ไรอัน ทัมมิงกา, ประธานเจ้าหน้าที่ลูกค้า, Alchemer – ซีรีส์สัมภาษณ์

ไรอัน ทัมมิงกา เป็นนักบริหารด้านประสบการณ์ลูกค้าและการเปลี่ยนแปลงองค์กรที่มีประสบการณ์เป็นผู้นำเกือบสองทศวรรษ โดยครอบคลุมความสำเร็จด้านความสำเร็จของลูกค้า การให้บริการมืออาชีพ การให้คำปรึกษา และกลยุทธ์ผลิตภัณฑ์ ตั้งแต่เข้าร่วม Alchemer ในปี 2019 เขาได้รับการเลื่อนตำแหน่งผ่านบทบาทผู้นำหลายตำแหน่ง รวมถึงรองประธานฝ่ายความสำเร็จของลูกค้า และรองประธานอาวุโสฝ่ายผลิตภัณฑ์และบริการ ก่อนที่จะดำรงตำแหน่งประธานเจ้าหน้าที่ลูกค้าในปี 2026 ในบทบาทปัจจุบันของเขา เขาเป็นผู้รับผิดชอบด้านการมีส่วนร่วมของลูกค้า ความสำเร็จ และการบริการ ในขณะเดียวกันก็ช่วยให้ความต้องการของลูกค้าเป็นไปตามนวัตกรรมผลิตภัณฑ์และกลยุทธ์ทางธุรกิจ ก่อนที่จะเข้าร่วม Alchemer Tamminga ได้ดำรงตำแหน่งผู้นำอาวุโสที่ ReedGroup, Deloitte และ Accenture โดยที่เขาได้นำการเปลี่ยนแปลงขนาดใหญ่หลายโครงการที่มุ่งเน้นไปที่การดำเนินธุรกิจ การวิเคราะห์ การอัตโนมัติ และการปรับปรุงประสิทธิภาพขององค์กร

Alchemer เป็นแพลตฟอร์มการจัดการข้อมูลลูกค้าและประสบการณ์ที่ช่วยให้องค์กรสามารถจับข้อมูล ล้วงลึกและดำเนินการตามข้อมูลเชิงลึกจากลูกค้า พนักงาน และผู้มีส่วนได้ส่วนเสีย ซอฟต์แวร์ของบริษัทรวมถึงการสร้างแบบสำรวจ การรวบรวมข้อมูล การจัดการแบบอัตโนมัติ และการวิเคราะห์โดยใช้ AI ที่ช่วยให้ธุรกิจสามารถดำเนินการได้มากกว่าการรวบรวมข้อมูลเพียงอย่างเดียว โดยการให้บริการองค์กรทั่วหลายอุตสาหกรรม Alchemer ช่วยให้ทีมสามารถรวบรวมข้อมูลจากหลายช่องทาง ระบุแนวโน้มและความรู้สึก และใช้ข้อมูลเชิงลึกเหล่านั้นในการปรับปรุงประสบการณ์ของลูกค้า ตัดสินใจเกี่ยวกับผลิตภัณฑ์ และเสริมสร้างประสิทธิภาพทางธุรกิจ ผ่านชุดเครื่องมือที่ขับเคลื่อนด้วย AI ที่เติบโตขึ้น บริษัทมีเป้าหมายที่จะช่วยให้องค์กรสามารถเปลี่ยนข้อมูลลูกค้าให้เป็นแหล่งที่มาของข้อมูลเชิงปฏิบัติการและเชิงกลยุทธ์ที่ต่อเนื่อง

คุณใช้เวลาเกินหนึ่งทศวรรษในการให้คำปรึกษาในบริษัทต่างๆ เช่น Accenture และ Deloitte ก่อนที่จะนำความสำเร็จของลูกค้า ผลิตภัณฑ์ และบริการที่ Alchemer ส่วนผสมของการเปลี่ยนแปลงกระบวนการและการมีประสบการณ์โดยตรงจากลูกค้าได้กำหนดแนวทางของคุณในการใช้ AI ในสภาพแวดล้อมขององค์กรอย่างไร

การทำงานในบริษัทให้คำปรึกษามีประสบการณ์ที่มีคุณค่าซึ่งแจ้งให้ทราบถึงบทบาทปัจจุบันของฉันที่ Alchemer ตัวอย่างเช่น ฉันพบว่าเทคโนโลยีไม่ใช่ส่วนที่ยากที่สุด ฉันใช้เวลาหลายปีในการช่วยให้บริษัท Fortune 100 ติดตั้งระบบองค์กร และโครงการที่ติดค้างไม่ใช่เพราะซอฟต์แวร์ที่ไม่ดี แต่มีปัญหาในการจัดการการเปลี่ยนแปลง การเป็นเจ้าของที่ไม่ชัดเจน และมักจะถูกนำไปใช้ก่อนที่กระบวนการเบื้องหลังจะพร้อมที่จะดูดซับพวกมัน

ประสบการณ์นั้นกำหนดวิธีที่ฉันคิดเกี่ยวกับการใช้งาน AI ในปัจจุบัน เมื่อฉันพูดคุยกับลูกค้าที่กำลังดิ้นรนเพื่อให้ได้คุณค่าจาก AI ปัญหาเกือบจะไม่เคยเป็นเทคโนโลยีด้วยตัวเอง แต่พวกเขาไม่ได้กำหนดสิ่งที่พวกเขาพยายามที่จะบรรลุผล誰เป็นเจ้าของผลลัพธ์ และสิ่งที่เปลี่ยนแปลงเมื่อ AI พบสิ่งที่สามารถดำเนินการได้ เทคโนโลยีนั้นอยู่ข้างหน้าความพร้อมขององค์กรในกรณีส่วนใหญ่

การทำงานร่วมกับลูกค้าเป็นอีกส่วนหนึ่งของสมการ คุณเรียนรู้อย่างรวดเร็วว่าคุณค่าแท้จริงหมายถึงอะไรสำหรับผู้คนที่ทำงานทุกวัน และวิธีแปลสิ่งนั้นให้เป็นเมตริกกระดานที่มีความหมาย สิ่งเหล่านั้นมักจะเป็นสิ่งที่แตกต่างกันมาก ส่วนผสมของความเข้มงวดของกระบวนการจากบริษัทให้คำปรึกษาและการเอาใจใส่ลูกค้าจากงานร่วมกับทีมคือสิ่งที่ฉันพยายามนำมาใช้ในการสร้างและใช้ AI ที่ Alchemer

คุณชี้ให้เห็นถึงช่องว่างความตื่นตัวของ AI ที่สำคัญทั่วทั้งองค์กร ปฏิเสธที่มองโลกในแง่ดีเกี่ยวกับความพร้อมที่ผู้นำมีมากที่สุดคืออะไร และที่ไหนที่การนำไปใช้โดยทั่วไปล้มเหลวครั้งแรก

ความเข้าใจผิดที่พบบ่อยที่สุดคือการซื้อเครื่องมือ AI เหมือนกับการพร้อมที่จะใช้งาน ผู้นำเห็นการสาธิต พวกเขาจะเห็นผลลัพธ์ และพวกเขาสันนิษฐานบ่อยครั้งว่าการนำไปใช้จะตามมาโดยอัตโนมัติ ซึ่งจำเป็นต้องแน่ใจว่าเทคโนโลยี ไม่ว่าจะเป็น AI หรือไม่ก็ตาม จะเริ่มต้นด้วยปัญหาทางธุรกิจที่ต้องแก้ไข การนำเทคโนโลยีมาใช้สำเร็จเกือบจะเสมอเชื่อมโยงกับวิธีที่คุณสามารถสื่อสารว่ามันจะแก้ปัญหานั้นสำหรับทีมและลูกค้าของคุณได้อย่างไร

ที่ที่การนำไปใช้ล้มเหลวโดยทั่วไปคือจุดส่งมอบ หากไม่มีการกำหนดกระบวนการสำหรับสิ่งที่เกิดขึ้นต่อไป (เช่น ใครเห็นมัน ใครดำเนินการตามมัน ระบบใดที่มันเข้าไป) ข้อมูลเชิงลึกจะไม่ได้รับการดำเนินการ องค์กรต้องมีโครงสร้างที่เหมาะสมเพื่อกระทำตามข้อมูลเชิงลึก

การรับรู้ถึงช่องว่างนี้ได้กำหนดวิธีที่เรา สร้างโซลูชันที่ Alchemer เราเริ่มต้นด้วยการระบุปัญหาที่เราต้องการแก้ไขด้วยความสามารถทางเทคนิคที่เราวางจำหน่าย ความสามารถของ AI, การทำงาน, และการควบคุมของผู้ใช้ไม่ใช่สิ่งเดียวที่เรามอบให้ การช่วยทีมในการสร้างกล้ามเนื้อขององค์กรเพื่อกระทำตามข้อมูลลูกค้าเป็นสิ่งสำคัญและเป็นที่ที่ผลลัพธ์จริงเกิดขึ้น

หลายบริษัทกำลังลงทุนอย่างมากใน AI แต่ดิ้นรนในการแสดง ROI อะไรคือเมตริกหรือกรอบที่พวกเขาควรใช้เพื่อประเมินว่า AI ในประสบการณ์ของลูกค้าทำงานจริงหรือไม่

เริ่มต้นด้วยสิ่งที่เปลี่ยนแปลงในพฤติกรรม ไม่ใช่สิ่งที่ AI สร้างขึ้น คำถามที่ถูกต้องไม่ใช่ “AI สร้างสรุปหรือไม่” แต่ถามคำถามเช่น “เมตริกที่เป็นตัวบ่งชี้ความสำเร็จหลักคืออะไร” “ทีมดำเนินการแตกต่างไปเพราะมันหรือไม่” และ “เมตริกธุรกิจที่สอดคล้องกันเปลี่ยนแปลงในทางที่ถูกต้องหรือไม่” AI สามารถระบุได้อย่างชัดเจนว่าปัญหาหรือโอกาสอยู่ที่ไหนและให้ข้อมูลเชิงลึกใหม่ๆ แต่ถ้าบริษัทไม่ดำเนินการตามข้อมูลเชิงลึกเหล่านั้น ข้อมูลลูกค้าอาจถูกละเลยหรือไม่ได้รับการแก้ไขในเวลาที่เหมาะสม

เวลาในการรับข้อมูลเชิงลึกเป็นเมตริกที่ดีที่จะเริ่มต้นด้วย ระยะเวลาที่ใช้ในการรวบรวมข้อมูลลูกค้าจนกว่าจะมีสิ่งที่สามารถดำเนินการได้ตรงหน้าผู้ตัดสินใจ การวิเคราะห์ข้อมูลลูกค้าที่ใช้เวลาหกเดือนลดลงอย่างมากด้วย AI เรามีลูกค้าคนหนึ่งที่ลดช่วงเวลานั้นจากหกเดือนเป็นเพียงไม่กี่ชั่วโมง โดยแสดงถึงการเปลี่ยนแปลงที่แท้จริงและวัดได้ต่อการแก้ปัญหาและดำเนินการ

เวลาในการตอบสนองเป็นอีกหนึ่งเมตริกที่ต้องจับได้ตั้งแต่เนิ่นๆ ลูกค้าคาดหวังการตอบสนองต่อข้อมูลลูกค้า โดยเฉพาะอย่างยิ่งเมื่อมันเป็นลบ วัดเวลาที่ใช้ในการตอบสนองต่อการสำรวจที่ไม่ดีหรือรีวิวออนไลน์ อาจใช้เวลาหลายวันหากคุณกำลังตรวจสอบด้วยตนเอง การกำหนดการดำเนินการผ่านตั๋วสนับสนุน จากนั้นตอบกลับลูกค้า ร้านขายแว่นตาออนไลน์สามารถลดเวลาตอบสนองจากเกือบหนึ่งเดือนเป็นเพียงไม่กี่นาที

อัตราการตอบสนองเป็นเมตริกสุดท้ายที่ต้องติดตาม H&R Block (HRB ) Canada จัดการเกือบ 1,000 ที่ตั้งในช่วงฤดูกาลภาษี ก่อน AI การครอบคลุมการรีวิว 100% เป็นเรื่องที่ยาก แต่ตอนนี้เป็นมาตรฐานที่วัดได้ และผลกระทบทางด้านการค้นหาทางอินเทอร์เน็ตและความเข้าใจของลูกค้าสามารถติดตามได้

เริ่มต้นด้วยการระบุปัญหาที่ทำให้คุณเสียค่าใช้จ่ายหรือทำให้ลูกค้าผิดหวัง (เช่น การวิเคราะห์ที่ช้า อัตราการตอบสนองที่ต่ำ สัญญาณลูกค้าที่พลาดไป) และวัดผลต่างก่อนและหลัง อย่าพยายามวัดทุกอย่าง วัดสิ่งหนึ่งที่สำคัญและใช้แรงผลักดันที่จะช่วยสร้างและนำเสนอกรณีธุรกิจ

จากมุมมองของคุณ สิ่งใดที่แยกความแตกต่างระหว่างองค์กรที่ใช้ AI ได้สำเร็จกับองค์กรที่ยังคงอยู่ในขั้นตอนการทดลอง

องค์กรที่ประสบความสำเร็จกับ AI มอง AI เป็นโครงสร้างพื้นฐานมากกว่าเป็นโครงการที่มีวันที่เริ่มต้น วันที่สิ้นสุด และทีมที่พยายามที่จะช่วยให้การลงทุนมีคุณค่า โครงสร้างพื้นฐานกลายเป็นสิ่งสำคัญของวิธีการทำงาน ตัวอย่างเช่น คิดถึงความแตกต่างที่ซอฟต์แวร์ CRM มีในยุค 90 และต้นยุค 2000 โครงการคือการนำไปใช้ แต่ระบบกลายเป็นโครงสร้างพื้นฐานในการดำเนินงานที่เป็นพื้นฐานสำหรับทีมการตลาดที่ดำเนินการต่อเนื่องมาหลายปี การเปลี่ยนแปลงนั้นคือสิ่งที่การนำไปใช้จริงๆ หมายถึง และหลายองค์กรยังไม่ได้ทำเช่นนั้นเมื่อพูดถึงการนำ AI มาใช้

สิ่งแยกแยะอีกอย่างคือการเป็นเจ้าของ องค์กรที่ประสบความสำเร็จในการนำประสบการณ์ลูกค้ามาใช้จะมีใครสักคนที่รับผิดชอบในการดูแลว่าผลลัพธ์ถูกดำเนินการ สิ่งเหล่านี้จำเป็นต้องมีใครสักคนที่รับผิดชอบต่อผลลัพธ์ เมื่อไม่มีใครเป็นเจ้าของผลลัพธ์ ข้อมูลเชิงลึกจะวนกลับไปยังแดชบอร์ดและหยุดอยู่ที่นั่น สิ่งนี้มักจะเกิดขึ้นเสมอสำหรับโปรแกรม CX — มันถูกขยายใหญ่ขึ้นโดย AI เนื่องจากผลลัพธ์มาเร็วกว่า และความคาดหวังของลูกค้ากำลังเร่งตัวขึ้น

สิ่งที่สามที่ฉันจับตามองค์กรที่สามารถนำ AI ไปใช้ได้สำเร็จคือการมีประวัติความสำเร็จที่ต่อเนื่องของเมตริกความสำเร็จ สิ่งที่วัดได้จะถูกจัดการ ทีมที่ติดตามแนวโน้มตามเวลา การเปรียบเทียบประสิทธิภาพระหว่างไตรมาสต่อไตรมาส หรือการเปรียบเทียบผลลัพธ์ระหว่างภูมิภาคไม่สามารถมีโซลูชัน AI ที่ให้คำตอบที่แตกต่างกันในแต่ละวัน องค์กรที่สามารถนำ AI ไปใช้ได้สำเร็จมักจะเรียกร้องความน่าเชื่อถือมากกว่าความสามารถ พวกเขาต้องการ AI ที่พวกเขาสามารถสร้างขึ้นได้

มีความตื่นเต้นอย่างมากเกี่ยวกับโมเดล LLM ทั่วไป แต่คุณสนับสนุน AI ที่สร้างขึ้นโดยเฉพาะสำหรับกระบวนการรับฟังข้อมูลลูกค้า ที่ไหนที่โมเดลทั่วไปล้มเหลวในกรณีการใช้งานขององค์กร

ไม่ใช่ปัญหาใดที่ต้องการโซลูชัน AI เหมือนกัน ผู้ขายหลายรายในพื้นที่ข้อมูลลูกค้าและ CX ได้สร้างความสามารถ AI ของตนบนโมเดลทั่วไปเชิงพาณิชย์ เช่น ChatGPT, Claude หรือ Gemini พวกมันถูกออกแบบมาเพื่อทำทุกอย่างสำหรับทุกคน และความทั่วไปนั้นสามารถเป็นปัญหาได้สำหรับองค์กรที่ต้องการความน่าเชื่อถือและความสม่ำเสมอ

ด้วยสิ่งนี้ในใจ Alchemer ได้ใช้แนวทางที่แตกต่างในการสนับสนุนความท้าทายที่ลูกค้าของเรากำลังพยายามแก้ไข Alchemer ใช้โซลูชัน AI ที่เหมาะสมสำหรับงานเฉพาะมากกว่าการนำปัญหาทุกอย่างผ่านโมเดลทั่วไป ผลลัพธ์ของกลยุทธ์ AI ที่สร้างขึ้นโดยเฉพาะคือการผลิตที่แม่นยำยิ่งขึ้น ผลลัพธ์ที่สม่ำเสมอตามเวลา และ AI ที่ได้รับการปรับให้เหมาะสมสำหรับข้อมูลลูกค้ามากกว่าที่จะปรับให้เหมาะสมจากเครื่องมือที่สร้างขึ้นสำหรับสิ่งอื่น

เราได้เห็นสิ่งนี้เกิดขึ้นโดยตรงพร้อมกับลูกค้า Washburn & McGoldrick ประเมินเครื่องมือ AI ทั่วไปก่อนที่จะเลือก Alchemer และพบว่าชุดข้อมูลเดียวกันให้การจำแนกประเภทที่แตกต่างกันในแต่ละวัน คุณไม่สามารถสร้างโปรแกรมการเปรียบเทียบได้บนพื้นฐานนั้น

อะไรคือความหมายที่แท้จริงของการฝัง AI ตรงเข้าไปในกระบวนการทางธุรกิจ และทำไมแนวทางนี้จึงมีประสิทธิภาพมากกว่าการรักษา AI ไว้เป็นเครื่องมืออิสระ

เครื่องมือ AI อิสระคือสิ่งที่คุณเปิดเมื่อคุณตัดสินใจวิเคราะห์สิ่งใดๆ ความสามารถ AI ที่ฝังตัวคือสิ่งที่ทำงานก่อนที่คุณจะคิดจะถาม

สิ่งนี้แตกต่างกันในทางปฏิบัติ: หากการรีวิวเข้ามาในชั่วข้ามคืนซึ่งถูกขีดจำกัดความเสี่ยงเนื่องจากความกังวลเรื่องความปลอดภัย ระบบที่ฝังตัวจะกระตุ้นการแจ้งเตือน ส่งไปยังบุคคลที่เหมาะสม และเริ่มกระบวนการตอบสนองโดยอัตโนมัติ ไม่มีใครจำเป็นต้องจำไว้ว่าจะตรวจสอบแดชบอร์ด AI เป็นส่วนหนึ่งของกระบวนการ

ที่ Alchemer เราคิดถึงสิ่งนี้ทั่วทั้งช่องทางรับฟังข้อมูลลูกค้าและวงจรชีวิตของข้อมูลลูกค้า AI ในความสามารถในการสำรวจของเราสามารถปรับปรุงสิ่งที่เข้ามาและสามารถสร้างคำถามตามความเหมาะสมในแบบเรียลไทม์ได้ ดังนั้นการสำรวจจึงกลายเป็นการพูดคุย ในการจัดการรีวิว AI สามารถสร้างคำตอบที่มีตราสินค้าและเป็นส่วนตัวได้ และแม้แต่โพสต์ AI ในชั้นการวิเคราะห์ของเราสามารถแสดงสิ่งที่สำคัญที่สุดจากข้อมูลลูกค้า และการทำงานอัตโนมัติของเราเชื่อมต่อการดำเนินการ AI ที่กระตุ้นโดยตรงกับระบบธุรกิจที่ทีมของคุณทำงานทุกวัน เมื่อชิ้นส่วนเหล่านั้นเชื่อมต่อกัน ช่องว่างระหว่างข้อมูลเชิงลึกและการดำเนินการจะลดลงจากวันๆ เป็นนาที นั่นคือสิ่งที่ฝังตัวจริงๆ หมายถึง การเชื่อมต่อการดำเนินการที่ได้รับจากข้อมูลลูกค้าเข้ากับระบบธุรกิจที่ลูกค้าของเราทำงานทุกวัน

การเปลี่ยนข้อมูลลูกค้าที่ไม่มีโครงสร้างให้เป็นข้อมูลเชิงลึกที่สามารถดำเนินการได้ในแบบเรียลไทม์ ดูเหมือนจะเป็นเรื่องที่มีพลัง แต่ยาก การท้าทายทางเทคนิคและองค์กรที่ยิ่งใหญ่ที่สุดในการทำให้สิ่งนี้เกิดขึ้นในระดับใหญ่คืออะไร

ด้านเทคนิค ปริมาณและความหลากหลายของข้อมูลสามารถท้าทายได้จริงๆ ลูกค้าเขียนในภาษาที่แตกต่างกัน โดยใช้การย่อหน้า การสะกดผิด และการเขียนย่อที่โมเดลทั่วไปมักจะอ่านผิดได้ โมเดลยังต้องเข้าใจภาษาของธุรกิจ อุตสาหกรรมที่แตกต่างกันใช้คำศัพท์ที่แตกต่างกัน และธุรกิจใช้แนวคิดของตนเองบนคำศัพท์นั้น

ตัวอย่างเช่น บุคคลที่ต้อนรับคุณในธุรกิจอาจเป็นพนักงานต้อนรับในสำนักงานแพทย์ โฮสต์ในร้านอาหาร และบาริสต้าในร้านกาแฟ บทบาทที่คล้ายกันเหล่านี้สามารถมีชื่อที่แตกต่างกันในอุตสาหกรรมที่แตกต่างกัน ในขณะที่โมเดลทั่วไปอาจเหมาะสมสำหรับการทบทวนเบื้องต้น โมเดลที่ซ่อนอยู่ต้องสร้างขึ้นโดยเฉพาะสำหรับข้อมูลลูกค้าและวิธีที่ลูกค้าพูดถึงอุตสาหกรรม ผลิตภัณฑ์ แบรนด์ และบริการต่างๆ โมเดลเหล่านั้นต้องสม่ำเสมอเพราะคุณกำลังเปรียบเทียบกับมาตรฐานในอดีตเสมอ

ในขณะที่ความท้าทายทางเทคนิคดูเหมือนจะเพิ่มขึ้น ความท้าทายทางองค์กร แม้ว่าจะมีนัยสำคัญ แต่ก็เริ่มง่ายขึ้น ความท้าทายหลักประการหนึ่งคือการรู้ว่าจะทำอะไรด้วยปริมาณและข้อมูลเชิงลึกที่เพิ่มขึ้น ทีมส่วนใหญ่มองข้อมูลเชิงลึกที่สร้างโดย AI และพูดว่า “นั่นเป็นเรื่องที่น่าสนใจ” องค์กรที่ดีที่สุดสร้างกระบวนการทำงานที่ระบุว่า “ข้อมูลเชิงลึกนี้ไปที่คน/ระบบนี้ ทำสิ่งนี้ ภายในกรอบเวลานี้” การสร้างกระบวนการเหล่านั้นไม่เคยเป็นเรื่องง่ายเท่านี้มาก่อน และเมื่อทำได้ถูกต้อง ความเร็วในการตอบสนองของทีมที่ทำงานเพื่อทำความเข้าใจข้อมูลลูกค้าจะเปลี่ยนแปลงไปอย่างน่าประทับใจเมื่อพวกเขาเติบโต

ความท้าทายหลักอีกประการหนึ่งคือความไว้วางใจ ในการศึกษาล่าสุดของ Alchemer เพียง 29% ของผู้ซื้อซอฟต์แวร์ CX ระบุว่าพวกเขารู้สึกสบายใจที่จะดำเนินการตามผลลัพธ์ที่สร้างโดย AI โดยไม่ต้องทบทวน ซึ่งสะท้อนถึงประสบการณ์จริงกับ AI ที่ไม่สม่ำเสมอหรือไม่สามารถอธิบายได้ การสร้างความไว้วางใจต้องใช้ระบบ AI ที่โปร่งใสเกี่ยวกับวิธีการสรุปผล โดยมีประวัติการตรวจสอบและควบคุมที่สามารถกำหนดค่าได้ ซึ่งช่วยให้ทีมตัดสินใจว่า AI สามารถและไม่สามารถทำอะไรได้ ที่ Alchemer เราให้ความสำคัญกับ AI ที่เชื่อถือได้ว่าเป็นผลิตภัณฑ์ ไม่ใช่คุณลักษณะ

คุณแนะนำว่าความสม่ำเสมออาจมีความสำคัญมากกว่าความแม่นยำในงานวิจัยตลาดที่ขับเคลื่อนด้วย AI คุณสามารถอธิบายได้ว่าทำไมความสม่ำเสมอมีความสำคัญและทำไมจึงมักถูกละเลย

ความแม่นยำบอกคุณว่า AI เข้าใจการตอบสนองเดียวได้ดีเพียงใด ความสม่ำเสมอบอกคุณว่าคุณสามารถไว้วางใจการเปรียบเทียบตามเวลาหรือไม่ สำหรับการวิจัยตลาด การเปรียบเทียบคือจุดสำคัญ ไม่ใช่การรู้ว่าลูกค้าพูดอะไรวันนี้ในแยกกัน แต่เป็นการทำความเข้าใจว่าสิ่งต่างๆ ดีขึ้นหรือเลวร้ายลงเมื่อเทียบกับไตรมาสที่แล้ว วิธีที่ภูมิภาคหนึ่งเทียบกับอีกภูมิภาคหนึ่ง หรือว่าธีมที่คุณเห็นอยู่ตอนนี้มีอยู่หกเดือนก่อนหรือไม่ ไม่มีสิ่งใดที่เป็นไปได้หากการจำแนกประเภทที่ซ่อนอยู่เปลี่ยนแปลงระหว่างการวิ่ง

ตัวอย่างเช่น หากคุณจ้างนักวิเคราะห์สองคนเพื่อเข้ารหัสข้อมูลลูกค้าที่เปิดเผยแบบเปิดหกเดือนต่างกัน คุณจะมีปัญหาในการเปรียบเทียบ แม้ว่าทั้งสองคนจะยอดเยี่ยมก็ตาม คุณจะไม่ทราบว่าการเปลี่ยนแปลงของธีมสะท้อนถึงการเปลี่ยนแปลงที่แท้จริงในความรู้สึกของลูกค้าหรือไม่ หรือว่ามันเป็นเพียงความแตกต่างในการตีความข้อมูลเดียวกันโดยผู้คนสองคน AI ที่มีผลลัพธ์ที่ไม่สม่ำเสมอก็สามารถทำให้เกิดความท้าทายเดียวกันนี้ได้

โมเดลที่ปรับให้เหมาะสมซึ่งใช้ตรรกะการจำแนกประเภทเดียวกันทุกครั้งจะแก้ไขปัญหานี้ได้ โมเดลไม่ได้ให้คำตอบที่แตกต่างกันในแต่ละวัน มันทำให้คำตอบแบบเปิดเป็นไปได้เช่นเดียวกับโปรแกรม Net Promoter Score (NPS) แบบยาวๆ นี่คือสิ่งที่ทำให้นักวิเคราะห์สามารถบอกธุรกิจได้ว่าพวกเขากำลังจะไปที่ไหน ไม่ใช่แค่ที่พวกเขาคือตอนนี้

เมื่อ AI ถูกฝังอยู่ในประสบการณ์ของลูกค้ามากขึ้น องค์กรควรคิดถึง AI ว่าเป็นตัวคูณกำลังคนงานมากกว่าการแทนที่ โดยเฉพาะสำหรับทีมที่ไม่ใช่เทคนิคอย่างไร

การสร้างตัวคูณกำลังคนงานเปลี่ยนคำถามจาก “AI จะแทนที่อะไร” เป็น “ทีมของฉันสามารถทำอะไรที่ไม่สามารถทำได้ก่อน” นี่คือกรอบที่มีประสิทธิผลมากกว่า และในประสบการณ์ของฉัน นี่คือกรอบที่ถูกต้องกว่า นี่เป็นรูปแบบที่ติดตามรูปแบบการนำเทคโนโลยีมาใช้ขนาดใหญ่ในสองทศวรรษที่ผ่านมา เวอร์ชันที่เป็นรูปธรรม: นักวิเคราะห์ข้อมูลลูกค้าที่ใช้เวลาสามวันต่อสัปดาห์ในการเข้ารหัสข้อมูลลูกค้าแบบเปิดด้วยตนเอง ตอนนี้สามารถใช้เวลานั้นในการตีความรูปแบบ การนำเสนอผลการวิจัย และทำงานในคำถามเบื้องหลังคำถาม AI ไม่ได้แทนที่นักวิเคราะห์ มันทำให้ทักษะของนักวิเคราะห์มีพื้นที่ในการทำงานมากขึ้น

สิ่งนี้มีความสำคัญมากขึ้นสำหรับทีมที่ไม่ใช่เทคนิค เมื่อบุคคลใดๆ สามารถถามคำถามเกี่ยวกับข้อมูลของตนเองได้ด้วยภาษาที่เรียบง่าย โดยไม่ต้องต้องการนักวิทยาศาสตร์ข้อมูลหรือสร้างรายงานจากศูนย์ บุคคลที่ใกล้กับลูกค้ามากที่สุดจะได้รับข้อมูลเชิงลึกเร็วขึ้น สิ่งนี้เปลี่ยนความเร็วในการตัดสินใจทั่วทั้งองค์กร ไม่ใช่แค่ประสิทธิภาพของงานเดียว

ผลคูณของกำลังคนงานจะเกิดขึ้นได้เฉพาะเมื่อทีมพร้อมที่จะใช้ความสามารถที่ AI สร้างขึ้น นี่เป็นคำถามด้านการออกแบบองค์กรมากทั้งในด้านเทคโนโลยีและด้านการดำเนินธุรกิจ ซึ่งเป็นสาเหตุว่าทำไมเราจึงใช้เวลาในการนำไปใช้และการปฏิบัติที่ดีที่สุดกับลูกค้าเท่ากับการใช้ความสามารถเหล่านั้น

เมื่อมองไปข้างหน้า คุณเห็น AI กำลังเปลี่ยนแปลงประสบการณ์ของลูกค้าในอีกไม่กี่ปีข้างหน้าอย่างไร และองค์กรควรทำอะไรในปัจจุบันเพื่อเตรียมพร้อมสำหรับการเปลี่ยนแปลงนั้น

การเปลี่ยนแปลงที่ฉันกำลังดูอยู่มากที่สุดคือการเปลี่ยนจากการตอบสนองเป็นการคาดการณ์ โปรแกรมข้อมูลลูกค้าส่วนใหญ่ในปัจจุบันเป็นแบบตอบสนอง สิ่งหนึ่งเกิดขึ้น ข้อมูลลูกค้ามาถึง ทีมวิเคราะห์ และการตัดสินใจเกิดขึ้น วงจรนี้เร็วขึ้น แต่ยังคงเป็นแบบย้อนกลับโดยพื้นฐาน

สิ่งที่ AI ทำให้ได้คือการอยู่ข้างหน้าเส้นโค้ง การระบุสัญญาณที่เพียงพอเพื่อกระทำก่อนที่ปัญหาปรากฏในคะแนนของคุณ รู้ว่ากลุ่มลูกค้าใดที่เสี่ยงก่อนที่จะหยุดชำระเงิน เข้าใจว่าทำไมความพึงพอใจจึงลดลงในภูมิภาคใดภูมิภาคหนึ่ง ก่อนที่จะกลายเป็นรูปแบบ นี่คือที่ที่การผสมผสานระหว่าง AI ที่สร้างขึ้นโดยเฉพาะและข้อมูลลูกค้าแบบยาวๆ กลายเป็นพลังที่แท้จริง

องค์กรในปัจจุบันควรสร้างโครงสร้างพื้นฐานขององค์กรเพื่อดูดซับได้ในสิ่งที่ AI ทำให้ได้ รวบรวมข้อมูลลูกค้าของคุณจากทุกช่องทาง ระบุว่าใครเป็นเจ้าของการวิเคราะห์และเกิดอะไรขึ้นเมื่อมีสิ่งที่สามารถดำเนินการได้ สร้างกระบวนการที่เชื่อมต่อข้อมูลเชิงลึกกับการดำเนินการก่อนที่คุณจะต้องการ องค์กรที่จะนำหน้าไม่จำเป็นต้องเป็นองค์กรที่มีเทคโนโลยี AI ที่ซับซ้อนที่สุด แต่เป็นองค์กรที่กระทำตามข้อมูลเชิงลึกของ AI อย่างต่อเนื่อง เร็ว และในระดับใหญ่

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Alchemer