Райан Тамминга, Главный офицер по работе с клиентами, Alchemer – Интервью

Райан Тамминга – исполнительный директор по опыту клиентов и трансформации бизнеса с почти двумя десятилетиями опыта руководства в области успеха клиентов, профессиональных услуг, консалтинга и стратегии продукта. С момента присоединения к Alchemer в 2019 году он прошел через ряд руководящих должностей, включая вице-президента по успеху клиентов и старшего вице-президента по продукту и услугам, прежде чем был назначен главным офицером по работе с клиентами в 2026 году. В своей текущей роли он курирует взаимодействие с клиентами, успех и доставку услуг, помогая согласовывать потребности клиентов с инновациями продукта и бизнес-стратегией. До Alchemer Тамминга занимал старшие руководящие должности в ReedGroup, Deloitte и Accenture, где он возглавлял крупномасштабные проекты по трансформации, ориентированные на бизнес-операции, аналитику, автоматизацию и улучшение производительности предприятия.

Alchemer – платформа для управления обратной связью и опытом клиентов, которая помогает организациям захватывать, анализировать и действовать на основе выводов от клиентов, сотрудников и заинтересованных сторон. Программное обеспечение компании объединяет создание опросов, сбор обратной связи, автоматизацию рабочих процессов и аналитику на основе ИИ, чтобы помочь бизнесу выйти за рамки простого сбора данных и стимулировать измеримые действия. Обслуживая организации из различных отраслей, Alchemer позволяет командам централизовать обратную связь из нескольких каналов, выявлять тенденции и настроения и использовать эти выводы для улучшения опыта клиентов, информирования решений о продуктах и укрепления бизнес-результатов. Благодаря своей растущей линейке инструментов, управляемых ИИ, компания стремится помочь организациям превратить обратную связь в непрерывный источник оперативной и стратегической информации.

Вы провели более десяти лет в консалтинге в компаниях seperti Accenture и Deloitte, прежде чем возглавить успех клиентов, продукт и услуги в Alchemer. Как эта смесь трансформации процессов и практического опыта клиентов сформировала ваш подход к развертыванию ИИ в корпоративных средах?

Работа в консалтинге предоставила очень ценный опыт, который информирует мою текущую роль в Alchemer. Например, я обнаружил, что технология редко является самой сложной частью. Я провел годы, помогая компаниям Fortune 100 реализовывать корпоративные системы, и проекты, которые испытывали трудности, не были разрушены из-за плохого программного обеспечения. У них были проблемы с управлением изменениями, неясной собственностью и часто были развернуты до того, как основные процессы были готовы их впитать.

Этот опыт формирует, как я думаю о развертывании ИИ сегодня. Когда я разговариваю с клиентами, которые испытывают трудности в получении ценности от ИИ, проблема почти никогда не заключается в технологии самой по себе. Это то, что они не определили, чего они пытаются достичь, кто владеет выводом, и какие изменения, когда ИИ обнаруживает что-то действенное. Технология опережает организационную готовность в большинстве случаев.

Практическая работа с клиентами – это другая половина этого уравнения. Вы быстро учитесь, что такое ценность на самом деле для людей, которые выполняют работу каждый день, и как перевести это в то, что оно значит для метрик совета. Эти вещи часто очень разные. Сочетание строгости процессов из консалтинга и сочувствия клиентов из работы рядом с командами – это то, что я стремлюсь привнести в стратегию того, как мы строим и развертываем ИИ в Alchemer.

Вы указали на значущий разрыв в зрелости ИИ между организациями. Какие самые большие заблуждения лидеров о их готовности, и где реализации обычно терпят неудачу сначала?

Самое распространенное заблуждение заключается в том, что покупка инструмента ИИ является тем же, что и быть готовым к его использованию. Лидеры видят демонстрацию, они видят вывод, и они предполагают, часто неправильно, что принятие происходит автоматически. Важно обеспечить, чтобы технология, будь то ИИ или нет, начиналась с бизнес-проблемы, которая должна быть решена. Успешное внедрение технологии почти всегда связано с тем, насколько хорошо вы можете сообщить, как оно решит эту проблему для ваших команд и клиентов.

Где реализации терпят неудачу сначала, – это почти всегда точка передачи. Если нет определенного рабочего процесса для того, что происходит дальше (например, кто его видит, кто действует на него, в какую систему он входит), тогда вывод не действует. Организациям необходимо быть правильно структурированными, чтобы действовать на основе выводов.

Признание этого разрыва сформировало, как мы строим решения в Alchemer. Мы начинаем с определения проблем, которые мы пытаемся решить с помощью технологических возможностей, которые мы выпускаем. Возможности ИИ, рабочие процессы и пользовательский контроль – это только часть того, что мы поставляем. Помощь командам в построении организационных мышц для действий на основе обратной связи столь же важна, и это то место, где реальные результаты достигаются.

Многие компании инвестируют значительные средства в ИИ, но испытывают трудности в демонстрации ROI. Какие метрики или рамки они должны использовать для оценки того, работает ли ИИ в опыте клиента на самом деле?

Начните с того, что изменилось в поведении, а не с того, что произвел ИИ. Правильный вопрос не “Получил ли ИИ сводку?”, а вопросы вроде “Какой метрика является ключевым индикатором успеха?”, “Действовала ли команда по-другому из-за этого?” и “Сдвигаются ли согласованные бизнес-метрики в правильном направлении?” ИИ может четко определить, где существует проблема или возможность, и предоставить новые выводы. Однако, если компании не действуют на основе этих выводов, обратная связь клиентов может быть проигнорирована или не решена своевременно.

Время до вывода – это хорошая метрика, с которой можно начать. Как долго потребовалось, чтобы перейти от сбора обратной связи к получению чего-то действенного перед лицом лица, принимающего решения? Анализ обратной связи, который ранее занимал шесть месяцев, значительно сокращается с помощью ИИ. У нас есть клиент, который сократил этот цикл с шести месяцев до часов, демонстрируя реальный, измеримый сдвиг в сторону решения времени до вывода и действия.

Время до ответа – это еще одна метрика, которую следует отслеживать на ранней стадии. Клиенты ожидают ответа на свою обратную связь, особенно когда она отрицательная. Измерьте, сколько времени потребуется, чтобы ответить на отрицательный опрос или онлайн-отзыв. Это может занять дни, если вы просматриваете вручную, назначаете действие через тикет поддержки, а затем отвечаете клиенту. Онлайн-ретейлер очков смог перейти от почти месяца до минут.

Коэффициент ответа – это окончательная метрика, которую следует отслеживать. H&R Block Canada управляет почти 1000 местами во время налогового сезона. До ИИ достижение 100% покрытия ответов на отзывы было почти невозможно. Теперь это базовый уровень. Это измеримо, и последующие эффекты на видимость поиска и восприятие клиентов можно отслеживать.

Начните с определения проблемы, которая стоит вам или раздражает ваших клиентов (например, медленный анализ, низкие коэффициенты ответа, пропущенные сигналы клиентов), и измерьте разницу до и после. Не пытайтесь измерить все. Измерьте одну вещь, которая имеет значение, и используйте этот импульс, чтобы помочь построить и предоставить бизнес-сделку.

С вашей точки зрения, что отличает организации, которые успешно операционализируют ИИ, от тех, которые остаются в экспериментальной фазе?

Организации, которые преуспевают в ИИ, рассматривают его как инфраструктуру, а не как проект, который имеет начальную дату, конечную дату и команду, пытающуюся оправдать инвестиции. Инфраструктура становится основой для того, как выполняется работа. Например, подумайте о разнице, которую введение программного обеспечения CRM сделало в конце 1990-х и начале 2000-х годов. Проект был реализацией, но системы стали основной операционной инфраструктурой, которая была основой для того, как команды выхода на рынок работали с тех пор. Этот переход – это то, что на самом деле означает операционализацию, и большинство организаций еще не достигли этого, когда речь идет об采用 ИИ.

Другой различитель – собственность. Успешные развертывания опыта клиента имеют кого-то, чья работа заключается в том, чтобы обеспечить, что выводы действуют. Должно быть кто-то, ответственный за то, что происходит, потому что когда никто не владеет результатом, выводы возвращаются на панель и останавливаются там. Это всегда было верно для программ CX – оно усиливается ИИ, потому что выводы приходят быстрее, и ожидания клиентов ускоряются.

Третья вещь, на которую я обращаю внимание, – это наличие у организации закономерности последовательности метрик успеха. Что измеряется, то управляется. Команды, отслеживающие тенденции во времени, сравнивающие производительность квартал за кварталом или сравнивающие результаты по различным географиям, не могут позволить себе решения ИИ, которые производят разные ответы в разные дни. Организации, которые операционализируют успешно, как правило, требуют надежности в дополнение к возможностям. Они хотят ИИ, на котором можно построить.

Есть много волнения вокруг общих моделей LLM, но вы выступаете за создание ИИ с конкретной целью в потоках обратной связи. Где общие модели не справляются с корпоративными случаями?

Не каждая проблема требует одного и того же решения ИИ. Многие поставщики в области обратной связи и CX построили свои возможности ИИ на основе коммерчески доступных общих моделей, таких как ChatGPT, Claude или Gemini. Они предназначены для выполнения всего для всех, и эта общность может быть проблематичной для организаций, которые требуют высокого уровня надежности и последовательности.

С учетом этого Alchemer выбрал другой подход, чтобы поддержать проблемы, которые наши клиенты пытаются решить. Alchemer использует правильное решение ИИ для каждой конкретной задачи, а не маршрутизацию каждой проблемы через коммерческие LLM. Результатом этой стратегии создания ИИ с конкретной целью является более точные выводы, последовательные результаты во времени и ИИ, оптимизированный для данных обратной связи, а не адаптированный из инструмента, построенного для чего-то другого.

Мы видели это напрямую у клиентов. Washburn & McGoldrick оценили общие инструменты ИИ, прежде чем выбрать Alchemer, и обнаружили, что один и тот же набор данных произвел разные категоризации в разные дни. Вы не можете построить программу бенчмаркинга на этом.

Что на самом деле означает внедрение ИИ直接 в бизнес-потоки, и почему этот подход более эффективен, чем рассмотрение ИИ как отдельного инструмента?

Отдельный инструмент ИИ – это что-то, что вы открываете, когда решаете проанализировать что-то. Встроенная возможность ИИ уже работает до того, как вы подумали спросить.

Вот разница в практике: если отзыв поступает ночью и достигает порога риска из-за проблемы безопасности, встроенная система запускает оповещение, маршрутизирует его к правильному человеку и инициирует рабочий процесс ответа автоматически. Никто не должен помнить проверить панель. ИИ уже является частью процесса.

В Alchemer мы думаем об этом во всех каналах обратной связи и на протяжении всего жизненного цикла обратной связи. ИИ в наших возможностях опроса улучшает то, что приходит, и может генерировать соответствующие последующие вопросы в режиме реального времени, так что опрос становится разговором. В управлении отзывами ИИ может создавать брендированные, персонализированные ответы и даже публиковать их. ИИ в нашем аналитическом слое выявляет то, что имеет значение, во всей этой обратной связи. А наша автоматизация рабочих процессов соединяет действия, запущенные ИИ, напрямую с бизнес-системами, где команды клиентов действительно работают. Когда эти части соединены, разрыв между выводом и действием сокращается с дней до минут. Это то, что на самом деле означает внедрение, подключение действий, запущенных обратной связью клиентов, к системам, которые команды клиентов используют каждый день для взаимодействия с клиентами.

Преобразование неструктурированной обратной связи клиентов в реальные, действенные выводы звучит мощно, но трудно. Каковы самые большие технические и организационные проблемы в реализации этого в масштабе?

С технической стороны объем и изменчивость данных могут быть действительно сложными. Клиенты пишут на разных языках, с аббревиатурами, опечатками и сокращениями, которые общие модели часто неправильно читают. Модели также должны понимать язык бизнеса. Разные отрасли используют разную терминологию, и бизнес применяет свои собственные нюансы поверх этого.

Например, человек, который приветствует вас в бизнесе, может быть секретарем в кабинете врача, хозяином в ресторане и баристой в кофейне. Эти подобные роли могут быть названы по-разному в разных отраслях. Хотя общая модель может быть нормальной для начального обзора, основные модели должны быть созданы с учетом нюансов данных обратной связи и того, как клиенты говорят о конкретных отраслях, продуктах, брендах и услугах. Модели также должны быть последовательными, потому что вы почти всегда сравниваете с историческими базовыми показателями.

Хотя технические проблемы, кажется, увеличиваются, организационные проблемы, хотя и значительны, становятся легче решать. Первая большая проблема заключается в том, чтобы знать, что делать с увеличенным объемом и более богатыми выводами. Большинство команд смотрят на вывод ИИ и говорят: “Это интересно”. Лучшие организации строят рабочие процессы, которые говорят: “Этот вывод идет к этому человеку/системе, который делает это, в это время”. К счастью, построение этих рабочих процессов никогда не было проще. С некоторым планированием и когда все сделано правильно, ускорение общей любопытства команд, работающих над пониманием обратной связи клиентов, становится действительно интересным, поскольку оно эволюционирует.

Другой большой организационный проблемой является доверие. В недавнем исследовании Alchemer только 29% покупателей программного обеспечения CX заявили, что они в настоящее время комфортно действуют на основе выводов ИИ без проверки. Это отражает реальный опыт с ИИ, который был непоследовательным или необъяснимым. Построение доверия требует систем ИИ, которые прозрачны в том, как они приходят к выводам, с аудиторскими отчетами и настраиваемыми контролями, которые позволяют командам решать, что ИИ может и не может делать. В Alchemer мы рассматриваем доверие ИИ как продукт, а не как функцию.

Вы предположили, что последовательность может быть более важной, чем точность в исследованиях рынка, управляемых ИИ. Можете ли вы объяснить, почему последовательность так важна и почему она часто упускается из виду?

Точность говорит вам, насколько хорошо ИИ понял один ответ. Последовательность говорит вам, можете ли вы доверять сравнению во времени. Для исследований рынка сравнение – это точка. Не имеет значения, что клиенты говорят сегодня в изоляции. Но это ценно понять, улучшаются ли вещи или ухудшаются по сравнению с прошлым кварталом, как один регион сравнивается с другим или являются ли темы, которые вы видите сейчас, присутствовали шесть месяцев назад. Ни одна из этих вещей не возможна, если основная классификация меняется между запусками.

Например, если бы вы наняли двух разных аналитиков для кодирования одной и той же открытой обратной связи шесть месяцев назад, у вас была бы проблема сравнимости, даже если бы оба были отличными. Вы не знали бы, отражает ли сдвиг в темах реальное изменение настроений клиентов или просто разницу в том, как два человека интерпретировали одни и те же данные. ИИ с непоследовательными выводами может вызвать эту же проблему.

Модели, настроенные для применения одного и того же логического классификации каждый раз, решают эту проблему. Модель не производит разные ответы в разные дни. Она делает ответы на открытые вопросы надежными так же, как программы Net Promoter Score (NPS) являются надежными. Это то, что позволяет аналитику сказать бизнесу что-то значимое о том, куда они движутся, а не только о том, где они сейчас.

Как организации должны думать об ИИ как о множителе рабочей силы, а не о замене, особенно для неквалифицированных команд?

Формулировка “множитель рабочей силы” меняет вопрос с “что заменит ИИ?” на “что может моя команда сделать теперь, чего они не могли раньше?” Это более продуктивная формулировка, и по моему опыту, это также более точная. Это следует историческим закономерностям крупномасштабных достижений в технологическом принятии за последние двадцать лет. Конкретная версия: аналитик по выводам клиентов, который тратит три дня в неделю на ручное кодирование открытой обратной связи, теперь может тратить это время на интерпретацию закономерностей, представление результатов и работу над вопросами, стоящими за вопросами. ИИ не заменил аналитика. Он дал навыкам аналитика больше места для маневра.

Это имеет значение даже больше для неквалифицированных команд. Когда любой может задавать вопросы о своих данных на простом языке без необходимости данных ученого или создания отчета с нуля, люди,closest к клиенту, получают выводы быстрее. Это меняет темп решений по всей организации, а не только эффективность одного задания.

Эффект множителя возникает только в том случае, если команды готовы использовать емкость, созданную ИИ. Это вопрос организационного дизайна так же, как и вопрос технологии. Это почему мы тратим столько времени на внедрение и лучшие практики с нашими клиентами, сколько мы тратим на сами возможности.

Взглянув вперед, как вы видите, что ИИ изменит опыт клиента в течение следующих нескольких лет, и что должны делать предприятия сегодня, чтобы подготовиться к этому сдвигу?

Сдвиг, за которым я слежу наиболее внимательно, – это переход от реактивного к проактивному. Большинство программ обратной связи сегодня являются реактивными. Например, что-то происходит, обратная связь поступает, команды анализируют ее, и принимаются решения. Цикл становится быстрее, но он все еще фундаментально ориентирован назад.

То, что ИИ делает возможным, – это опережение этой кривой. Обнаружение сигналов достаточно рано, чтобы действовать до того, как проблема появится в ваших баллах. Зная, какие сегменты клиентов находятся в группе риска до того, как они откажутся. Понимание, почему удовлетворенность снижается в определенном регионе до того, как это станет закономерностью. Это то место, где сочетание ИИ с конкретной целью и долгосрочными данными обратной связи становится действительно мощным.

Предприятия сегодня должны построить организационную инфраструктуру, чтобы впитать то, что ИИ делает возможным. Консолидируйте свои данные обратной связи из отзывов, опросов, социальных сетей, внутри приложения и т. д. Определите, кто владеет анализами и что происходит, когда что-то действенное появляется. Постройте рабочие процессы, которые соединяют вывод с действием до того, как вам это понадобится. Компании, которые будут опережать, не обязательно те, у которых есть наиболее совершенная технология ИИ, а те, которые действуют на основе выводов ИИ последовательно, быстро и в масштабе.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Alchemer.