Ryan Tamminga, Chief Customer Officer, Alchemer – Phỏng vấn Series

Ryan Tamminga là một giám đốc điều hành về trải nghiệm khách hàng và chuyển đổi doanh nghiệp với gần hai thập kỷ kinh nghiệm lãnh đạo trong các lĩnh vực thành công khách hàng, dịch vụ chuyên nghiệp, tư vấn và chiến lược sản phẩm. Kể từ khi gia nhập Alchemer vào năm 2019, ông đã tiến bộ qua một loạt các vai trò lãnh đạo, bao gồm Phó Chủ tịch Thành công Khách hàng và Phó Chủ tịch cấp cao Sản phẩm & Dịch vụ, trước khi được bổ nhiệm làm Chief Customer Officer vào năm 2026. Trong vai trò hiện tại, ông giám sát việc tham gia khách hàng, thành công và giao hàng dịch vụ trong khi giúp đối齐 nhu cầu khách hàng với đổi mới sản phẩm và chiến lược kinh doanh. Trước khi gia nhập Alchemer, Tamminga đã giữ các vị trí lãnh đạo cấp cao tại ReedGroup, Deloitte và Accenture, nơi ông đã dẫn đầu các sáng kiến chuyển đổi quy mô lớn tập trung vào hoạt động kinh doanh, phân tích, tự động hóa và cải thiện hiệu suất doanh nghiệp.

Alchemer là một nền tảng quản lý trải nghiệm và phản hồi khách hàng giúp các tổ chức thu thập, phân tích và hành động dựa trên thông tin từ khách hàng, nhân viên và các bên liên quan. Phần mềm của công ty kết hợp tạo khảo sát, thu thập phản hồi, tự động hóa quy trình và phân tích AI để giúp các doanh nghiệp vượt ra ngoài việc thu thập dữ liệu và thúc đẩy hành động có thể đo lường từ đó. Phục vụ các tổ chức trên nhiều ngành công nghiệp, Alchemer cho phép các đội tập trung phản hồi từ nhiều kênh, khám phá xu hướng và cảm xúc, và sử dụng những thông tin đó để cải thiện trải nghiệm khách hàng, thông báo quyết định sản phẩm và tăng cường hiệu suất kinh doanh. Thông qua bộ công cụ AI được phát triển, công ty nhằm giúp các tổ chức chuyển đổi phản hồi thành nguồn thông tin hoạt động và chiến lược liên tục.

Bạn đã dành hơn một thập kỷ trong tư vấn tại các công ty như Accenture và Deloitte trước khi lãnh đạo thành công khách hàng, sản phẩm và dịch vụ tại Alchemer. Làm thế nào mà sự kết hợp giữa chuyển đổi quy trình và kinh nghiệm khách hàng thực tế đã định hình cách tiếp cận của bạn trong việc triển khai AI trong môi trường doanh nghiệp?

Làm việc trong tư vấn đã cung cấp kinh nghiệm rất quý giá mà thông tin cho vai trò hiện tại của tôi tại Alchemer. Ví dụ, tôi đã phát hiện ra rằng công nghệ hiếm khi là phần khó khăn nhất. Tôi đã dành nhiều năm giúp các công ty Fortune 100 triển khai hệ thống doanh nghiệp, và các dự án gặp khó khăn không bị phá vỡ bởi phần mềm kém. Họ có vấn đề quản lý thay đổi, quyền sở hữu không rõ ràng và thường được triển khai trước khi các quy trình cơ bản sẵn sàng để hấp thụ chúng.

Kinh nghiệm đó định hình cách tôi nghĩ về việc triển khai AI ngày nay. Khi tôi nói chuyện với khách hàng đang gặp khó khăn trong việc thu được giá trị từ AI, vấn đề gần như không bao giờ là công nghệ chính nó. Đó là họ chưa xác định được điều họ đang cố gắng đạt được, ai sở hữu đầu ra và những gì thay đổi khi AI đưa ra điều gì đó có thể hành động. Công nghệ đang vượt trước sự sẵn sàng của tổ chức trong hầu hết các trường hợp.

Công việc thực tế với khách hàng là nửa còn lại của phương trình đó. Bạn học nhanh chóng giá trị thực sự có nghĩa là gì với những người làm việc hàng ngày và cách dịch nó sang những gì có nghĩa là cho các chỉ số trên bảng. Những thứ đó thường là rất khác nhau. Sự kết hợp giữa sự nghiêm ngặt của quy trình từ tư vấn và sự đồng cảm của khách hàng từ việc làm việc cùng các đội là những gì tôi nhằm mục đích mang đến chiến lược xây dựng và triển khai AI tại Alchemer.

Bạn đã chỉ ra một khoảng cách trưởng thành AI đáng kể trên các tổ chức. Những quan niệm sai lầm lớn nhất mà các nhà lãnh đạo có về sự sẵn sàng của họ là gì, và triển khai thường thất bại ở đâu đầu tiên?

Quan niệm sai lầm phổ biến nhất là mua công cụ AI là giống như sẵn sàng sử dụng nó. Các nhà lãnh đạo xem một bản demo, họ xem đầu ra và họ giả định, thường không chính xác, rằng việc áp dụng sẽ tự động theo sau. Điều quan trọng là đảm bảo rằng công nghệ, cho dù là AI hay không, bắt đầu với vấn đề kinh doanh cần được giải quyết. Việc áp dụng thành công công nghệ gần như luôn gắn liền với việc bạn có thể truyền đạt cách nó sẽ giải quyết vấn đề đó cho các đội và khách hàng của bạn.

Điểm thất bại đầu tiên gần như luôn là tại điểm bàn giao. Nếu không có quy trình làm việc được xác định cho những gì xảy ra tiếp theo (ví dụ, ai nhìn thấy nó, ai hành động trên nó, hệ thống nào nó đi vào) thì thông tin không được hành động. Các tổ chức cần được cấu trúc đúng cách để hành động trên thông tin.

Nhận ra khoảng cách này đã định hình cách chúng tôi xây dựng các giải pháp tại Alchemer. Chúng tôi bắt đầu bằng cách xác định các vấn đề chúng tôi đang cố gắng giải quyết với các khả năng công nghệ mà chúng tôi phát hành. Khả năng AI, quy trình và kiểm soát người dùng chỉ là một phần của những gì chúng tôi cung cấp. Giúp các đội xây dựng cơ bắp tổ chức để hành động trên phản hồi cũng quan trọng không kém, và đó là nơi kết quả thực sự được thực hiện.

Nhiều công ty đang đầu tư mạnh mẽ vào AI nhưng gặp khó khăn trong việc chứng minh ROI. Những chỉ số hoặc khuôn khổ nào mà họ nên sử dụng để đánh giá liệu AI trong trải nghiệm khách hàng có thực sự hoạt động?

Bắt đầu với những gì thay đổi trong hành vi, không phải những gì AI sản xuất. Câu hỏi đúng không phải là “AI có tạo ra một bản tóm tắt không?” Thay vào đó, hãy hỏi những câu hỏi như “Chỉ số nào là chỉ số chính của thành công?”, “Đội đã hành động khác nhau vì nó không?”, và “Các chỉ số kinh doanh được căn chỉnh có thay đổi theo hướng đúng không?” AI có thể xác định rõ ràng nơi một vấn đề hoặc cơ hội tồn tại và cung cấp thông tin mới. Tuy nhiên, nếu các công ty không hành động trên những thông tin đó, phản hồi của khách hàng có thể bị bỏ qua hoặc không được giải quyết kịp thời.

Thời gian để có thông tin là một chỉ số tốt để bắt đầu. Bao lâu thì từ việc thu thập phản hồi đến có điều gì đó có thể hành động trước mặt một người ra quyết định? Phân tích phản hồi mà trước đây mất sáu tháng hiện đã giảm đáng kể với AI. Chúng tôi có một khách hàng đã giảm chu kỳ đó từ sáu tháng xuống vài giờ, chứng tỏ một sự thay đổi thực sự và có thể đo lường được về thời gian để có thông tin và hành động.

Thời gian để phản hồi là một chỉ số khác để bắt đầu. Khách hàng mong đợi một phản hồi cho phản hồi của họ, đặc biệt là khi nó tiêu cực. Đo lường bao lâu thì phản hồi lại một phản hồi khảo sát tiêu cực hoặc đánh giá trực tuyến. Nó có thể mất vài ngày nếu bạn đang xem xét thủ công, gán hành động qua một vé hỗ trợ, sau đó phản hồi lại khách hàng. Một nhà bán lẻ mắt kính trực tuyến đã có thể giảm từ gần một tháng xuống vài phút.

Tỷ lệ phản hồi là chỉ số cuối cùng để theo dõi. H&R Block (HRB ) Canada quản lý gần 1.000 địa điểm trong suốt mùa thuế. Trước AI, việc đạt được 100% phạm vi phản hồi đánh giá gần như là không thể. Giờ đây nó là một tiêu chuẩn. Đó là có thể đo lường được, và các hiệu ứng hạ nguồn về khả năng hiển thị tìm kiếm và nhận thức của khách hàng là có thể theo dõi.

Bắt đầu bằng cách xác định vấn đề đang chi phí cho bạn hoặc làm cho khách hàng của bạn thất vọng (ví dụ, phân tích chậm, tỷ lệ phản hồi thấp, tín hiệu khách hàng bị bỏ lỡ) và đo lường sự khác biệt trước và sau. Đừng cố gắng đo lường mọi thứ. Đo lường một điều gì đó quan trọng và sử dụng động lực đó để giúp xây dựng và cung cấp trường hợp kinh doanh.

Từ quan điểm của bạn, điều gì phân biệt các tổ chức thành công trong việc vận hành hóa AI với những tổ chức vẫn còn mắc kẹt trong thử nghiệm?

Các tổ chức thành công với AI coi nó như một cơ sở hạ tầng chứ không phải như một dự án có ngày bắt đầu, ngày kết thúc và một đội cố gắng chứng minh đầu tư. Cơ sở hạ tầng trở thành cốt lõi của cách công việc được thực hiện. Ví dụ, hãy nghĩ về sự khác biệt mà việc giới thiệu phần mềm CRM vào cuối những năm 1990 và đầu những năm 2000 đã mang lại. Dự án là việc triển khai, nhưng hệ thống trở thành cơ sở hạ tầng hoạt động cốt lõi là nền tảng cho cách các đội tiếp thị đã hoạt động từ đó. Chuyển đổi đó là những gì vận hành hóa thực sự có nghĩa là, và hầu hết các tổ chức chưa thực hiện điều đó khi nói đến việc áp dụng AI.

Sự khác biệt khác là quyền sở hữu. Các triển khai CX thành công có ai đó chịu trách nhiệm đảm bảo đầu ra được hành động. Cần phải có ai đó chịu trách nhiệm về kết quả. Khi không ai sở hữu kết quả, thông tin quay trở lại bảng điều khiển và dừng lại ở đó. Điều này luôn đúng cho các chương trình CX — nó được khuếch đại bởi AI vì đầu ra đang đến nhanh hơn, và kỳ vọng từ khách hàng đang tăng tốc.

Điều thứ ba tôi theo dõi là liệu tổ chức có một mô hình nhất quán của các chỉ số thành công hay không. Những gì được đo lường, sẽ được quản lý. Các đội theo dõi xu hướng theo thời gian, tạo bảng thành tích hàng quý, hoặc so sánh kết quả trên các khu vực địa lý không thể đủ khả năng cho các giải pháp AI sản xuất các câu trả lời khác nhau vào các ngày khác nhau. Các tổ chức vận hành hóa thành công có xu hướng đòi hỏi sự tin cậy ngoài khả năng. Họ muốn AI mà họ có thể xây dựng dựa trên đó.

Có rất nhiều sự phấn khích xung quanh các mô hình LLM chung, nhưng bạn lại đề xuất AI được xây dựng cho các quy trình phản hồi. Ở đâu các mô hình chung thất bại trong các trường hợp sử dụng doanh nghiệp?

Không phải mọi vấn đề đều yêu cầu cùng một giải pháp AI. Nhiều nhà cung cấp trong không gian phản hồi và CX đã xây dựng khả năng AI của họ trên các mô hình chung thương mại như ChatGPT, Claude hoặc Gemini. Chúng được thiết kế để làm mọi thứ cho mọi người, và sự chung chung đó có thể gây vấn đề cho các tổ chức đòi hỏi mức độ tin cậy và nhất quán cao.

Alchemer đã tiếp cận khác nhau để hỗ trợ các thách thức mà khách hàng của chúng tôi đang cố gắng giải quyết. Alchemer sử dụng giải pháp AI phù hợp cho từng nhiệm vụ cụ thể thay vì định tuyến mọi vấn đề qua các mô hình LLM thương mại. Kết quả của chiến lược AI được xây dựng này là đầu ra chính xác hơn, kết quả nhất quán theo thời gian và AI được tối ưu hóa cho dữ liệu phản hồi chứ không phải được điều chỉnh từ một công cụ được xây dựng cho điều gì khác.

Chúng tôi đã chứng kiến điều này diễn ra trực tiếp với khách hàng. Washburn & McGoldrick đã đánh giá các công cụ AI chung trước khi chọn Alchemer và phát hiện ra rằng cùng một tập dữ liệu đã sản xuất các phân loại khác nhau vào các ngày khác nhau. Bạn không thể xây dựng một chương trình tạo bảng thành tích trên điều đó.

Điều gì thực sự có nghĩa là nhúng AI trực tiếp vào các quy trình kinh doanh, và tại sao cách tiếp cận này hiệu quả hơn việc đối xử với AI như một công cụ độc lập?

Một công cụ AI độc lập là thứ bạn mở khi bạn quyết định phân tích điều gì đó. Một khả năng AI nhúng là đã hoạt động trước khi bạn nghĩ đến việc hỏi.

Dưới đây là sự khác biệt trong thực tế: Nếu một đánh giá đến vào ban đêm đạt đến ngưỡng rủi ro vì lo ngại an toàn, một hệ thống nhúng kích hoạt một cảnh báo, định tuyến nó đến đúng người và khởi động một quy trình phản hồi tự động. Không ai cần nhớ kiểm tra bảng điều khiển. AI đã là một phần của quy trình.

Tại Alchemer, chúng tôi nghĩ về điều này trên tất cả các kênh phản hồi và toàn bộ vòng đời phản hồi. AI trong khả năng khảo sát của chúng tôi cải thiện những gì đến và có thể tạo ra các câu hỏi theo dõi liên quan trong thời gian thực để một cuộc khảo sát trở thành một cuộc trò chuyện. Trong quản lý đánh giá, AI có thể soạn thảo các phản hồi được cá nhân hóa, phù hợp với thương hiệu và thậm chí đăng nó. AI trong lớp phân tích của chúng tôi đưa ra những gì quan trọng trên tất cả phản hồi đó. Và tự động hóa quy trình của chúng tôi kết nối các hành động kích hoạt AI trực tiếp vào các hệ thống kinh doanh mà các đội của khách hàng của chúng tôi thực sự làm việc. Khi những mảnh ghép đó được kết nối, khoảng cách giữa thông tin và hành động thu hẹp từ ngày đến phút. Đó là những gì nhúng thực sự có nghĩa là, kết nối các hành động phát sinh từ phản hồi của khách hàng vào các hệ thống mà các đội của khách hàng của chúng tôi sử dụng hàng ngày để tương tác với khách hàng của họ.

Chuyển đổi phản hồi của khách hàng không có cấu trúc thành thông tin có thể hành động theo thời gian thực có vẻ mạnh mẽ, nhưng khó khăn. Những thách thức kỹ thuật và tổ chức lớn nhất trong việc thực hiện điều này với quy mô là gì?

Về mặt kỹ thuật, khối lượng và sự đa dạng của dữ liệu có thể thực sự là một thách thức. Khách hàng viết bằng các ngôn ngữ khác nhau, với các từ viết tắt, lỗi chính tả và viết tắt mà các mô hình chung thường xuyên hiểu lầm. Các mô hình cũng phải hiểu ngôn ngữ của doanh nghiệp. Các ngành công nghiệp khác nhau sử dụng các thuật ngữ khác nhau và các doanh nghiệp áp dụng các sắc thái riêng của họ lên đó.

Ví dụ, người tiếp khách tại một doanh nghiệp có thể là một tiếp tân tại một văn phòng bác sĩ, người chủ tại một nhà hàng và một nhân viên pha chế tại một quán cà phê. Những vai trò tương tự có thể được đặt tên khác nhau trong các ngành công nghiệp khác nhau. Trong khi một mô hình chung có thể ổn cho một đánh giá ban đầu, các mô hình cơ bản phải được xây dựng cho sự tinh tế của dữ liệu phản hồi và cách khách hàng nói về các ngành công nghiệp, sản phẩm, thương hiệu và dịch vụ cụ thể. Các mô hình cũng phải nhất quán, vì bạn gần như luôn so sánh với các đường cơ sở lịch sử.

Khi các thách thức kỹ thuật dường như đang tăng lên, các thách thức tổ chức, trong khi quan trọng, đang trở nên dễ giải quyết hơn. Thách thức lớn đầu tiên là biết phải làm gì với khối lượng và thông tin phong phú hơn. Hầu hết các đội nhìn vào một thông tin do AI tạo ra và nói: “điều đó thú vị.” Các tổ chức tốt nhất xây dựng các quy trình làm việc nói: “Thông tin này đi đến người / hệ thống này, người làm điều này, trong khung thời gian này.” May mắn thay, việc xây dựng các quy trình làm việc đó chưa bao giờ dễ dàng hơn. Với một chút lập kế hoạch, và khi thực hiện đúng, sự tăng tốc của sự tò mò chung của các đội làm việc để hiểu phản hồi của khách hàng trở nên thực sự thú vị khi nó phát triển.

Thách thức tổ chức lớn khác là niềm tin. Trong một nghiên cứu gần đây của Alchemer, chỉ 29% người mua phần mềm CX cho biết họ hiện đang thoải mái khi hành động trên đầu ra do AI tạo ra mà không cần xem xét. Điều đó phản ánh kinh nghiệm thực tế với AI không nhất quán hoặc không thể giải thích. Xây dựng niềm tin đòi hỏi các hệ thống AI minh bạch về cách chúng đạt được kết luận, với các đường dẫn kiểm toán và các kiểm soát có thể định cấu hình cho phép các đội quyết định những gì AI có thể và không thể làm. Tại Alchemer, chúng tôi coi AI đáng tin cậy như một sản phẩm, không phải là một tính năng.

Bạn đã đề xuất rằng sự nhất quán có thể quan trọng hơn độ chính xác trong nghiên cứu thị trường được thúc đẩy bởi AI. Bạn có thể giải thích tại sao sự nhất quán lại quan trọng như vậy và tại sao nó thường bị bỏ qua không?

Độ chính xác cho bạn biết AI hiểu một phản hồi đơn lẻ như thế nào. Sự nhất quán cho bạn biết liệu bạn có thể tin tưởng vào việc so sánh theo thời gian hay không. Đối với nghiên cứu thị trường, so sánh là điểm mấu chốt. Không có ý nghĩa khi biết khách hàng nói gì ngày hôm nay trong cô lập. Nhưng nó có ý nghĩa khi hiểu liệu mọi thứ đang trở nên tốt hơn hay tồi tệ hơn so với quý trước, làm thế nào một khu vực so sánh với khu vực khác, hoặc liệu các chủ đề bạn đang thấy bây giờ đã có mặt sáu tháng trước hay không. Không có điều nào trong số đó là có thể nếu phân loại cơ bản thay đổi giữa các lần chạy.

Ví dụ, nếu bạn thuê hai nhà phân tích khác nhau để mã hóa cùng một phản hồi mở sáu tháng một lần, bạn sẽ có một vấn đề về khả năng so sánh thậm chí nếu cả hai đều xuất sắc. Bạn sẽ không biết liệu một sự thay đổi trong các chủ đề phản ánh một sự thay đổi thực sự trong cảm xúc của khách hàng hay chỉ là một sự khác biệt trong cách hai người giải thích cùng một dữ liệu. Đầu ra AI không nhất quán có thể gây ra thách thức tương tự.

Các mô hình tinh chỉnh áp dụng cùng một logic phân loại mỗi lần giải quyết vấn đề này. Mô hình không sản xuất các câu trả lời khác nhau vào các ngày khác nhau. Nó làm cho các câu trả lời mở văn bản đáng tin cậy giống như các chương trình NPS dài hạn là đáng tin cậy. Đó là những gì cho phép một nhà phân tích nói với doanh nghiệp điều gì đó có ý nghĩa về nơi họ đang đi, không chỉ nơi họ đang ở ngay bây giờ.

Khi AI trở nên nhúng sâu vào trải nghiệm khách hàng, các tổ chức nên nghĩ về nó như một nhân tố nhân lực chứ không phải là một sự thay thế, đặc biệt là cho các đội không kỹ thuật. Bạn có thể giải thích?

Khung nhân tố nhân lực này thay đổi câu hỏi từ “AI sẽ thay thế điều gì?” sang “Điều gì mà đội của tôi có thể làm bây giờ mà họ không thể làm trước đây?” Đó là một khung sản xuất hơn, và theo kinh nghiệm của tôi, nó cũng là khung chính xác hơn. Nó theo dõi các mẫu lịch sử của các tiến bộ công nghệ lớn trong việc áp dụng trong 20 năm qua. Phiên bản cụ thể: một nhà phân tích thông tin khách hàng dành ba ngày một tuần để mã hóa phản hồi mở văn bản có thể dành thời gian đó để giải thích các mẫu, trình bày các phát hiện và làm việc trên các câu hỏi đằng sau các câu hỏi. AI không thay thế nhà phân tích. Nó đã đưa kỹ năng của nhà phân tích vào hoạt động.

Điều này quan trọng hơn đối với các đội không kỹ thuật. Khi bất kỳ ai cũng có thể hỏi các câu hỏi về dữ liệu của họ bằng ngôn ngữ đơn giản mà không cần một nhà khoa học dữ liệu hoặc xây dựng một báo cáo từ đầu, những người gần gũi nhất với khách hàng sẽ đến được thông tin nhanh hơn. Điều đó thay đổi tốc độ quyết định trên toàn tổ chức, không chỉ hiệu quả của một nhiệm vụ đơn lẻ.

Hiệu ứng nhân lực chỉ vật chất hóa nếu các đội được chuẩn bị để sử dụng khả năng mà AI tạo ra. Đó là một câu hỏi về thiết kế tổ chức cũng như một câu hỏi về công nghệ. Đó là lý do chúng tôi dành nhiều thời gian cho việc áp dụng và các phương pháp hay nhất với khách hàng của mình như chúng tôi dành cho các khả năng chính nó.

Nhìn về phía trước, bạn thấy AI định hình lại trải nghiệm khách hàng như thế nào trong vài năm tới, và các doanh nghiệp nên làm gì ngày hôm nay để chuẩn bị cho sự thay đổi đó?

Sự thay đổi tôi đang theo dõi chặt chẽ nhất là chuyển từ phản ứng sang chủ động. Hầu hết các chương trình phản hồi ngày hôm nay là phản ứng. Ví dụ, điều gì đó xảy ra, phản hồi đến, các đội phân tích nó và quyết định được thực hiện. Chu kỳ đang trở nên nhanh hơn, nhưng nó vẫn cơ bản là nhìn ngược lại.

Điều mà AI làm cho có thể là đi trước đường cong đó. Xác định các tín hiệu đủ sớm để hành động trước khi một vấn đề xuất hiện trong các chỉ số của bạn. Biết những phân khúc khách hàng nào đang gặp rủi ro trước khi họ bị gián đoạn. Hiểu tại sao sự hài lòng đang giảm trong một khu vực cụ thể trước khi nó trở thành một mẫu. Đó là nơi sự kết hợp giữa AI được xây dựng và dữ liệu phản hồi dài hạn trở nên thực sự mạnh mẽ.

Các doanh nghiệp ngày hôm nay nên xây dựng cơ sở hạ tầng tổ chức để hấp thụ những gì AI làm cho có thể. Tập trung dữ liệu phản hồi của bạn từ đánh giá, khảo sát, truyền thông xã hội, trong ứng dụng và hơn thế nữa. Xác định ai sở hữu phân tích và những gì xảy ra khi điều gì đó có thể hành động xuất hiện. Xây dựng các quy trình làm việc kết nối thông tin với hành động trước khi bạn cần chúng. Các công ty sẽ vượt lên dẫn đầu không nhất thiết phải là những công ty có công nghệ AI tinh vi nhất, mà là những công ty hành động trên thông tin của AI một cách nhất quán, nhanh chóng và với quy mô.

Cảm ơn bạn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập Alchemer.