CX-tankeledende deler, hvordan CX kan få en plads ved bordet

Jim Tincher er en opinionsleder og forsker inden for CX. Han er også grundlægger af Heart of the Customer, et specialiseret E2E-kundekonsulentfirma, der hjælper komplekse organisationer.

Vi satte os ned med Jim for at høre, hvad han ser i sin forskning. Han gik i dybden med brugen af AI til at forbedre kunderejser.

En karriere inden for CX og forskning

Jeg hedder Jim Tincher og er grundlægger og administrerende direktør for Heart of the Customer. Vi har arbejdet med dette siden 2012.

Jeg leder ikke en afdeling for kundeoplevelse — jeg rådgiver de ledere, der har ansvaret for vækst: kommercielle direktører, salgs- og driftsdirektører samt administrerende direktører. Vi arbejder på tværs af B2B; vores mest omfattende arbejde foregår inden for produktion: BASF, Dow, Milliken, Xylem, Legrand, Vermeer.

Jeg leder også forskningsanalysen for Advanced Manufacturing CX Consortium — sytten producenter, som tilsammen spørger næsten 10.000 af deres kunder om året for at fastslå, hvad der får en kunde til at vokse sammen med en leverandør.

Hvorfor AI bør bruges på data og ikke relationer

Med udviklingen inden for AI ændrede vi den måde, vi analyserer på — ikke vores kunderelationer. — en bevidst skelnen.

Sidste år interviewede jeg 34 ledere på C-Suite-niveau for at finde ud af, hvad der betød mest for dem, og svaret var (ikke overraskende) "vækst". Alle 34 var enige, så vi bruger det perspektiv til alt.

Vores sammenligning viste, at de tre vigtigste indikatorer for kundevækst alle er relationssignaler: følelsen af at være værdsat, kunderelationen og købsprocessen; ikke hvor nemt det er at gøre forretning, tilfredshed eller andre typiske CX-målinger. Det gør mig forsigtig med at automatisere områder, hvor kunderne afgør, om deres forretning betyder noget for jer. Hvis man fjerner det menneskelige element, kan man fjerne netop de signaler, kunderne bruger til at vurdere, om de skal vokse sammen med jer.

Derfor anvender vi i stedet AI på analysen — til at analysere samtaler, åbne kommentarer og anden kommunikation. Det er langsomt manuelt at læse, kode og finde mønstre på tværs af hundredvis af samtaler, og det begrænser vores kapacitet. Men med Claude og et transskriptionsværktøj kan vi søge efter mønstre i historikken for et helt samarbejde i stedet for ét kontaktpunkt ad gangen.

AI gjorde det muligt for os at søge på tværs af mere end 800 B2B-interviews i vores data og finde en struktur, vi ikke kunne se før. Derefter testede vi hierarkiet med fire niveauer, som forudsiger, hvor stor en andel af en kundes forbrug I får, mod 21 separate klientdatasæt. Jeg kunne ikke have udført den analyse manuelt i den skala.

En arbejdsgang, der giver en prioriteret liste over trin, der skal forbedres i kunderejsen

Her er en arbejdsgang, der ender med en prioriteret liste over trin i kunderejsen, der skal forbedres, sorteret efter den omsætning, der står på spil.

Den begynder med samtaler, ikke spørgeskemaer. Vi interviewer en klients kunder direkte — køberen, fabrikschefen, den leder, der underskriver kontrakten — og optager og transskriberer samtalerne gennem Fireflies.

Det var her, den gamle begrænsning lå. En analytiker læser det, vedkommende har tid til at læse, og den begrænsning former alle konklusioner. Man udvælger en stikprøve, finder et mønster i stikprøven og håber, at stikprøven var repræsentativ.

Dernæst samler analytikeren de indledende resultater — historien og de vigtigste temaer.

Derefter vender vi os mod Claude. Claude læser hver transskription i sin helhed. Den udtrækker det, kunderne sagde, ordret, med kilden vedhæftet: hvem der sagde det, hvilken samtale det var, og hvor i samtalen det blev sagt. Den dokumentation er vigtigere end hastigheden. Når en klient udfordrer et resultat, forsvarer vi det ikke. Vi viser dem citatet.

Derefter udfører vi analysen, og denne del er ikke automatiseret.

Jim deler

Arbejdsfordelingen er afgørende. AI fjernede en læsebegrænsning. Den påvirkede ikke dømmekraften — beslutningen om, hvad man skal spørge om, genkendelsen af hvilke mønstre der betyder noget, og viden om, hvornår en kunde fortæller dig noget, som vedkommende ikke selv ved, at han eller hun fortæller dig.

Diskuterer denne kunde stadig grundlæggende funktionalitet? Eller diskuterer kunden, om de kan regne med vores klient, når tingene bliver komplicerede? Eller om de føler sig værdsat? Det giver os en position, ikke en vurdering.

Derefter kortlægger vi det på tværs af kunderejsen. En kurve træder frem — tilliden opbygges ved dette trin og bryder sammen ved det næste. De fleste klienter har aldrig set deres relation på den måde. De har set ét tilfredshedstal for hele relationen, hvilket skjuler det præcise sted, hvor skaden opstår.

Vi forbinder brud med konti og konti med penge. Ikke "kunderne er frustrerede ved dette trin". I stedet: Tilliden falder her, disse elleve konti ligger under den linje, og her er, hvordan deres forbrug har ændret sig i løbet af de seneste fire kvartaler.

Det er netop pointen med den rækkefølge. De fleste virksomheder prioriterer efter antallet af klager — hvilket er næsten tilfældigt, fordi de konti, der stille og roligt planlægger deres exit, som regel er dem, der ikke klager.

Endelig bruger vi Reduct til at omdanne de kritiske citater til videoer, så kundens stemme bliver delt.

Arbejdsdelingen er afgørende. AI fjernede en læsebegrænsning. Den påvirkede ikke dømmekraften — beslutningen om, hvad man skal spørge om, genkendelsen af, hvilke mønstre der betyder noget, og forståelsen af, hvornår en kunde fortæller dig noget, som vedkommende ikke selv ved, at han eller hun fortæller dig. Det repræsenterer fjorten års arbejde, og det kan ikke automatiseres.

Hvorfor genopretning af kundeservice skal forblive menneskelig

Så her trækker jeg grænsen: AI til dataene, mennesker når kunderne beslutter, om de betyder noget for dig. AI træffer ingen beslutninger — hverken inden for CX eller på andre områder — selvom jeg bruger det til at kvalificere mine beslutninger.

Så AI anvendes bedst til

• At finde mønstre på tværs af samtaler og åbne kommentarer.
• At finde ud af, hvilke problemer der faktisk koster penge — de fleste virksomheder prioriterer efter antallet af klager, en næsten tilfældig metode.
• At opdage konti, der er blevet tavse, konti med en smallere ordrevidde eller konti, hvis sprog har ændret sig. Mennesker overser dette signal, fordi ingens job går ud på at holde øje med det.

Det vigtigste sted at bevare det menneskelige er genopretning af kundeservice. Vores data er meget tydelige her — kunder, der er helt tilfredse med løsningen på et problem, reducerer deres forbrug 1 % af tiden. Kunder, der ikke er tilfredse med løsningen, reducerer deres forbrug 35 % af tiden. Og kunder, der er "delvist tilfredse", opfører sig mere som utilfredse kunder end som tilfredse. Delvise løsninger tæller som ingen løsning.

Dette sidste resultat er det egentlige argument. Automatisering er fremragende til at skabe tilstrækkelige resultater i stor skala. Det er præcis dér, væksten dør.

Ved eskalering ville jeg dele det op: Lad AI finde den konto, der er i fare, og lad derefter et menneske ringe. Detektering er et dataproblem. Genopretning er et relationsproblem. Og jeg er mest skeptisk over for automatiseret personalisering, fordi B2B-kunder kan gennemskue den, og personalisering, der virker genereret, signalerer det modsatte af det, den skal opnå.

Hvorfor AI-analyse kræver stramme sikkerhedsforanstaltninger

AI er altså fremragende til at finde mønstre. Men det omfatter også illusioner.

AI opfinder specificitet. Små, plausible fund: et tal i det rigtige interval, et citat, der lyder rigtigt. Og hvis du leder efter støtte til noget, du allerede tror på, vil du finde den.

Så vi er blevet strengere, ikke mere lempelige: Alle tal og citater, vi offentliggør, skal kunne spores tilbage til en specifik kilde, og når noget ikke stemmer overens, markerer vi det i stedet for at udglatte det. AI har både hævet vores loft og det discipliniveau, der kræves.

Hvordan AI kan fjerne organisatoriske siloer

Alle redesigner det kundevendte lag — chatbots, afværgning, automatiseret opsøgende kontakt. Næsten ingen redesigner laget nedenunder, hvor virksomhedens viden ligger opdelt i fragmenter.

Driften kender jeres leveringer til tiden. Salg ved, hvilke konti der er holdt op med at bestille en produktlinje. Digital ved, hvem der bestiller, opgiver ordrer eller sidder fast under forsøget. Økonomi ved, hvad der skete med marginen. CX ved, hvordan kunderne har det. Fem grupper, fem datasæt, fem systemer. Ingen har alle fem.

Svaret på "Hvorfor blev den konto mindre?" findes inde i jeres virksomhed, men det er fordelt på mennesker, der ikke deltager i det samme møde. Som jeg siger til mine kunder: "Du vidste kun det, du ved." Hvad kunne der ske, hvis du var i stand til at frigive al den usammenhængende viden i din organisation? Hvad ville det gøre muligt?

Det er ikke et dataproblem. At tilføje et femte dashboard løser det ikke. Det er et modelproblem — uden en kæde, der forbinder drift med følelser, adfærd og omsætning, giver flere data dig blot flere adskilte data.

Det er her, AI virkelig gør en forskel, og det er ikke den anvendelse, der får opmærksomhed. Den kan håndtere alle fem på én gang. Den kan læse e-mails, sammenholde dem med driftshistorik og ordremønstre og finde ud af, hvor de hænger sammen.

Den tekniske del var den nemme. At få adgang til dataene er den svære del. Hver gang. Derfor fungerer dette ikke som et analyseprojekt. Det kræver en sponsor — en person, der er senior nok til at samle de forskellige grupper, som ligger inde med dataene, og udfordre grupperne til at finde ud af, hvor væksten forsvinder på tværs af informationssiloerne.

Jim deler

Se på, hvad du automatiserede sidste år, og læg derefter det sammen med de faser i kunderejsen, hvor dine kunder afgør, om du værdsætter deres forretning. Hvis du automatiserede disse kritiske kontaktpunkter væk, sparede du ikke omkostninger — du reducerede utilsigtet din omsætningsprognose.

Hvorfor organisationer fokuserer på de forkerte AI-målepunkter

Spørg de fleste virksomheder, hvad AI har forbedret, og de vil nævne afledningsrater og svartider. Med andre ord fortæller de dig, hvor meget menneskelig kontakt de har fjernet. Derefter siger de, at tilfredsheden holdt sig stabil.

Det gjorde den sandsynligvis. Det er fælden.

I vores benchmark var 81 % af kunderne tilfredse. Kun 27 % planlagde at udvide deres forretning. Tilfredsheden overlevede. Væksten gjorde ikke.

Her er, hvad jeg ville gøre. Se på, hvad du automatiserede sidste år, og læg derefter det sammen med de faser i kunderejsen, hvor dine kunder afgør, om du værdsætter deres forretning. Hvis du automatiserede disse kritiske kontaktpunkter væk, sparede du ikke omkostninger — du reducerede utilsigtet din omsætningsprognose.

Sådan kan CX-ledere bruge AI til at få en plads ved bordet

Som jeg sagde, interviewede jeg 34 ledere fra topledelsen om deres prioriteter, og samtlige nævnte vækst. Næsten ingen af dem bragte kundeoplevelsen op som et vigtigt emne på eget initiativ — selv om de vidste, at jeg er en førende tænker inden for kundeoplevelse, at CXPA sponsorerede mødet, og at mødeinvitationen omfattede CX.

Det lyder som dårlige nyheder. Det er det ikke. Afstanden skyldes ikke, at dine ledere er ligeglade med kunderne — det skyldes, at ingen har vist dem, hvordan kundeoplevelsen flytter kroner.

Ledere gik langt mere op i, hvad kunderne gjorde, end hvad kunderne sagde. Da jeg spurgte, hvad de holdt øje med for at vurdere virksomhedens sundhed, nævnte de resultater og tab, leveringsmålinger, levering til tiden, pipelinehastighed og vundne tilbudsforespørgsler. Fastholdelse. Genkøb. Følelsesmålinger — inklusive NPS — kom næsten aldrig op. Det stemmer overens med XM Institutes konklusion om, at de fleste CX-programmer ikke kan dokumentere værdi. Hvorfor skulle et medlem af topledelsen bringe CX op?

En af dem formulerede det bedre, end jeg kan. "Vi har dashboards fyldt med forsinkede indikatorer. Forsinkede indikatorer er nemme. Det svære er at finde de ledende indikatorer."

Spring ikke let hen over det, for det er din åbning. Følelser og adfærd er de ledende indikatorer. Og du ejer følelsesdataene — forudsat at du måler følelser (og det bør du). Ingen andre i din virksomhed har disse data.

Så her er rådet: Stop med at præsentere, hvad kunderne føler. Begynd at præsentere, hvad det forudsiger.

Der løber en kæde fra drift til omsætning. Din virksomhed trækker i driftsmæssige håndtag — levering, kommunikation og problemløsning. Det skaber følelser hos dine kunder. Følelser ændrer adfærd. Adfærd viser sig som kroner. Håndtag, følelser, handlinger, kroner — det kaldes Vækstkæden™ , og vi bruger akronymet LEAD for at gøre den nem at huske. Driften ejer det første led, økonomifunktionen ejer det sidste, og de to i midten er dine. De er også de to, som ingen måler.

Det er her, AI kan være uundværlig: til at opdage og rapportere om disse sammenhænge.

Tre ud af fire CX-programmer dokumenterer aldrig en sammenhæng med økonomiske resultater. Det er det tal, der bør bekymre dig, for det er det tal, der får dit budget skåret ned, så snart marginerne bliver presset.

Hvor man skal begynde, er mindre, end du skulle tro. Vælg to konti — en i vækst og en i tilbagegang. Følg kæden på begge. På kontoen i vækst arbejder du fremad fra den operationelle ændring. På den konto, der er i tilbagegang, arbejder du baglæns fra omsætningen.

Tilføj derefter tre spørgsmål til en undersøgelse, du allerede sender. Hvor sikker er du på, at vi kan løse dine fremtidige behov? Hvor værdsat føler du dig som kunde hos os? I hvilken grad fungerer vi som en ægte partner i din virksomhed?

To konti og tre spørgsmål. Gør det i dette kvartal, så går du ind i et rum med noget, som ingen andre i din virksomhed kan frembringe.

Og hold op med at bede om en plads ved bordet. Du får ikke pladsen ved at bede om den. Du får den ved at vise din CEO, at en specifik operationel investering ændrede kundernes oplevelse — og at ændringen flyttede omsætningen.

Følg med

Du kan følge Jim Tinchers arbejde på LinkedIn. Og besøg også Heart of the Customer.

Der kommer flere ekspertinterviews på The CX Lead!