Asiakkuuksien menestyksen muutosjohtaja kertoo, mitä tekoäly voi (ja ei voi) korjata asiakkuuksien menestyksessä

Andrea Bumstead on CS Impactin perustaja ja toimitusjohtaja. CS Impact on asiakasmenestyskonsultointiyritys, joka auttaa B2B SaaS -yrityksiä muuttamaan asiakasmenestyksen tulonlähteeksi. Yli 15 vuoden kokemuksellaan ja kasvatettuaan organisaatioita 15 miljoonan dollarin liikevaihdosta yli 3 miljardin dollarin vuotuiseen toistuvaan liikevaihtoon (ARR) hän on johtanut useita maailmanlaajuisia asiakasmenestyksen muutoshankkeita Questin, Procoren ja One Identityn kaltaisissa yrityksissä.

Haastattelimme Andreaa saadaksemme tietää, miten hän hyödyntää tekoälyä asiakaskokemuksen parantamiseen. Näin hän vastasi.

Asiakasmenestyksen muuttaminen tulonlähteeksi

Olen CS Impactin perustaja ja toimitusjohtaja. Yrityksemme tarjoaa osa-aikaista johtamista ja strategisia neuvontapalveluja B2B SaaS -yrityksille, joiden vuotuinen toistuva liikevaihto (ARR) on 50–150 miljoonaa dollaria.

Muutamme asiakasmenestyksen tulonlähteeksi, joka tuottaa miljoonien dollarien arvosta lisämyyntiä ja asiakkuuksien säilymistä.

Miksi tekoäly on kaksiteräinen miekka asiakaskokemuksessa

Tekoälyn integrointi asiakaskokemukseen on tuonut merkittäviä hyötyjä, mutta samalla esiin on noussut todellisia haasteita.

Tässä hyödyt:

• Merkittävä ajansäästö: Tekoäly on vähentänyt manuaalista työtä valmistelussa, seurannassa, CRM-päivityksissä ja raportoinnissa. Monissa tapauksissa olen nähnyt CSM-asiantuntijoiden säästävän 1–2 tuntia päivässä, ja he voivat käyttää tämän ajan asiakasrajapinnassa tehtävään työhön.
• Paremmat ja nopeammin saatavat asiakasymmärrykset: Clauden, Gainsightin ja Gong AI:n kaltaiset työkalut tuovat esiin reaaliaikaisia signaaleja – kuten asiakaspoistuman riskin, laajentamismahdollisuudet ja muutokset asiakkaan tilanteessa – joiden havaitseminen vei aiemmin tunteja tai päiviä.
• Johdonmukaisuuden ja skaalautuvuuden paraneminen: Tekoäly auttaa standardoimaan esimerkiksi onnistumissuunnitelmat, QBR:t ja asiakastilien yhteenvedot. Tämä on ratkaisevan tärkeää tiimejä laajennettaessa tai eri asiakassegmenttejä tuettaessa.
• Ennakoivampi asiakaskokemus: Sen sijaan, että tiimit reagoisivat liian myöhään, ne voivat toimia aiemmin tekoälyn tuottamien signaalien perusteella – olipa kyse riskien vähentämisestä tai laajentamistoimista.

Mutta myös haittoja on:

• Signaalien ja kohinan ongelma: Kaikki tekoälyn tuottamat oivallukset eivät ole hyödynnettävissä. Tiimit voivat hukkua ilmoituksiin, joista puuttuu asiayhteys tai tärkeysjärjestys.
• Liiallinen riippuvuus automaatiosta: Jotkin tiimit tukeutuvat liikaa tekoälyn tuottamaan sisältöön, kuten QBR-raportteihin ja sähköposteihin, mikä voi johtaa yleisluontoiseen ja vähän vaikuttavaan asiakasvuorovaikutukseen.
• Riippuvuus datan laadusta: Tekoäly on vain niin hyvä kuin sen taustalla oleva data. Jos CRM- tai tuotetietosi ovat puutteellisia tai virheellisiä, tulosten uskottavuus heikkenee nopeasti.
• Kriittisen ajattelun heikkeneminen: On olemassa riski, että CSM-asiantuntijat lakkaavat ajattelemasta strategisesti ja luottavat tekoälyn suosituksiin sen sijaan, että käyttäisivät omaa harkintaansa.

Miksi hyvä data on ratkaisevan tärkeää hyvien tekoälytulosten kannalta

Tässä on asia, joka jokaisen asiakaskokemuksesta vastaavan johtajan on tiedettävä: hyvä data on kaiken perusta.

Olen työskennellyt asiakasmenestysorganisaatioiden kanssa, jotka ovat investoineet erinomaisiin tekoälytyökaluihin, mutta niiden taustalla oleva data oli epäselvää tai puutteellista. Tämä rajoitti täysin työkalujen tuottamaa arvoa.

Eräällä asiakkaalla ei ollut Salesforceen määritetty asianmukaisia asiakastilihierarkioita. Heillä oli esimerkiksi 15 erillistä samannimistä asiakastiliä, jotka kuuluivat samalle asiakkaalle – mutta niitä ei ollut yhdistetty. Kun tämän päälle lisättiin tekoäly, järjestelmä tuotti oivalluksia yksittäisten asiakastilien tasolla, mutta ei pystynyt muodostamaan kokonaisvaltaista kuvaa asiakassuhteesta.

Parempien oivallusten sijaan he saivat siis pirstoutuneita ja toisinaan harhaanjohtavia signaaleja.

Hyvän datan keräämiseen ja huonon datan puhdistamiseen käytetty aika on ehdottomasti vaivan arvoista!

Miten tekoälyn ja ihmisten tehtävät tulisi jakaa asiakaskokemuksessa

Näkemykseni tekoälyn ja ihmisen rooleista asiakaskokemuksessa on, että tekoälyn tulisi vastata mittakaavasta, signaaleista ja nopeudesta. Ihmisten tulisi vastata luottamuksesta, harkinnasta ja muutoksesta.

Tekoäly on tehokkaimmillaan tehtävissä, jotka sisältävät paljon dataa, ovat toistettavia tai vievät paljon aikaa:

• Hallinnollinen työ: puheluiden valmistelu, asiakastilien yhteenvedot, sidosryhmätutkimus ja puheluiden jälkeiset seurannat – mukaan lukien muistiinpanot, seuraavat vaiheet ja CRM-päivitykset (Salesforce, Gainsight)
• Sisällön ja aineistojen tuottaminen: asiakassuunnitelmat, QBR:t, asiakastilisuunnitelmat, katvealueiden analyysit ja asiakasviestintä
• Oivallusten tuottaminen: riskialttiiden asiakastilien tunnistaminen (käytön väheneminen, asiakasvaikuttajan menettäminen, fuusio- ja yritysostotoiminta), laajentamismahdollisuudet ja tuotepalautteen trendit
• Ohjaus mittakaavassa: oikeiden riski- tai laajentamisohjeistojen esiin tuominen oikeaan aikaan
• Digitaalinen asiakaskokemus: sovelluksensisäinen viestintä, käyttöönottopolut, tietopankit ja tukisisältö

Ihmiset ovat välttämättömiä kaikkialla, missä tarvitaan kontekstia, luottamusta ja hienovaraisuutta:

• Asiakaskeskustelut ja suhteiden rakentaminen: erityisesti johtotason sidosryhmien kanssa
• Tarpeiden selvittäminen ja ongelman määrittely: sen ymmärtäminen, mitä tapahtuu ja ennen kaikkea miksi
• Rivien välistä lukeminen: tunteiden, riskisignaalien ja sanomatta jäävien asioiden havaitseminen
• Konsultoiva ohjaus: asiakkaiden auttaminen päätösten tekemisessä ja todellisten liiketoimintatulosten saavuttaminen
• Luottamusta rakentavat hetket: johtotason tapaamiset, illalliset kasvokkain, tapahtumat ja merkitykselliset kohtaamiset

Miten automatisoidut QBR:t johtavat merkityksellisiin asiakaskeskusteluihin

Andrea kertoo

\u003cstrong\u003eOlemme auttaneet yrityksiä automatisoimaan toimintaansa käyttämällä tekoälyä datan ja oivallusten keräämiseen, yhdistämällä ne toistettavaan muotoon ja optimoimalla niiden esittämisen kasvokkain tai sähköisesti…Tämän ansiosta nämä yritykset voivat käydä merkityksellisempiä keskusteluja useampien asiakkaiden kanssa – ja tuottaa enemmän arvoa.\u003c/strong\u003e

Mainitsin QBR:t – loimme 15 minuutin QBR:n. Se kattaa:

1. Asiakkaan tähän mennessä saama arvo
2. Miten asiakas saa enemmän arvoa
3. Kolme suositusta seuraavia vaiheita varten

Olemme auttaneet yrityksiä automatisoimaan tämän käyttämällä tekoälyä datan ja oivallusten keräämiseen, yhdistämällä ne toistettavaan muotoon ja optimoimalla niiden esittämisen kasvokkain tai sähköisesti. Työkalujen osalta kokoamme dataa Salesforcesta, Gongista ja Gainsightista ja luomme niiden avulla automaattisesti QBR-esityksiä Clauden avulla.

Tämän ansiosta nämä yritykset voivat käydä merkityksellisempiä keskusteluja useampien asiakkaiden kanssa – ja tuottaa enemmän arvoa.

Ennen 15 minuutin QBR:n käyttöönottoa suosittelen, että asiakasmenestyksen johtajat keskittyvät viiteen kriittiseen perustaan:

1. Selkiytä ratkaisemasi ongelmat: tunnista 2–3 tärkeintä liiketoimintaongelmaa, jotka tuotteesi ratkaisee – niistä tulee jokaisen asiakaskeskustelun perusta.
2. Määritä tavoitteet ja onnistumisen mittarit: sovi arvon realisoitumiseen liittyvistä suorituskykymittareista, jotta voit mitata ja viestiä vaikutuksista selkeästi.
3. Seuraa asiakkaiden edistymistä: sinun on pystyttävä näkemään, miten kukin asiakas saavuttaa tavoitteitaan, ei vain miten tuotetta käytetään.
4. Vertaile parhaita asiakkaitasi: ymmärrä, mitä parhaat asiakkaasi tekevät eri tavalla, jotta voit tuoda esiin puutteet ja mahdollisuudet.
5. Rakenna suositusmoottori: kehitä toistettavia ja vaikuttavia suosituksia, jotka auttavat asiakkaita saamaan enemmän arvoa.

Sen jälkeen suosittelen yksinkertaista käyttöönottoa:

1. Aloita pienestä: pilotoi rajatulla ryhmällä ja kehitä lähestymistapaa.
2. Automatisoi siellä, missä mahdollista: hyödynnä tekoälyä tietojen keräämiseen ja oivallusten tuottamiseen suuressa mittakaavassa.
3. Laajenna sitten: laajenna toimintaa eri segmentteihin, kun toimivuus on todistettu.
4. Yhtä tärkeää on mahdollistaa tiimille tehokas toteutus: kouluta heidät johtamaan keskustelua itsevarmasti, esittämään vahvoja kartoituskysymyksiä ja viemään keskustelua eteenpäin konsultatiivisesta ja arvoa korostavasta näkökulmasta.

Andrea kertoo

\u003cstrong\u003eAloita pienestä. Automatisoi siellä, missä mahdollista, ja laajenna sitten. Yhtä tärkeää on mahdollistaa tiimille tehokas toteutus.\u003c/strong\u003e

Missä tekoäly ei vielä yllä QBR-katsauksissa ja sisällössä

Yksi QBR-työnkulun haasteista on se, että vaikka tekoäly on erinomainen sisällön tuottamisessa, sillä on edelleen vaikeuksia jäsentää sisältö käyttökelpoiseen ja liiketoimintavalmiiseen muotoon, kuten johtoryhmälle valmiiksi esitykseksi.

Käytännössä tekoäly nopeuttaa työn ensimmäisiä 70 prosenttia, mutta viimeiset 30 prosenttia — jotka usein tekevät sisällöstä käyttökelpoista ja vaikuttavaa — edellyttävät edelleen ihmisen viimeistelyä.

Miten tekoäly parantaa CX:n ennustamista — ja mitä vielä tarvitaan

Olen käyttänyt Gongia ennustamiseen useissa organisaatioissa, ja sillä on vahvimmat näkemäni valmiudet asiakasmenestyksessä.

Se kokoaa signaaleja asiakkuuden eri osa-alueilta: asiakkaan tunnetila, aktiivisuustaso sekä Salesforcen keskeiset tiedot, kuten ARR, TCV, kaupan vaihe, muistiinpanot ja seuraavat toimenpiteet.

Se antaa CS-johtajille paljon kokonaisvaltaisemman ja reaaliaikaisen kuvan asiakkuuden tilasta ja mahdollisista lopputuloksista.

Prosessi on silti edelleen suurelta osin manuaalinen. CSM:t vastaavat edelleen seuraavista:

• Yhteydenpitoprosessin hallinta Salesforcessa
• Mahdollisuuksien vaiheiden päivittäminen
• Uusimisia koskevien arvioiden tekeminen — tuleeko asiakkuus pysymään ennallaan, supistumaan vai laajenemaan.

Seuraava kehitysvaihe on tekoälyavusteinen ennustaminen. Sen sijaan, että työ aloitettaisiin tyhjästä, tekoälyn pitäisi:

• Analysoida historiallisia trendejä
• Huomioida asiakkuuden tilaa kuvaavat pisteet ja tuotteen käyttö
• Kerätä signaaleja asiakaskeskusteluista
• Ja tuottaa suositeltu ennuste.

Tässä vaiheessa CSM:n rooli muuttuisi ennusteen hiomiseksi ja vahvistamiseksi sen sijaan, että hän rakentaisi sen tyhjästä.

Näen puutteen myös siinä, miten muutoksia ajan mittaan voidaan tarkastella. Ennustamisen ei pitäisi olla vain tietyn hetken näkymä — sen pitäisi näyttää selkeästi viikoittainen muutos ja täsmällisesti se, mikä muutoksen aiheutti. Muuttuiko esimerkiksi suuri asiakkuus yhtäkkiä riskialttiiksi? Vai onnistuimmeko palauttamaan aiemmin menetettäväksi arvioidun liikevaihdon?

Tällainen näkyvyys yhdistettynä tekoälypohjaisiin suosituksiin parantaisi ennusteiden tarkkuutta, mutta tekisi niistä myös paljon toimintakelpoisempia, skaalautuvampia ja paremmin CS-tiimien toimintatapoihin sopivia.

Miksi CX-johtajien on opittava suhtautumaan epäonnistumisiin luontevasti

Tässä on neuvoni: Älä pelkää kokeilla ja testata uusia asioita. Älä pelkää epäonnistua.

Kokeile uusia tekoälytyönkulkuja, käy kursseja ja laajenna näkökulmiasi.

Pavilionilla on vahva GTM:ää ja tekoälyä käsittelevä kurssi. Customer Success Collectiven tapahtumissa, kuten heidän Yhdysvalloissa, Isossa-Britanniassa ja APAC-alueella järjestettävissä Customer Success Summit -tapahtumissaan, keskitytään tekoälyn ohjaamiin työnkulkuihin.

Pysy mukana

Seuraa Andrea Bumsteadia LinkedInissä saadaksesi näkemyksiä siitä, miten asiakaskokemus muutetaan tulonlähteeksi, miten rakennetaan vaikuttavia asiakaskokemusstrategioita ja miten tekoälyä hyödynnetään asiakasarvon lisäämiseksi. Tilaa hänen Substack-julkaisunsa Real Talk with CS Impact, josta saat käytännöllisiä toimintaohjeita ja viitekehyksiä. Seuraa häntä myös Instagramissa.

Lisää asiantuntijahaastatteluja on tulossa The CX Leadiin!