Asiakkuudenhallinnan johtaja sanoo, ettei tekoäly voi toimia itsenäisesti asiakaskokemuksen työnkuluissa — se tarvitsee jatkuvaa valvontaa

Angela Guedes on Enginyn asiakaskokemuksesta vastaava johtaja, jossa hän parhaillaan siirtää organisaatiota paljon henkilökohtaista palvelua tarjoavasta CX-mallista segmentointiin perustuvaan malliin. Hän on myös From the Ground Up -uutiskirjeen luoja.

Tapasimme Angelan perehtyäksemme siihen, mikä toimii ja mikä ei tekoälyn hyödyntämisessä asiakaskokemuksessa. Tässä on, mitä hän kertoi.

Asiakasmenestyksen johtaminen B2B SaaS -yrityksessä

Olen Angela Guedes. Olen rakentanut ja johtanut asiakasmenestysorganisaatioita viimeiset 10 vuotta, aina B2B SaaS -yrityksissä.

Tällä hetkellä toimin Enginyn asiakasmenestyksestä vastaavana johtajana. Enginy on tekoälyä hyödyntävä päästä päähän ulottuva älykäs GTM-alusta B2B-myyntitiimeille. Olemme vertikaalinen SaaS-yritys myynnin automatisoinnin alalla ja palvelemme kaikkia segmenttejä pienistä ja keskisuurista yrityksistä suuryrityksiin. Olemme siemenrahoitusvaiheessa ja kasvatamme tänä vuonna vuotuista toistuvaa liikevaihtoamme 3 miljoonasta dollarista 10 miljoonaan dollariin.

Käytössämme on tällä hetkellä paljon henkilökohtaista palvelua tarjoava asiakaskokemusmalli, jota olemme siirtämässä segmentointiin perustuvaksi. Jokaisella asiakkaalla on pääsy tuotetukeen sovelluksen sisäisen chatin ja sähköpostin kautta. Lisäksi yhdistämme heidät käyttöönottopäällikköön ja asiakkuuspäällikköön. Palvelemme asiakkaitamme tapaamisissa, puhelimitse ja sähköpostitse. Aiemmin tänä vuonna otimme käyttöön viikoittaiset käyttöönottowebinaarit käyttöönoton ja koulutuksen skaalaamiseksi.

Vastaan 12 henkilön asiakkuuksien hallinnasta, käyttöönotosta ja tuotetuesta. Suunnitelmamme on päättää vuosi 20 henkilön tiimillä.

Miten kaksi yksinkertaista muutosta voivat vaikuttaa CX-tiimin tehokkuuteen

Olen tehnyt viime vuoden aikana kaksi konkreettista muutosta:

Ensimmäinen oli asiakkaille näkyvä muutos. Käytämme FINiä (Intercomin tekoälyagenttia) tukipyyntöjen ohjaamiseen pois asiantuntijoilta. Neljän kuukauden aikana ratkaisuprosentti nousi 10 prosenttiyksikköä. Tämä tarkoitti, että tiimille päätyi vähemmän ensimmäisen tason tukipyyntöjä ja ihmisille ohjautuneet pyynnöt olivat aidosti monimutkaisia. Näin pystyimme kohdentamaan tiimin ajankäyttöä uudelleen.

Helmikuussa CX-pisteet kuitenkin laskivat 9 pistettä. Ymmärsimme nopeasti miksi: FIN antoi vääriä vastauksia, koska sille syötettiin vanhentunutta sisältöä. Se vastasi itsevarmasti kysymyksiin, joihin sen ei olisi pitänyt vastata, eikä eskalointilogiikka havainnut tätä. Asiakkaat jäivät jumiin.

Korjasimme tilanteen tekemällä sisältöauditoinnin ja käymällä eskalointisäännöt perusteellisesti läpi: määritimme, mitä FINin pitäisi käsitellä, mitä sen pitäisi ohjata välittömästi eteenpäin ja mitä tapahtuu silloin, kun se ei tiedä vastausta. Kirjoitimme eskalointilogiikan uudelleen niin, että se siirtää keskustelun aiemmin ihmiselle esimerkiksi toistuvan uudelleenmuotoilun, turhautumista ilmaisevien merkkien ja tiettyjen aihealueiden, kuten laskutuksen ja virheiden, perusteella. Huhtikuuhun mennessä CX-pisteet olivat palautuneet ja olivat 5 pistettä lähtötasoa korkeammalla.

Angela kertoo

…Tekoäly asiakastuessa ei ole kertaluonteisesti käyttöönotettava tukipyyntöjen ohjaustyökalu. Se on järjestelmä, jonka sisältökerros rapautuu ajan myötä, ja jos sitä ei ylläpidetä, käytössäsi on itsevarmasti vastaava botti, joka heikentää asiakkaiden luottamusta niin hitaasti, ettet huomaa sitä ennen kuin luvut alkavat muuttua.

Tästä opimme, että tekoäly asiakastuessa ei ole kertaluonteisesti käyttöönotettava tukipyyntöjen ohjaustyökalu. Se on järjestelmä, jonka sisältökerros rapautuu ajan myötä, ja jos sitä ei ylläpidetä, käytössäsi on itsevarmasti vastaava botti, joka heikentää asiakkaiden luottamusta niin hitaasti, ettet huomaa sitä ennen kuin luvut alkavat muuttua. Helmikuun pudotus osoitti lukujen muuttuneen. Hyvä puoli on selkeä signaali. Kun jokin menee pieleen, voit jäljittää syyn. Skaalautuvassa toiminnassa tätä on vaikeampi saavuttaa ihmistiimin kanssa.

Toinen muutos oli sisäinen. Paransimme puheluihin valmistautumisen työnkulkua yhdistämällä Clauden Granolaan, Intercomiin, HubSpotiin ja omaan tuotteeseemme. Aiemmin asiakkuuspäälliköt käyttivät 20–30 minuuttia taustatietojen keräämiseen ennen jokaista puhelua: edellisen tapaamisen muistiinpanot, avoimet tukipyynnöt, kaupan vaihe ja tuotteen käyttö.

Nyt Claude kokoaa kaiken automaattisesti yhteen ennen puhelua laadittavaan tiivistelmään. Asiakkuuspäälliköt aloittavat keskustelun täsmällisten taustatietojen pohjalta yleisten kuulumisten vaihtamisen sijaan. Näin pystyimme lyhentämään valmisteluun käytettyä aikaa, ja säästyneet tunnit käytämme ennakoivaan yhteydenpitoon ja arvoa käsitteleviin keskusteluihin.

Miten tekoälypohjainen asiakaspoistuman analysointi tehostaa päätöksentekoa

Perehdytään Claudeen rakentamaani asiakaspoistuman analysoinnin työnkulkuun. Ilmeinen lähtökohta asiakaspoistuman analysoinnille on CRM-järjestelmän ”asiakaspoistuman syy” -kenttä. Siinä piilee myös suurin osa vääristymistä. Asiakkuuspäällikkö täyttää kentän kaupan häviämisen jälkeen paineen alla kuukauden päätöksen lähestyessä. Se heijastaa sitä, miten asiakkuuspäällikkö hahmotti menetyksen, ei välttämättä sitä, miksi asiakas lähti.

Aloitin manuaalisella tekoälykehotteella, jonka suoritin joka kuukausi. Tulos oli epäjohdonmukainen; käytin enemmän aikaa sen korjaamiseen kuin säästin, joten rakensin automatisoidun taidon, joka hakee tiedot suoraan HubSpotista selkeiden sääntöjen perusteella siitä, mitä ominaisuuksia ja aktiviteetteja CRM:stä etsitään.

Se hakee kaikki tietyn ajanjakson aikana menetetyt ja riskialttiit kaupat, yhdenmukaistaa CRM:n luokitukset ja ryhmittelee ne useiden ulottuvuuksien mukaan. Näihin kuuluu koko kauppahistorian perusteella päätelty syy, joka perustuu muistiinpanoihin, puheluiden litterointeihin, aktiviteetteihin ja perehdytyksen valmistumiseen. Olennaista on, että se kohdistaa asiakkuuden menettämisen vastuun uudelleen syy-seurauslogiikan perusteella, ei sen mukaan, mitä AM kirjasi.

Esimerkiksi eräs äskettäinen kauppa kirjattiin syyllä ”Ei ROI:ta”, minkä useimmat tulkitsevat CS:n epäonnistumiseksi. Kaupan muistiinpanot kuitenkin osoittivat, että myyntiprosessissa oli luotu odotuksia, joita tuote ei olisi koskaan pystynyt täyttämään. Kyse oli myynnin kvalifiointiongelmasta, ei CS:n ongelmasta. Ilman tekoälyä jonkun olisi pitänyt lukea jokainen muistiinpano jokaisesta menetetystä kaupasta tämän havaitsemiseksi, eikä niin tapahdu.

Tuloksena on toimitusjohtajalle valmis dokumentti sekä erilliset poiminnat CS:lle, tuotekehitykselle ja myynnille. Jokaisessa niistä ovat kyseiseen alueeseen kuuluvat tapaukset ja perimmäisten syiden analyysit.

Miksi oivalluksesta tulokseen -ketju on todistettava ennen tekoälyn lisäämistä

Otan tekoälyn käyttöön siellä, missä ihminen on jo todistanut oivalluksesta tulokseen -ketjun toimivuuden. Jos ketjua vielä testataan, tekoäly ei koske siihen — validointityötä ei voi ohittaa. Jos automatisoit ennen kuin olet vahvistanut mallin, skaalat väärää toimintatapaa.

Tässä tekoäly tekee tällä hetkellä työn:

• Analyysi: uusintamyynnin ennustaminen ja asiakkuuksien menettämiseen liittyvien mallien havaitseminen. Tässä on selkein esimerkki. Lopetin AM:n ilmoittamiin menettämisen syihin luottamisen (ne keskittyvät ”budjettiin” ja ”ei sopivuutta” -syihin, koska ne on helppo kirjata) ja aloin päätellä todellisia syitä muistiinpanoista, litteroinneista ja tuotteen käytöstä. Tekoäly paljasti, että puutteellinen perehdytys oli puolet ”budjetti”-luokituksista taustalla. Tämä siirsi toimenpiteemme aiempaan vaiheeseen.
• Yhteenvetojen laatiminen: kokouksiin valmistautuminen, seuranta ja päätösten viikoittainen koostaminen. Tämä on ainoa tapa, jolla yksi CSM pystyy ylläpitämään tarvitsemamme asiakassuhteiden määrää tehokkuustavoitteemme puitteissa.
• Tukikeskustelu: ensimmäisen tason vastaukset, jotka perustuvat ihmisen ensin tarkistamaan dokumentaatioon. Järjestyksellä on merkitystä.

Pyrimme pitämään ihmisen mukana prosessissa. Kun tekoäly ehdottaa toimenpidettä (riskimerkintöjä, laajentumissignaaleja tai seuraavia vaiheita), CSM tai minä tarkistamme ja vahvistamme sen ennen kuin se saavuttaa asiakkaan. Tekoäly havaitsee mallit nopeammin kuin minä, mutta asiakassuhteesta vastaava henkilö säilyttää harkintavallan.

Kuten sanoin, minun on todistettava oivalluksesta tulokseen -ketjun toimivuus itse ennen tekoälyn integroimista, joten AM-valmennus ja suoritusarvioinnit ovat selkeimpiä esimerkkejä tehtävistä, jotka ovat pysyneet täysin ihmisten vastuulla. Delegoin ne aikanaan, mutta ensin minun on testattava kaikkien AM:ieni kanssa, tuottaako tiettyjen toimenpiteiden yhdistäminen tiettyihin signaaleihin parempia salkkutuloksia. Ennen kuin tämä malli toimii kahdenkeskisissä keskusteluissa, sen automatisointi vain skaalaa arvauksen.

Miksi CX-johtajien on tarjottava tekoälylle konteksti

Älä koskaan delegoi ajattelua äläkä koskaan ohita kontekstia.

Muista, että tekoälyn tuotos on vain niin hyvä kuin sille antamasi konteksti. Mikään ei voi korvata ihmisen ajattelua. Käytä tekoälyä haastamaan oletuksiasi, etsimään ajattelusi aukkoja ja vertaamaan ideoitasi alan standardeihin. Jotta saat kuitenkin relevantin tuotoksen, sinun on annettava sille päässäsi oleva ja sisäisissä dokumenteissa oleva konteksti.

Jos vain pyydät sitä rakentamaan jotain ilman tätä, tuotos on parhaimmillaankin mitäänsanomaton ja useimmissa tapauksissa epäolennainen.

Tämä on erityisen tärkeää chatbottien kanssa — työskentele asiakaskontekstikerroksesi parissa. Ilman kattavaa asiakaskontekstia toimiva agentti ei anna vain huonoa vastausta, vaan itsevarman ja väärän vastauksen. Muista myös, etteivät chatbotit voi toimia täysin itsenäisesti. Jonkun on omistettava tekoälylle syötettävä sisältö, määriteltävä eskalointisäännöt ja laadunvarmistettava sen tuotokset aktiivisesti.

Miten tekoäly voi paljastaa datasi aukkoja

Neuvoni? Aloita datastasi, älä työkaluistasi.

Hyödyllisintä, mitä tekoäly voi tällä hetkellä tehdä, on tuoda esiin olemassa olevien järjestelmiesi ongelmat – ei luoda raporttia, vaan löytää puutteita. Ensimmäinen Claudea hyödyntänyt asiakaspoistuma-analyysini ei kertonut, miksi asiakkaat olivat lähtemässä; se osoitti, että asiakkuuspäälliköt merkitsivät poistuman syitä epäjohdonmukaisesti, CRM-data oli vanhentunutta ja kriittisiä kenttiä puuttui. Kyse on dataongelmasta, jota en täysin havainnut ennen kuin tekoäly yritti käsitellä dataa.

Siitä on hyvä aloittaa. Selvitä, mitä sinulla on, korjaa epäjohdonmukaisuudet ja täydennä puuttuvat tiedot. Tekoäly on vain niin hyvä kuin sille antamasi lähtötiedot. Johtajat, jotka ohittavat tämän vaiheen, automatisoivat kohinaa ja ihmettelevät, miksi oivallukset eivät mene perille.

Puhdas data ei ole hohdokas neuvo, mutta se on välttämätön edellytys.

Angela kertoo

Neuvoni? Aloita datastasi, älä työkaluistasi…Siitä on hyvä aloittaa. Selvitä, mitä sinulla on, korjaa epäjohdonmukaisuudet ja täydennä puuttuvat tiedot…Puhdas data ei ole hohdokas neuvo, mutta se on välttämätön edellytys.

Seuraa mukana

Seuraa Angela Guedesia hänen LinkedInissään ja Substackissaan.

Lisää asiantuntijahaastatteluja on tulossa CX Leadiin!