Kokenut teknologia-alan kaupallinen johtaja sanoo, ettei tekoäly voi korvata toimialatuntemusta

David Karpilla on yli 30 vuoden kokemus myynnin jälkeisen toiminnan johtamisesta. Tällä hetkellä hän toimii asiakasmenestyksestä vastaavana SVP:nä Billtrustilla, joka on yli 200 miljoonan dollarin SaaS-yritys.

Keskustelimme Davidin kanssa ymmärtääksemme, mitkä asiakaskokemuksen osa-alueet ovat muuttumassa. Hän kertoi meille uusista työnkuluista ja uusista rooleista, joita hän on luomassa.

Vaatimaton mutta tehokas CS-tiimi

Yli 30 vuoden kokemukseni myynnin jälkeisen toiminnan johtamisesta on saanut minut tavoittelemaan yhtä päämäärää: muuttaa asiakassuhteet voimakkaiksi kasvun moottoreiksi.

Intohimoni on kulttuurin, teknologian ja datan yhteensovittaminen. Sertifioituna mentorina ja elinikäisenä oppijana yhdistän asiantuntemukseni aitoon sitoutumiseen kollegoideni, asiakkaideni ja yhteisöni tukemiseen. Jokaisen päivän aloitan uskolla, liikunnalla ja vakaalla käsityksellä siitä, että tämän päivän haasteista tulee huomisen menestystarinoita.

Toimin tällä hetkellä asiakasmenestyksestä vastaavana SVP:nä Billtrustilla, jossa vastaan CSM:istä, asiakasarvon tuottamisesta ja uusimisista. Vastaan kaikista asiakkaista maailmanlaajuisesti — yritysasiakkaista, keskisuurista yrityksistä ja pk-yrityksistä — pääasiassa Yhdysvalloissa ja Euroopassa.

Olemme yli 200 miljoonan dollarin SaaS-yritys, jolla on noin 800 työntekijää. Tiimini on vaatimaton mutta tehokas, ja siihen kuuluu noin 25 jäsentä.

Miten tekoäly vaikuttaa asiakaspoistumaan, tukeen ja tietoon

Tekoälyn ansiosta olen tehnyt suuria muutoksia siihen, miten asiakaskokemusta tuotetaan. Tässä on kolme esimerkkiä:

1. Asiakkuuksien terveystilan pisteytys ja asiakaspoistuman ennustaminen

Olemme integroineet tekoälyn voimakkaasti asiakkuuksien terveystilan pisteytykseen ja asiakaspoistuman ennustemalliin, minkä ansiosta pystymme tunnistamaan ongelmat ja puuttumaan niihin paljon aiempaa nopeammin.

Käytämme useiden työkalujen yhdistelmää. Claude toimii käyttöliittymänämme, mutta rakensimme 12 signaalin mallin, joka hyödyntää lähdedataa, tunneanalyysidataa (Gong, CSAT, NPS) sekä liiketoiminnallemme ominaisia keskeisiä riskisignaaleja. Aloitimme kolmella signaalilla ja kalibroimme mallia sen perusteella, säilytimme, kasvatimme tai menetimme asiakkuuksia. Ensimmäisellä vuosineljänneksellä sen tarkkuus oli 84 %.

Päivitämme pisteytyksen joka viikko. Näin pystymme puuttumaan tilanteisiin päivien — emmekä viikkojen tai kuukausien — kuluessa sen sijaan, että näkisimme signaalit vasta keskustelun tai CSM:n tai AE:n päivittämän terveystilan jälkeen.

2. Asiakastuki

Olemme vasta aloittamassa, mutta agenttipohjainen lähestymistapamme laajentaa kykyämme palvella asiakkaita, joilla ei aiemmin ollut CSM-tukea ja -kattavuutta. Olemme itse asiassa siirtyneet sähköpostitse lähetettävistä tukipyynnöistä ensimmäiseen ”chatbotiin”, joka käsittelee kaikki muut kuin puhelimitse tapahtuvat yhteydenotot.

Käytämme Clauden ja itse rakentamamme sisäisen työkalun yhdistelmää. Työkaluun on lisätty taitoja tietojen ja oivallusten keräämiseen sekä visuaalisten esitysten toimittamiseen. Luomiemme taitojen avulla voimme sovittaa yhteen lähdedatan, käyttödat​​an ja tunneanalyysitiedot (Gongista, NPS:stä ja CSAT:sta) ja sisällyttää kaikki nämä tiedot yhdenmukaiseen mutta kohdennettuun kokonaisuuteen, joka sisältää viestejä, esityksiä ja muuta vastaavaa asiakasviestintää.

Korvaamme myös CSP:mme. Yhdessä nämä ratkaisut mahdollistavat toimintamme skaalaamisen.

Siihen kuluu vielä 4–6 kuukautta, mutta kasvatamme kattavuutemme 500 asiakkuudesta lähes 2 000 asiakkuuteen.

3. Tietämyskannat

Nopeutamme asiakkaille toimittamamme tiedon jakamista, mukaan lukien tietoartikkeleidemme merkityksellisyyden ja tarkkuuden parantaminen. Tämä toteutetaan työnkuluilla ja agenteilla, jotka päivittävät artikkelit automaattisesti.

Mitä ihmisten on edelleen hoidettava asiakaskokemuksessa

Tekoälyn tuottamat signaalit ohjaavat vahvasti eskalointia, tukea ja sisältöjä, mutta luotamme edelleen vahvasti ihmisiin ongelmien ratkaisemisen ja palvelun palauttamisen ”viimeisessä vaiheessa”.

Ja paljon vaikutusvaltaa sisältävissä suhteissa on selvää, missä tekoäly lakkaa olemasta hyödyllinen. Vain ihminen voi välittää tarvittavan empatian kriisiytyvän suhteen korjaamiseksi.

Miksi tekoäly ei voi korvata toimiala-asiantuntemusta

Toimiala-asiantuntemus on edelleen olennaista todellisen asiakaskivun ymmärtämisessä ja siihen vastaamisessa.

Toimiala-asiantuntemuksen ansiosta esimerkiksi CSM voi ymmärtää persoonan, käyttäjän tai johtajan päivittäisiä haasteita. Tekoäly on erinomainen ratkaisujen luomisessa, mutta en ole vielä nähnyt sen korvaavan sellaisen henkilön toimialaosaamista, joka on ollut asiakkaan asemassa ja ymmärtää, miten luodaan yhteys asiakkaan ollessa vaikeassa tilanteessa.

Tekoäly voi korvata monia asioita, mutta se ei voi korvata toimialaosaamista, joka mahdollistaa ongelmien ratkaisemisen aivan uudella tasolla.

Miten tekoäly lisää sekä sitoutumista että höttöä

Olen nähnyt kaksi merkittävää tekoälyn hyötyä: vähäisemmän riippuvuuden ihmisistä ja paremman sitoutumisen asiakkuuksiimme. Koska tekoäly ohjaa pitkälti ongelmien tunnistamista ja toimenpiteitä koskevaa päätöksentekoa, voimme työskennellä 50 % useampien asiakkuuksien kanssa jopa 20 % pienemmällä henkilöstömäärällä.

Tietenkin sillä on myös kielteisiä vaikutuksia. Meillä on asiakkaita, jotka eivät halua aloittaa chatbotista. Pitkäaikaiset asiakkaat ovat tottuneet ottamaan yhteyttä samaan henkilöön eivätkä halua muuttaa toimintatapojaan. Tässä on siis löydettävä tasapaino.

Joissakin tapauksissa ihmiset työskentelivät tekoälyn kanssa liian nopeasti ja loivat huttua, joka päätyi asiakkaille.

Miten tekoälyn virheet voivat vaikuttaa suhteisiin

David kertoo

Tekoäly on vain niin hyvä kuin kykysi haastaa sen tulokset. Sinun on oltava älyllisesti utelias ja kehitettävä työskentelyä tekoälyn kanssa saadaksesi ajan mittaan parhaat tulokset… Se oli meille kaikille merkityksellinen oppimiskokemus.

Tekoäly on vain niin hyvä kuin kykysi haastaa sen tulokset. Sinun on oltava älyllisesti utelias ja kehitettävä työskentelyä tekoälyn kanssa saadaksesi ajan mittaan parhaat tulokset. Ensimmäinen vastaus on harvoin hyvä, saati sitten riittävän hyvä.

Kun aikaa on vähän, on houkuttelevaa oikaista muutamassa kohdassa. Ehkä asiakkaalle toimitettava materiaali tarvitsee hieman vähemmän tarkistamista, koska olet varma, että tekoäly hoiti asian.

Olen kuitenkin tehnyt saman virheen riittävän monta kertaa — asiakkaiden kanssa ja sisäisesti — tietääkseni, että tekoäly täyttää usein aukkoja tiedoilla, joita sillä ei todellisuudessa ole. Aukkojen täyttäminen virheellisesti voi heikentää kaiken muunkin uskottavuutta.

Eräs entinen kumppanini otti tekoälyn käyttöön vastaamaan vähäisemmän prioriteetin sähköposteihin ilman ihmisen väliintuloa. Sitten järjestelmä ohjasi yhden tärkeistä sähköposteistani väärään jonoon, ja sain selvästi tekoälyn tuottaman vastauksen. En tiennyt lainkaan, että hän käytti tekoälyä vastaamiseen, ja sillä hetkellä hän nolostui, koska vaikutti siltä, ettei hän arvostanut pitkää suhdettamme.

Se oli meille molemmille merkityksellinen oppimiskokemus.

Miksi tietolähteiden yhdistäminen on ratkaisevan tärkeää CX:n kannalta

Dataa, dataa, dataa.

Jos sinulla ei ole vahvaa datapohjaa — tietolähteiden yhdistäminen esimerkiksi Snowflaken kaltaisen työkalun avulla on toimiva ratkaisu — et saa tekoälystä hyötyjä.

Syy on yksinkertainen: tekoäly ei voi tuottaa todellisia hyötyjä, ellei se perustu dataan, joka tarjoaa laajan asiakaskontekstin yhdistettynä tuotetuntemukseesi ja ymmärrykseesi siitä, miten asiakkaat luovat arvoa.

On lähes anteeksiantamatonta olla tuntematta asiakkaan polkua, kun otetaan huomioon kaikki data, jota voimme nykyään kerätä — tallennetut puhelut, sähköpostit, tuotteen käyttösignaalit ja niin edelleen. Tarvitset kattavan näkymän jokaiseen asiakkaan vuorovaikutustilanteeseen, KPI-mittariin, tavoitteeseen, haasteeseen ja niin edelleen.

Tämän datan harkittu saattaminen tekoälyn hyödynnettäväksi luo kontekstin, jota se tarvitsee tarjotakseen paremman, yksilöllisemmän ja asiakaskohtaisemman kokemuksen.

Miksi CX-johtajat voivat hyötyä uusien roolien luomisesta

Luomme eri puolille organisaatiota sijoitettujen insinöörien tiimiä (kutsun heitä tuote-arvon arkkitehdeiksi), jotka ymmärtävät, kuinka jokaiseen signaaliin voidaan luoda toimenpiteitä arvoeron umpeen kuromiseksi ja asiakkaan palauttamiseksi oikealle kurssille. CSM:t työskentelevät näiden PVA:iden kanssa kontekstissa, koska he ymmärtävät asiakkaan tavoitteet ja KPI-mittarit.

Ilman signaaleja ja skaalautuvia toimenpiteitä emme pystyisi siihen. Tekoäly on keskeinen osa signaaleja, ja se on sisällytetty moniin (mutta ei kaikkiin) toimenpiteisiin.

Miksi CX-johtajien on kokeiltava ja oltava ensimmäisiä

Tässä on neuvoni: kokeilkaa, olkaa ensimmäisiä ja tehkää päätöksiä.

Älkää luottako yksittäisiin ratkaisuihin tai yksittäisiin ohjelmistoihin sisällytettyyn tekoälyyn. Tekoälyn voima tulee esiin ratkaisujen ja tietoaineistojen välillä.

Pysy mukana

Voit seurata David Karpin työtä LinkedInissä.

Lisää asiantuntijahaastatteluja on tulossa The CX Leadiin!