunsurilor la recenzii era aproape imposibilă. Acum este o bază. Acest lucru este măsurabil, iar efectele în aval asupra vizibilității în căutare și percepției clienților sunt urmăribile.

Începeți prin identificarea problemei care vă costă sau care îi frustră pe clienții dvs. (de exemplu, analiză lentă, rate de răspuns scăzute, semnale de client pierdute) și măsurați delta înainte și după. Nu încercați să măsurați totul. Măsurați un singur lucru care contează și utilizați acea impuls pentru a ajuta la construirea și livrarea cazului de afaceri.

Din perspectiva dvs., ce separă organizațiile care reușesc să operaționalizeze inteligența artificială de cele care rămân blocate în experimentare?

Organizațiile care reușesc cu inteligența artificială o tratează ca pe o infrastructură, nu ca pe un proiect care are o dată de început, o dată de sfârșit și o echipă care încearcă să justifice investiția. Infrastructura devine fundamentală pentru modul în care se desfășoară munca. De exemplu, gândiți-vă la diferența pe care a făcut-o introducerea software-ului CRM în anii ’90 și la începutul anilor 2000. Proiectul a fost implementarea, dar sistemele au devenit infrastructură de operare fundamentală care a stat la baza modului în care echipele de marketing au funcționat de atunci.

Alt diferențiator este proprietatea. Implementările de experiență a clienților (CX) de succes au pe cineva a cărui sarcină este să se asigure că output-urile sunt acționate. Trebuie să existe cineva responsabil pentru ceea ce se întâmplă, deoarece atunci când nimeni nu deține rezultatul, insight-urile se întorc la un dashboard și se opresc acolo. Acest lucru a fost întotdeauna adevărat pentru programele CX — este amplificat de inteligența artificială, deoarece output-urile vin mai repede, iar așteptările clienților se accelerează.

Al treilea lucru pe care îl urmăresc este dacă organizația a avut un model de succes consistent al metricilor. Ce se măsoară, se gestionează. Echipele care urmăresc tendințe în timp, compară performanța de la o perioadă la alta sau compară rezultatele între geografii nu pot permite soluții de inteligență artificială care produc răspunsuri diferite în zile diferite. Organizațiile care operaționalizează cu succes tind să ceară fiabilitate în plus față de capacitate. Ei vor inteligență artificială pe care să se poată baza.

Există mult entuziasm în jurul LLM-urilor generale, dar susțineți inteligența artificială creată special pentru fluxurile de feedback. Unde cad LLM-urile generale scurt în cazurile de utilizare enterprise?

Nu toate problemele necesită aceeași soluție de inteligență artificială. Mulți furnizori de feedback și CX au construit capacitățile lor de inteligență artificială pe baza unor modele generale comerciale disponibile, cum ar fi ChatGPT, Claude sau Gemini. Acestea sunt proiectate pentru a face totul pentru toată lumea, iar acea generalitate poate fi problematică pentru organizații care cer un nivel ridicat de fiabilitate și consistență.

Având în vedere acest lucru, Alchemer a adoptat o abordare diferită pentru a sprijini provocările pe care le întâmpină clienții noștri. Alchemer utilizează soluția de inteligență artificială potrivită pentru fiecare sarcină specifică, în loc să direcționeze fiecare problemă prin LLM-uri comerciale. Rezultatul acestei strategii de inteligență artificială creată special este outputs mai precise, rezultate consistente în timp și inteligență artificială optimizată pentru date de feedback, mai degrabă decât adaptată dintr-un instrument construit pentru altceva.

Am văzut acest lucru concret la clienții noștri. Washburn & McGoldrick a evaluat instrumente de inteligență artificială generală înainte de a alege Alchemer și a constatat că același set de date a produs categorisiri diferite în zile diferite. Nu poți construi un program de benchmarking pe baza acestuia.

Ce înseamnă să încorporezi inteligența artificială direct în fluxurile de lucru de afaceri și de ce este această abordare mai eficientă decât tratarea inteligenței artificiale ca un instrument independent?

Un instrument de inteligență artificială independent este ceva pe care îl deschideți atunci când decideți să analizați ceva. O capacitate de inteligență artificială încorporată este deja activă înainte de a vă fi venit ideea să întrebați.

Iată diferența în practică: Dacă vine o recenzie peste noapte care atinge un prag de risc din cauza unei probleme de siguranță, un sistem încorporat declanșează o alertă, o direcționează către persoana potrivită și inițiază un flux de răspuns automat. Nimeni nu trebuie să-și amintească să verifice dashboard-ul. Inteligența artificială face parte deja din proces.

La Alchemer, gândim despre acest lucru pe tot parcursul canalelor de feedback și pe tot ciclul de feedback. Inteligența artificială din capacitățile noastre de sondaj îmbunătățește ceea ce vine și poate genera întrebări de urmărire relevante în timp real, astfel încât un sondaj devine o conversație. În gestionarea recenziilor, inteligența artificială poate redacta răspunsuri personalizate și pe brand și chiar le poate posta. Inteligența artificială din stratul nostru de analize scoate la suprafață ceea ce contează din toate aceste feedback-uri. Și automatizarea noastră a fluxului de lucru conectează acțiunile declanșate de inteligența artificială direct în sistemele de afaceri în care echipele noastre lucrează în fiecare zi. Când toate aceste piese sunt conectate, gap-ul dintre insight și acțiune se reduce de la zile la minute. Acesta este ceea ce înseamnă să încorporezi cu adevărat, conectând acțiunile care decurg din feedback-ul clienților în sistemele în care echipele noastre lucrează în fiecare zi pentru a-și implica clienții.

Transformarea feedback-ului nestructurat al clienților în inteligență acționabilă în timp real pare puternic, dar dificil. Care sunt cele mai mari provocări tehnice și organizaționale în a face acest lucru la scară?

Pe partea tehnică, volumul și variabilitatea datelor pot fi cu adevărat provocatoare. Clienții scriu în diferite limbi, cu abrevieri, greșeli de ortografie și prescurtări pe care modelele generale le citesc adesea greșit. Modelele trebuie să înțeleagă și limba afacerii. Industrii diferite folosesc terminologie diferită, iar afacerile aplică propria nuanțare în plus.

De exemplu, persoana care vă întâmpină la o afaceri poate fi o recepționistă la o cabinet medical, un ospătar la un restaurant și un barista la o cafenea. Aceste roluri similare pot fi numite diferit în industrii diferite. În timp ce un model general ar putea fi ok pentru o revizuire inițială, modelele subiacente trebuie să fie create special pentru nuanța datelor de feedback și pentru modul în care clienții vorbesc despre industrii, produse, mărci și servicii specifice. Modelele trebuie să fie și consistente, deoarece sunteți aproape întotdeauna în comparație cu linii de bază istorice.

În timp ce provocările tehnice par să crească, provocările organizaționale, deși semnificative, devin mai ușor de rezolvat. Prima provocare majoră este să știți ce să faceți cu volumul și insight-urile mai bogate. Majoritatea echipelor privesc un insight generat de inteligență artificială și spun “este interesant”. Cele mai bune organizații construiesc fluxuri de lucru care spun “Acest insight merge la acea persoană/sistem, care face acea acțiune, în acea fereastră de timp”. Noroc cu planificarea și cu faptul că, atunci când se face corect, accelerarea curiozității generale a echipelor care lucrează pentru a înțelege feedback-ul clienților devine foarte interesant pe măsură ce evoluează.

O altă provocare organizațională majoră este încrederea. Într-un studiu recent al Alchemer, doar 29% dintre cumpărătorii de software CX au spus că sunt în prezent confortabil să acționeze pe baza output-urilor generate de inteligență artificială fără revizuire. Acest lucru reflectă experiența reală cu inteligența artificială care a fost inconsistentă sau de neînțeles. Construirea încrederii necesită sisteme de inteligență artificială care să fie transparente cu privire la modul în care ajung la concluzii, cu urme de audit și controale configurabile care să permită echipelor să decidă ce poate și ce nu poate face inteligența artificială. La Alchemer, tratăm inteligența artificială de încredere ca pe un produs, nu ca pe o funcție.

Ați sugerat că consistența poate conta mai mult decât acuratețea în cercetarea de piață condusă de inteligență artificială. Puteți explica de ce este atât de critică consistența și de ce este adesea subestimată?

Acuratețea spune cât de bine a înțeles inteligența artificială un singur răspuns. Consistența spune dacă puteți avea încredere în comparația în timp. Pentru cercetarea de piață, comparația este punctul cheie. Nu este însemnat să știți ce spun clienții astăzi în izolare. Dar este valoros să înțelegeți dacă lucrurile se îmbunătățesc sau se înrăutățesc în comparație cu trimestrul trecut, cum se compară o regiune cu alta sau dacă temele pe care le vedeți acum erau prezente cu șase luni în urmă. Niciuna dintre acestea nu este posibilă dacă clasificarea subiacentă se schimbă între rulări.

De exemplu, dacă ați angajat doi analiști diferiți pentru a codifica același feedback deschis cu șase luni înainte, ați avea o problemă de comparabilitate, chiar dacă amândoi ar fi excelente. Nu ați ști dacă o schimbare a temelor reflectă o schimbare reală a sentimentului clienților sau doar o diferență în modul în care doi oameni au interpretat aceleași date. Inteligența artificială cu output-uri inconsistente poate provoca aceeași provocare.

Modelele fine-tunate care aplică aceeași logică de clasificare de fiecare dată rezolvă acest lucru. Modelul nu produce răspunsuri diferite în zile diferite. Acesta face răspunsurile deschise la fel de fiabile ca și programele longitudinale de scor Net Promoter (NPS). Acesta este ceea ce permite unui analist să spună afacerii ceva semnificativ despre unde se îndreaptă, nu doar unde se află în acest moment.

Cum ar trebui organizațiile să gândească despre inteligența artificială ca un multiplicator al forței de muncă, mai degrabă decât ca o înlocuire, în special pentru echipele non-tehnice?

Cadrul multiplicator al forței de muncă schimbă întrebarea de la “ce va înlocui inteligența artificială?” la “ce poate face echipa mea acum, ceea ce nu putea face înainte?” Acesta este un cadru mai productiv și, în experiența mea, este și cel mai precis. Acesta urmează modelele istorice de adoptare a tehnologiei la scară largă din ultimii douăzeci de ani. Versiunea concretă: un analist de insight clienților care petrece trei zile pe săptămână codificând manual feedback deschis poate acum petrece acel timp interpretând modele, prezentând descoperiri și lucrând la întrebările din spatele întrebărilor. Inteligența artificială nu a înlocuit analistul. I-a dat abilităților analistului mai mult spațiu de manevră.

Acest lucru contează și mai mult pentru echipele non-tehnice. Când oricine poate pune întrebări despre datele sale în limbaj simplu, fără a necesita un specialist în date sau a construi un raport de la zero, oamenii care sunt cei mai apropiați de client ajung la insight-uri mai repede. Acest lucru schimbă viteza deciziilor în întreaga organizație, nu doar eficiența unei singure sarcini.

Efectul multiplicator se materializează doar dacă echipele sunt pregătite să utilizeze capacitatea pe care o creează inteligența artificială. Acesta este un aspect de proiectare organizațională la fel de mult pe cât este și o chestiune de tehnologie. De aceea, petrecem la fel de mult timp cu adoptarea și cele mai bune practici cu clienții noștri, pe cât o facem cu capacitățile însele.

Privind înainte, cum vedeți inteligența artificială remodelând experiența clienților în următorii ani și ce ar trebui să facă întreprinderile astăzi pentru a se pregăti pentru această schimbare?

Schimbarea pe care o urmăresc cel mai mult este trecerea de la reactiv la proactiv. Majoritatea programelor de feedback de astăzi sunt reactive. De exemplu, ceva se întâmplă, vine feedback, echipele analizează și se iau decizii. Ciclul devine mai rapid, dar este în continuare fundamental retrospectiv.

Ceea ce face posibilă inteligența artificială este să vă pregătiți înainte de curbă. Identificarea semnalelor suficient de devreme pentru a acționa înainte ca o problemă să apară în scoruri. Știind care segmente de clienți sunt în pericol înainte de a deveni o problemă. Înțelegerea de ce satisfacția scade într-o anumită regiune înainte de a deveni un model. Acesta este punctul în care combinația de inteligență artificială creată special și date de feedback longitudinale devine cu adevărat puternică.

Întreprinderile de astăzi ar trebui să construiască infrastructura organizațională pentru a absorbi ceea ce face posibil inteligența artificială. Consolidarea datelor de feedback de la recenzii, sondaje, media socială, aplicații și mai mult. Definirea cui aparține analizele și ce se întâmplă atunci când apare ceva acționabil. Construirea fluxurilor de lucru care conectează insight-ul la acțiune înainte de a avea nevoie de ele. Companiile care vor depăși nu sunt neapărat cele cu tehnologia de inteligență artificială cea mai sofisticată, ci cele care acționează pe baza insight-urilor de inteligență artificială în mod constant, rapid și la scară.

Mulțumim pentru acest interviu minunat; cititorii care doresc să afle mai multe ar trebui să viziteze Alchemer.