Ryan Tamminga, Alchemer Müşteri Experience Başkanı – Röportaj Serisi

Ryan Tamminga müşteri deneyimi ve kurumsal dönüşüm yöneticisi olarak neredeyse iki thập kỷ liderlik deneyimine sahip. Alchemer’e 2019 yılında katıldığından bu yana, Müşteri Başarı Başkan Yardımcılığı ve Ürün ve Hizmetler Başkan Yardımcılığı gibi çeşitli liderlik rollerinde ilerledi ve 2026 yılında Müşteri Experience Başkanı olarak atandı. Şu anki rolünde, müşteri etkileşimi, başarısı ve hizmet teslimatını denetler ve müşteri ihtiyaçlarını ürün inovasyonu ve iş stratejisi ile uyumlu hale getirmeye yardımcı olur. Alchemer’e katılmadan önce, Tamminga ReedGroup, Deloitte ve Accenture’da üst düzey liderlik pozisyonlarında bulundu ve iş operasyonları, analitik, otomasyon ve kurumsal performans iyileştirme odaklı büyük ölçekli dönüşüm projelerini yönetti.

Alchemer müşteri geri bildirimi ve deneyimi yönetim platformu olarak organizasyonlara müşteriler, çalışanlar ve paydaşlardan gelen geri bildirimleri toplama, analiz etme ve eyleme geçirme konusunda yardımcı olur. Şirketin yazılımları anket oluşturma, geri bildirim toplama, iş akışı otomasyonu ve AI destekli analitik gibi özellikleri bir araya getirerek işlerin sadece veri toplamak yerine ölçülebilir sonuçlar elde etmesine yardımcı olur. Geniş bir yelpazede endüstriye hizmet veren Alchemer, ekiplere çoklu kanallardan gelen geri bildirimleri merkezi bir şekilde toplama, trendleri ve duyguları keşfetme ve bu içgörülerle müşteri deneyimi, ürün kararları ve iş performansı iyileştirme olanağı sağlar. Büyüyen AI destekli araç seti ile şirket, organizasyonların geri bildirimi sürekli bir operasyonel ve stratejik zeka kaynağı haline getirmeyi hedefliyor.

Müşteri deneyimi ve kurumsal dönüşüm alanında on yıldan fazla deneyim sahibi olarak, Alchemer’de müşteri başarısı, ürün ve hizmetleri yönetirken, bu deneyim nasıl AI’yi kurumsal ortamlarda dağıtmaya yaklaştığınızı şekillendirdi?

Danışmanlık alanında çalışmak, bana çok değerli bir deneyim kazandırdı ve şu anki rolüme de büyük katkı sağladı. Örneğin, teknolojinin her zaman en zor parte olmadığını keşfettim. Büyük şirketlere kurumsal sistemler uygularken, projelerin başarısız olmasının nedeni genellikle kötü yazılımdan değil, değişim yönetimi, net mülkiyet ve souvent sistemin hazır olmamasından kaynaklandığını gördüm.

Bu deneyim, AI dağıtımına yaklaşımımı şu şekilde etkiledi: AI’den değer elde edemeyen müşterilerle konuştuğumda, sorun genellikle teknoloji itself değil, amaçlarının ne olduğunu tanımlamadıkları, kimin sonuçlara sahip olduğunu belirlemedikleri ve AI’nin bir şeyler ortaya çıkardığında ne değişeceğinin belirsiz olmasıdır. Teknoloji, çoğu durumda organizasyonel hazırlıktan öndedir.

Müşteri odaklı çalışma, denklemin diğer yarısıdır. Müşterilerle birlikte çalışarak, gerçek değer”in ne anlama geldiğini ve bunu yönetim panellerine nasıl çevirebileceğinizi nhanh chóng öğrenirsiniz. Bu iki deneyim, Alchemer’de AI’yi nasıl inşa edip dağıtabileceğimize dair stratejimi şekillendiriyor.

Liderlerin AI’ye hazır olduklarına dair en büyük yanlış anlamalar nelerdir ve uygulamalar genellikle nerede başarısız olur?

En yaygın yanlış anlama, AI aracını satın almak, onu kullanmaya hazır olmakla aynı şey olduğudur. Liderler bir demo görür, çıktıyı görür ve genellikle yanlış bir şekilde, benimsemenin otomatik olarak gerçekleşeceğini varsayarlar. Önemli olan, teknolojinin, ister AI olsun ister olmasın, çözülmesi gereken iş problemine dayalı olarak başlamasıdır. Başarılı benimseme, genellikle teknolojinin nasıl bir sorun çözeceğini ekiplere ve müşterilere nasıl iletebileceğinize bağlıdır.

Uygulamalar genellikle ilk olarak teslim noktasında başarısız olur. Bir sonraki adımda net bir iş akışı yoksa, yani kimin göreceği, kimin harekete geçeceği ve hangi sisteme gireceği belirsizse, içgörüler harekete geçirilmez. Organizasyonlar, içgörülerden harekete geçmek için uygun şekilde yapılandırılmalıdır.

Bu boşluğu tanımak, Alchemer’de çözüm inşa etme şeklimizi etkiledi. Çözüm geliştirdiğimizde, hangi problemleri çözmeye çalıştığımızı tanımlarız ve teknoloji yeteneklerine göre hareket ederiz. AI yetenekleri, iş akışı ve kullanıcı kontrolleri yalnızca bir kısmını sunarız. Ekiplere geri bildirimi harekete geçirmek için organizasyonel kas inşa etmeye yardımcı olmak, gerçek sonuçların elde edildiği yerdir.

Çok sayıda şirket AI’ye büyük yatırımlar yapıyor, ancak ROI’yi kanıtlamakta zorlanıyor. Müşteri deneyimi AI’sinin gerçekten çalışıp çalışmadığını değerlendirmek için hangi metriklere veya çerçevelere başvurmalılar?

Değişen davranışlarla başlamak, AI’nin ürettiği şeylerle değil. Doğru soru, “AI bir özet üretti mi?” değil, “Hangi metrik başarı göstergesidir?”, “Ekibe etkisi oldu mu?” ve “İşle ilgili metrikler doğru yönde değişiyor mu?” AI明確 olarak bir problem veya fırsatı tanımlayabilir ve yeni içgörüler sunabilir, ancak şirketler bu içgörülerden harekete geçmezse, müşteri geri bildirimi ihmal edilebilir veya zamanında ele alınmayabilir.

İçgörüye ulaşma süresi iyi bir metriktir. Geri bildirimi toplamakla karar vericinin önüne eyleme geçirilebilir bir şey koymak arasında ne kadar zaman geçti? AI ile birlikte, geri bildirim analizi altı aydan saatlere indirilebilir. Bir müşterimiz, bu döngüyü altı aydan saatlere indirdi ve gerçekten ölçülebilir bir değişim gösterdi.

Cevap süresi de erken dönemde yakalamak için önemli bir metriktir. Müşteriler, özellikle olumsuz geri bildirimi aldıklarında, bir cevap beklerler. Olumlu veya olumsuz bir anket yanıtına veya online inceleme yanıtına cevap verme süresini ölçün. Elle incelediğinizde, destek bileti aracılığıyla görev atadığınızda ve sonra müşteriye cevap verdiğinizde günler alabilir. Bir online gözlük perakendecisi, neredeyse bir aydan dakikaya indirerek bu süreyi azaltmayı başardı.

Cevap oranı da izlemek için önemli bir metriktir. H&R Block (HRB ) Canada, vergi sezonunda yaklaşık 1.000 konumunu yönetir. AI olmadan, %100 inceleme yanıt kapsamına ulaşmak neredeyse imkansızdı. Şimdi ise bu, temel bir ölçüttür ve arama görünürlüğü ve müşteri algısı üzerindeki aşağı akış etkileri izlenebilir.

Başlayın bằng problemi tanımlayın, size mal olan veya müşterilerinizi frustr eden şeyi (örneğin, yavaş analiz, düşük cevap oranları, kaçan müşteri sinyalleri) ve önce ve sonra delta’yı ölçün. Her şeyi ölçmeye çalışmayın, önemli olan bir şeyi ölçün ve bu momentumu iş durumunu inşa etmek ve sunmak için kullanın.

Aİ’yi işle ilgili olarak kullanmakla kalmayıp, gerçekten operasyonel hale getiren organizasyonlar ile denenmekte olan organizasyonlar arasındaki fark nedir?

Başarılı olan organizasyonlar, AI’yi altyapı olarak değil, bir proje olarak görmez. Altyapı, işin nasıl yapıldığının temelidir. Örneğin, 1990’ların sonlarında ve 2000’lerin başlarında CRM yazılımlarının tanıtılması gibi. Proje, uygulamaydı, ancak sistemler, pazarlama ekiplerinin çalışmasının temelini oluşturan işletme altyapısı haline geldi. Bu geçiş, operasyonel hale gelmek demektir ve çoğu organizasyon henüz AI benimsemesinde bunu başaramadı.

Diğer bir ayırt edici unsur, sahipliktir. Başarılı müşteri deneyimi dağıtımlarında, çıktıların harekete geçirildiğinden emin olmak için bir sorumluluk vardır. Kimse çıktıların sorumluluğunu üstlenmezse, içgörüler bir panoya geri döner ve orada kalır. Bu, müşteri deneyimi programları için her zaman doğruydu ve AI ile daha da önemli hale geldi, çünkü çıktılar daha hızlı geliyor ve müşteri beklentileri hızlanıyor.

Üçüncü şey, organizasyonun başarı metriklerinin tutarlı bir örüntüsüne sahip olup olmadığını izlemektir. Ne ölçülürse, yönetilir. Ekipler, trendleri zaman içinde, çeyrek çeyrek veya coğrafyalar arasında karşılaştıran ve güvenilirlikten ziyade yetenek isteyen AI çözümlerini talep eder. AI’yi operasyonel olarak kullanan organizasyonlar, yeteneklerine ek olarak güvenilirlik ister.

Genel amaçlı LLM’ler etrafındaki heyecana rağmen, neden geri bildirim akışlarında amaç odaklı AI’yi savunuyorsunuz?

Her problem aynı AI çözümünü gerektirmez. Geri bildirim ve müşteri deneyimi alanındaki birçok satıcı, AI yeteneklerini genel amaçlı modellerin üzerine inşa etti. Bunlar herkes için her şeyi yapmak üzere tasarlandı ve bu genellik sorunlu olabilir. Alchemer, müşterilerinin çözmesi gereken zorlukları desteklemek için farklı bir yaklaşım benimsedi. Her özel görev için doğru AI çözümünü kullanıyoruz. Bu amaç odaklı AI stratejisinin sonucu, daha doğru çıktılar, zaman içinde tutarlı sonuçlar ve geri bildirim verilerine optimize edilmiş AI’dir.

Müşterilerimizle bunu doğrudan gördük. Washburn & McGoldrick, Alchemer’i seçmeden önce genel amaçlı AI araçlarını değerlendirdi ve aynı verisetinin farklı günlerde farklı kategorilemeler ürettiğini buldu. Bir benchmarking programı buna dayanamaz.

AI’yi doğrudan iş akışlarına entegre etmenin anlamı nedir ve bu yaklaşımın AI’yi bağımsız bir araç olarak ele almaktan daha etkili olması nedenidir?

Bağımsız bir AI aracı, analiz etmek istediğinizde açtığınız bir şeydir. Entegre edilmiş bir AI yeteneği, düşünmeden önce zaten çalışır.

Pratikte fark şudur: Bir risk eşiğini karşılayan bir inceleme gece gelir, entegre bir sistem uyarı tetikleyerek, ilgili kişiye yönlendirir ve yanıt iş akışını otomatik olarak başlatır. Kimse panelli kontrol etmesine gerek yoktur. AI, iş akışının bir parçasıdır.

Alchemer’de, tüm geri bildirim kanalları ve tam geri bildirim yaşam döngüsü boyunca bunu düşünüyoruz. Anket yeteneklerimizdeki AI, gerçek zamanlı olarak ilgili takip soruları üretebilir, böylece anket bir sohbet haline gelir. İnceleme yönetiminde, AI, marka içi, kişiselleştirilmiş yanıtlar üretebilir ve hatta yayınlayabilir. Analitik katmanımızdaki AI, tüm geri bildirimler boyunca önemli olanları ortaya çıkarır. İş akışı otomasyonumuz, AI tetiklenen eylemleri doğrudan iş sistemlerine bağlar. Bu parçalar bağlandığında, içgörüler ile eylem arasındaki boşluk günlerden dakikaya iner. Bu, gerçekten entegre edilmiş AI’nin anlamıdır, müşteri geri bildiriminden kaynaklanan eylemleri, müşterileriyle etkileşim kurmak için kullandıkları iş sistemlerine bağlamak demektir.

Gerçek zamanlı, eyleme geçirilebilir istihbarata dönüştürmek, müşteri geri bildirimi işleminin zor ve zorlu bir görev gibi görünüyor. Büyük ölçekte bunu başarmada teknik ve organizasyonel en büyük zorluklar nelerdir?

Teknik olarak, veri hacmi ve çeşitliliği gerçekten zorlayıcı olabilir. Müşteriler, kısaltmalar, yazım hataları ve kısaltmalarla farklı dillerde yazabilir. Modeller, iş dili anlamalıdır. Farklı endüstriler farklı terminoloji kullanır ve işletmeler bunun üzerine kendi nüanslarını ekler.

Örneğin, bir işyerinde sizi karşılayan kişi, bir doktor muayenehanesinde resepsiyonist, bir restoranda host ve bir kahve dükkânında baristadır. Benzer roller, farklı endüstrilerde farklı isimlere sahip olabilir. Genel bir model, ilk inceleme için yeterli olabilir, ancak temel modeller, geri bildirim verisi ve müşterilerin belirli endüstriler, ürünler, markalar ve hizmetler hakkında konuştuğu şekilde oluşturulmalıdır. Modeller ayrıca tutarlı olmalıdır, çünkü genellikle tarihi bazlara karşı karşılaştırırsınız.

Organizasyonel zorluklar, teknik zorluklardan daha az olsa da, önemli olmaya devam etmektedir. İlk büyük zorluk, artan hacim ve daha zengin içgörülerle ne yapacağını bilmektir. Çoğu takım, AI tarafından üretilen bir içgörü gördüğünde, “ilginç” der. En iyi organizasyonlar, bu içgörüye hangi kişinin veya sistemin sahip olacağını, ne yapacaklarını ve hangi zaman diliminde yapacaklarını belirleyen iş akışları oluşturur. İş akışlarını oluşturmak hiç bu kadar kolay olmamıştı ve doğru yapıldığında, ekiplerin müşteri geri bildirimi hakkında anlamak için gösterdiği genel meraklılığın hızlanması gerçekten heyecan verici.

Diğer büyük organizasyonel zorluk, güvendir. Alchemer’in recent bir çalışmasında, yalnızca %29’luk CX yazılımı alıcılarının AI tarafından üretilen çıktılara inandıkları ve gözden geçirmeden hareket ettikleri görüldü. Bu, AI’nin tutarlı veya açıklanabilir olmadığı gerçek deneyimleri yansıtıyor. Güven, sonuçlara nasıl ulaşıldığını açıklamak, denetim izleri ve ekiplerin AI’nin ne yapabileceğini ve ne yapamayacağını belirlemesine olanak tanıyan yapılandırılabilir kontroller sağlayan AI sistemleri gerektirir. Alchemer’de, güvenilebilir AI’yi bir ürün olarak, bir özellik olarak değil, görüyoruz.

Sunduğunuz bir görüşe göre, AI destekli pazar araştırmalarında tutarlılık, doğruluktan daha önemli olabilir. Tutarlılığın neden bu kadar kritik olduğunu ve neden genellikle gözden kaçırıldığını açıklayabilir misiniz?

Doğruluk, AI’nin tek bir yanıtı ne kadar iyi anladığını söyler. Tutarlılık, karşılaştırma yapılabilirliğini söyler. Pazar araştırmaları için, karşılaştırma noktasıdır. Bugün müşterilerin ne dediğini bilmek anlamında değildir, ancak şeylerin daha iyi veya daha kötüye gittiğini anlamak önemlidir. Bu, AI’nin her seferinde aynı sınıflandırma mantığını uyguladığı fine-tuned modellerle çözülür. Model, aynı günlerde farklı cevaplar vermez. Açık metin cevapları, aynı şekilde güvenilir Longitudinal Net Promoter Score (NPS) programları gibi güvenilir hale gelir.

Müşteri deneyimi AI’si daha da entegre olurken, organizasyonlar AI’yi işgücü çarpanı olarak değil, yerine geçme aracı olarak nasıl düşünmelidir, özellikle non-teknik ekipler için?

İşgücü çarpanı çerçevsi, “AI neyi yerine koyacak?” sorusundan “Ekibin şimdi yapamadığı neyi yapabileceği?” sorusuna geçer. Bu, daha üretken bir çerçevdir ve deneyimime göre daha doğru olanıdır. Somut örnek: Müşteri içgörüsü analisti, açık metin geri bildirimi kodlamak için üç gününü harcıyorsa, şimdi bu zamanı desenleri yorumlamak, bulguları sunmak ve soruların arkasındaki sorularla çalışmak için harcayabilir. AI, analisti değiştirmedi, analistin becerilerine daha fazla alan açtı.

Bu, non-teknik ekipler için daha da önemlidir. Herkes, veri hakkında sorular sormak için bir veri bilimcisine veya rapor oluşturmaya gerek kalmadan plain dil kullanabilirse, müşteri yakınındaki ekipler, içgörülere daha hızlı ulaşır. Bu, tüm organizasyon genelinde kararların hızını değiştirir, yalnızca bir görevin verimliliğini değil.

Çarpan etkisi, ekiplerin AI tarafından oluşturulan kapasiteyi kullanmaya hazır olduğunda ortaya çıkar. Bu, organizasyonel tasarım sorusu kadar teknoloji sorusudur. Müşterilerimizle birlikte, yeteneklerine ek olarak benimseme ve en iyi uygulamalar üzerine çalışıyoruz.

Gelecek birkaç yıl içinde, müşteri deneyimi AI’sinin nasıl şekilleneceğini öngörüyorsunuz ve şirketlerin bu değişime hazırlanmak için bugün neler yapması gerekiyor?

En yakından izlediğim değişiklik, tepkiselden proaktife doğru geçiştir. Bugün çoğu geri bildirim programı tepkiseldir. Bir şey olur, geri bildirim gelir, ekipler analiz eder ve kararlar verilir. Döngü hızlanıyor, ancak temelde geriye dönüktür.

AI, bu eğrinin ötesine geçmeyi mümkün kılar. Sinyalleri, bir problem ortaya çıkmadan önce tanımlamak. Hangi müşteri segmentlerinin risk altında olduğunu bilmek. Bir bölgede müşteri memnuniyetinin neden düştüğünü anlamak. Bu, purpose-built AI ve longitudinal geri bildirim verisinin birleşiminden gerçekten güçlüdür.

Şirketler bugün, AI içgörülerine dayanarak harekete geçmek için organizasyonel altyapıyı oluşturmalıdır. Geri bildirim verilerinizi, incelemelerden, anketlerden, sosyal medyadan ve daha fazlasından toplamak için konsolide edin. Analizlerin ve eylemlerin kimin sahip olacağını tanımlayın. Hareketi tetikleyen iş akışlarını oluşturun. AI teknolojisine sahip olmak, bu içgörülerden yararlanmak için yeterli değildir. Şirketler, AI içgörülerini tutarlı, hızlı ve ölçeklenebilir bir şekilde eyleme geçirmek için hazırlanmalıdır.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Alchemer ziyaret edebilir.