CX-tanke leder deler hvordan CX kan bruke KI til å få en plass ved bordet

Jim Tincher er en tankeleder og forsker innen kundeopplevelse. Han er også grunnleggeren av Heart of the Customer, et spesialisert E2E-kundeopplevelsesselskap som støtter komplekse organisasjoner.

Vi satte oss ned med Jim for å lære hva han ser i forskningen sin. Han gikk i dybden på bruk av kunstig intelligens for å forbedre kundereiser.

En karriere innen kundeopplevelse og forskning

Jeg heter Jim Tincher og er grunnlegger og administrerende direktør i Heart of the Customer. Vi har holdt på siden 2012.

Jeg leder ikke en kundeopplevelsesavdeling — jeg rådgir lederne som har ansvar for veksttallene: kommersielle direktører, salgs- og driftsdirektører og administrerende direktører. Vi arbeider på tvers av B2B; det meste av det dyptgående arbeidet vårt er innen produksjon: BASF, Dow, Milliken, Xylem, Legrand, Vermeer.

Jeg leder også forskningsanalysen for Advanced Manufacturing CX Consortium — sytten produsenter som til sammen undersøker nesten 10 000 av kundene sine hvert år for å finne ut hva som får en kunde til å vokse sammen med en leverandør.

Hvorfor kunstig intelligens bør brukes på data, ikke relasjoner

Med utviklingen innen kunstig intelligens endret vi hvordan vi utfører analyser, ikke kunderelasjonene våre. — et bevisst skille.

I fjor intervjuet jeg 34 toppledere for å finne ut hva som var viktigst for dem, og svaret var (ikke overraskende) «vekst». Alle 34 var enige, så vi bruker dette perspektivet på alt.

Referansemålingen vår viste at de tre viktigste indikatorene på kundevekst alle er relasjonssignaler: å føle seg verdsatt, kunderelasjonen og kjøpsprosessen; ikke hvor enkelt det er å gjøre forretninger, tilfredshet eller andre typiske mål på kundeopplevelse. Dette gjør meg forsiktig med å automatisere områder der kundene avgjør om virksomheten deres betyr noe for deg. Hvis man fjerner det menneskelige elementet, kan man fjerne selve signalene kundene bruker for å vurdere om de skal vokse sammen med deg.

Derfor bruker vi kunstig intelligens på analysen i stedet — til å analysere samtaler, åpne kommentarer og annen kommunikasjon. Det går sakte å lese, kode og finne mønstre manuelt på tvers av hundrevis av samtaler, og det begrenser kapasiteten vår. Men med Claude og et transkripsjonsverktøy kan vi søke etter mønstre i historikken til et helt oppdrag, i stedet for ett kontaktpunkt om gangen.

Kunstig intelligens gjorde det mulig for oss å søke på tvers av over 800 B2B-intervjuer i dataene våre og finne strukturer vi ikke kunne se tidligere. Deretter testet vi hierarkiet med fire nivåer, som forutsier hvor mye av kundens forbruk du vil få, mot tjueett separate kundedatasett. Jeg kunne ikke ha utført den analysen manuelt i den skalaen.

En arbeidsflyt som gir en prioritert liste over trinn som må forbedres i kundereisen

Her er en arbeidsflyt som ender i en prioritert liste over trinn i kundereisen som må forbedres, rangert etter hvor store inntekter som står på spill.

Den starter med samtaler, ikke spørreundersøkelser. Vi intervjuer kundene til en klient direkte — kjøperen, fabrikksjefen, lederen som signerer kontrakten — og tar opp og transkriberer samtalene gjennom Fireflies.

Det var her den gamle begrensningen lå. En analytiker leser det vedkommende har tid til å lese, og denne grensen former alle konklusjoner. Du tar et utvalg, finner et mønster i utvalget og håper at utvalget var representativt.

Deretter setter analytikeren sammen de første funnene – historien og hovedtemaene.

Så vender vi oss til Claude. Claude leser hvert transkripsjon i sin helhet. Den trekker ut det kundene sa, ordrett, med kilden vedlagt: hvem som sa det, hvilken samtale det var, og hvor i samtalen det ble sagt. Denne sporbarheten er viktigere enn hastigheten. Når en klient utfordrer et funn, forsvarer vi det ikke. Vi viser dem sitatet.

Deretter utfører vi analysen, og denne delen er ikke automatisert.

Jim deler

Arbeidsfordelingen er avgjørende. Kunstig intelligens fjernet en lesebegrensning. Den påvirket ikke vurderingsevnen – det å avgjøre hva man skal spørre om, gjenkjenne hvilke mønstre som betyr noe, og vite når en kunde forteller deg noe de ikke vet at de forteller deg.

Diskuterer denne kunden fortsatt grunnleggende funksjonalitet? Eller diskuterer de om de kan stole på klienten vår når ting blir kompliserte? Eller om de føler seg verdsatt? Det gir oss en posisjon, ikke en poengsum.

Deretter kartlegger vi dette på tvers av kundereisen. En kurve trer frem — tilliten bygges opp på dette trinnet og brytes ned på det andre. De fleste klienter har aldri sett relasjonen sin på den måten. De har sett ett tilfredshetstall for hele relasjonen, noe som skjuler det nøyaktige stedet der skaden oppstår.

Vi kobler brudd til kontoer og kontoer til penger. Ikke «kundene er frustrerte på dette trinnet». I stedet: Tilliten faller her, disse elleve kontoene ligger under den linjen, og her ser du hvordan forbruket deres har endret seg de siste fire kvartalene.

Det er nettopp poenget med denne rekkefølgen. De fleste selskaper prioriterer etter antall klager – noe som er nesten tilfeldig, fordi kontoer som i stillhet planlegger å forlate dere, vanligvis er de som ikke klager.

Til slutt bruker vi Reduct til å omforme de kritiske sitatene til videoer som deler kundens stemme.

Arbeidsfordelingen er avgjørende. AI fjernet en begrensning knyttet til lesing. Det påvirket ikke vurderingsevnen – å avgjøre hva man skal spørre om, gjenkjenne hvilke mønstre som betyr noe, og vite når en kunde forteller deg noe de ikke vet at de forteller deg. Dette representerer fjorten års arbeid, og det kan ikke automatiseres.

Hvorfor gjenoppretting av kundeservice må forbli menneskelig

Så her trekker jeg grensen: AI på dataene, mennesker når kunder avgjør om de betyr noe for deg. AI tar ingen beslutninger – verken innen CX eller på andre områder – selv om jeg bruker det til å informere beslutningene mine.

AI brukes derfor best til

• Å finne mønstre på tvers av samtaler og åpne kommentarer.
• Å finne ut hvilke problemer som faktisk koster penger – de fleste selskaper prioriterer etter antall klager, en nesten tilfeldig metode.
• Å oppdage kontoer som har blitt stille, kontoer med et smalere ordreomfang, eller kontoer hvis språk har endret seg. Mennesker overser dette signalet fordi ingen har som jobb å følge med på det.

Det viktigste området å holde menneskelig er gjenoppretting av kundeservice. Dataene våre er tydelige her – kunder som er helt fornøyde med løsningen på et problem, reduserer forbruket sitt 1 % av gangene. Kunder som ikke er fornøyde med løsningen, reduserer forbruket sitt 35 % av gangene. Og kunder som er «ganske fornøyde», oppfører seg mer som misfornøyde kunder enn som fornøyde. Delvise løsninger teller som ingen løsning.

Dette siste funnet er det virkelige argumentet. Automatisering er svært god til å levere tilstrekkelige resultater i stor skala. Det er nettopp der veksten dør.

Ved eskalering ville jeg delt det opp: La AI finne kontoen som er i fare, og la deretter et menneske ringe. Oppdagelse er et dataproblem. Gjenoppretting er et relasjonsproblem. Og jeg er mest skeptisk til automatisert personalisering, fordi B2B-kunder kan se forskjell, og personalisering som virker generert, signaliserer det motsatte av hensikten.

Hvorfor AI-analyse krever strenge sikkerhetsrammer

AI er altså svært god til å finne mønstre. Men det inkluderer også illusoriske mønstre.

AI finner opp detaljer. Små, plausible funn: et tall i riktig område, et sitat som høres riktig ut. Og hvis du leter etter støtte for noe du allerede tror på, vil du finne det.

Vi har altså blitt strengere, ikke mindre strenge: Alle tall og sitater vi publiserer, må kunne spores tilbake til en spesifikk kilde, og når noe ikke stemmer overens, markerer vi det i stedet for å glatte det over. AI har nettopp hevet både taket vårt og nivået på disiplinen som kreves.

Hvordan AI kan fjerne organisatoriske siloer

Alle redesigner det kundevendte laget – chatboter, avledning og automatisert oppsøkende kontakt. Nesten ingen redesigner laget under, der selskapets kunnskap ligger spredt i biter.

Driftsavdelingen kjenner leveransene dine i tide. Salgsavdelingen vet hvilke kontoer som har sluttet å bestille en produktlinje. Den digitale avdelingen vet hvem som bestiller, avbryter bestillinger eller blir stående fast mens de prøver. Finansavdelingen vet hva som skjedde med marginen. CX vet hvordan kundene føler det. Fem grupper, fem datasett, fem systemer. Ingen har oversikt over alle fem.

Svaret på «Hvorfor ble den kontoen mindre?» finnes i bygningen deres, men det er fordelt på personer som ikke deltar i de samme møtene. Som jeg sier til kundene mine: «Du visste bare det du visste.» Hva kunne skjedd hvis dere var i stand til å frigjøre all den usammenhengende kunnskapen i organisasjonen? Hva ville det gjort mulig?

Det er ikke et dataproblem. Det løses ikke ved å legge til et femte kontrollpanel. Det er et modellproblem – uten en kjede som knytter drift sammen med følelser, atferd og inntekter, gir mer data deg bare mer frakoblet data.

Det er her AI virkelig viser sin verdi, og det er ikke bruksområdet som får oppmerksomhet. Det kan håndtere alle disse fem samtidig. Det kan lese e-poster, sammenholde dem med operasjonshistorikk og ordremønstre, og finne ut hvor de henger sammen.

Den tekniske delen var den enkle delen. Å få tak i dataene er det vanskelige. Hver gang. Derfor fungerer ikke dette som et analyseprosjekt. Det krever en sponsor — noen som er høyt nok oppe til å samle de ulike gruppene som sitter på dataene, og utfordre gruppene til å finne ut hvor veksten lekker på tvers av informasjonssiloene.

Jim Shares

Se på hva du automatiserte i fjor, og legg det over stadiene i kundereisen der kundene dine avgjør om du verdsetter virksomheten deres. Hvis du automatiserte bort disse kritiske kontaktpunktene, sparte du ikke kostnader — du reduserte uforvarende inntektsprognosen din.

Hvorfor organisasjoner fokuserer på feil AI-måltall

Spør de fleste selskaper hva AI har forbedret, og de vil nevne avvergingstall og svartider. Med andre ord vil de fortelle deg hvor mye menneskelig kontakt de har fjernet. Deretter vil de si at tilfredsheten holdt seg stabil.

Det gjorde den sannsynligvis. Det er fellen.

I referansemålingen vår var 81 % av kundene tilfredse. Bare 27 % planla å vokse. Tilfredsheten overlevde. Veksten gjorde ikke det.

Dette er hva jeg ville gjort. Se på hva du automatiserte i fjor, og legg det over stadiene i kundereisen der kundene dine avgjør om du verdsetter virksomheten deres. Hvis du automatiserte bort disse kritiske kontaktpunktene, sparte du ikke kostnader — du reduserte uforvarende inntektsprognosen din.

Hvordan CX-ledere kan bruke AI til å få en plass ved bordet

Som jeg sa, intervjuet jeg 34 toppledere om prioriteringene deres, og samtlige nevnte vekst. Nesten ingen av dem tok opp kundeopplevelse som et viktig tema på eget initiativ — selv om de visste at jeg er en tankeleder innen kundeopplevelse, at CXPA sponset møtet, og at møteinvitasjonen inkluderte CX.

Det høres ut som dårlige nyheter. Det er det ikke. Frakoblingen handler ikke om at topplederne dine ikke bryr seg om kundene — det handler om at ingen har vist dem hvordan kundeopplevelse flytter penger.

Lederne var langt mer opptatt av hva kundene gjorde enn av hva kundene sa. Da jeg spurte hva de fulgte med på for å vurdere virksomhetens helse, nevnte de utvikling i resultatregnskapet, leveringsmåltall, levering til avtalt tid, hastigheten i salgspipelinen, vunne RFP-er. Bevaring. Gjenkjøp. Følelsesmålinger — inkludert NPS — kom nesten aldri opp. Dette samsvarer med XM Institutes funn om at de fleste CX-programmer ikke kan dokumentere verdi. Hvorfor skulle et medlem av toppledelsen ta opp CX?

En av dem formulerte det bedre enn jeg kan. "Vi har dashbord fulle av etterslepende indikatorer. Etterslepende indikatorer er enkle. Det vanskelige er å finne de ledende indikatorene."

Ikke overse dette, for det er din inngang. Følelser og atferd er de ledende indikatorene. Og du eier følelsesdataene — forutsatt at du måler følelser (og det bør du). Ingen andre i selskapet ditt har disse dataene.

Så her er rådet: Slutt å presentere hva kundene føler. Begynn å presentere hva det forutsier.

Det går en kjede fra drift til inntekter. Selskapet ditt trekker i operasjonelle spaker — levering, kommunikasjon, problemløsning. Dette skaper følelser hos kundene dine. Følelser endrer atferd. Atferd vises i form av penger. Spaker, følelser, handling, penger — den kalles Vekstkjeden™ , og vi bruker LEAD-akronymet for å gjøre den minneverdig. Driften eier den første lenken, økonomiavdelingen eier den siste, og de to i midten er dine. De er også de to ingen måler.

Det er her AI kan være uunnværlig: ved å oppdage og rapportere om disse sammenhengene.

Tre av fire CX-programmer dokumenterer aldri en sammenheng med økonomiske resultater. Det er tallet som bør bekymre deg, fordi det er tallet som får budsjettet ditt kuttet så snart marginene strammes inn.

Det er mindre å starte med enn du tror. Velg to kontoer – én i vekst og én i nedgang. Spor kjeden for begge. For kontoen i vekst følger du utviklingen fremover fra den operative endringen. For kontoen i nedgang følger du den bakover fra inntektene.

Legg deretter til tre spørsmål i en undersøkelse du allerede sender ut. Hvor sikre er du på at vi kan løse fremtidige behov? I hvilken grad føler du deg verdsatt som kunde hos oss? I hvilken grad fungerer vi som en reell partner i virksomheten din?

To kontoer og tre spørsmål. Gjør dette i løpet av dette kvartalet, så går du inn i et rom med noe ingen andre i selskapet ditt kan produsere.

Og slutt å be om en plass rundt bordet. Du får ikke plassen ved å be om den. Du får den ved å vise administrerende direktør at en spesifikk operativ investering endret hvordan kundene følte det – og at endringen påvirket inntektene.

Følg med

Du kan følge Jim Tinchers arbeid på LinkedIn. Ta også en titt på Heart of the Customer.

Det kommer flere ekspertintervjuer på CX-lederen!