Doświadczony dyrektor ds. przychodów w branży technologicznej twierdzi, że AI nie zastąpi wiedzy branżowej

David Karp ma ponad 30 lat doświadczenia w zarządzaniu działaniami po sprzedaży. Obecnie jest starszym wiceprezesem ds. sukcesu klienta w firmie Billtrust, przedsiębiorstwie SaaS o wartości ponad 200 mln USD.

Porozmawialiśmy z Davidem, aby zrozumieć, jakie aspekty obsługi klienta się zmieniają. Opowiedział nam o nowych przepływach pracy — i nowych rolach — które tworzy.

Skromny, ale potężny zespół CS

Jako doświadczony lider z ponad 30-letnim stażem w zarządzaniu działaniami po sprzedaży realizuję jedną misję: przekształcać relacje z klientami w potężne motory wzrostu.

Moją pasją jest harmonizowanie kultury, technologii i danych. Jako certyfikowany mentor i osoba ucząca się przez całe życie łączę swoje doświadczenie ze szczerym zaangażowaniem w podnoszenie poziomu moich współpracowników, klientów i społeczności. Każdy dzień zaczynam od wiary, ćwiczeń i przekonania, że dzisiejsze wyzwania staną się jutrzejszymi historiami sukcesu.

Obecnie jestem starszym wiceprezesem ds. sukcesu klienta w firmie Billtrust, gdzie odpowiadam za menedżerów ds. sukcesu klienta, dostarczanie wartości klientom i odnowienia umów. Odpowiadam za wszystkich klientów — korporacyjnych, średnich i małych — na całym świecie, a przede wszystkim w Stanach Zjednoczonych i Europie.

Jesteśmy firmą SaaS o wartości ponad 200 mln USD, zatrudniającą około 800 osób. Mój zespół jest skromny, ale potężny — liczy około 25 członków.

Jak sztuczna inteligencja wpływa na rezygnacje klientów, wsparcie i wiedzę

Dzięki sztucznej inteligencji znacząco zmieniłem sposób dostarczania obsługi klienta. Oto trzy przykłady:

1. Ocena kondycji klienta i przewidywanie rezygnacji

Intensywnie wdrożyliśmy sztuczną inteligencję do oceny kondycji klienta i naszego modelu przewidywania rezygnacji klientów, co pozwala nam identyfikować problemy i reagować na nie znacznie szybciej niż wcześniej.

Korzystamy z połączenia różnych narzędzi. Claude jest naszym interfejsem, ale stworzyliśmy model oparty na 12 sygnałach, który wykorzystuje dane źródłowe, dane dotyczące nastrojów (Gong, CSAT, NPS) oraz kluczowe sygnały ryzyka charakterystyczne dla naszej działalności. Zaczęliśmy od trzech sygnałów i kalibrowaliśmy model w miarę utrzymywania, rozwijania lub utraty klientów. W pierwszym kwartale jego dokładność wynosiła 84%.

Aktualizujemy ocenę co tydzień. Dzięki temu możemy reagować w ciągu dni — a nie tygodni czy miesięcy — zamiast dostrzegać sygnały dopiero po rozmowie lub aktualizacji oceny kondycji klienta przez menedżera ds. sukcesu klienta albo opiekuna klienta.

2. Obsługa klienta

Dopiero zaczynamy, ale nasze podejście oparte na agentach zwiększy nasze możliwości obsługi klientów, którzy wcześniej nie mieli wsparcia ani opieki menedżera ds. sukcesu klienta. W rzeczywistości z powodzeniem przeszliśmy od zgłoszeń przesyłanych pocztą elektroniczną do początkowego „chatbota”, który obsługuje wszystkie interakcje niezwiązane z rozmowami telefonicznymi.

Korzystamy z połączenia Claude'a i stworzonego przez nas wewnętrznego narzędzia, które dodaje umiejętności związane ze zbieraniem danych i wniosków oraz dostarczaniem materiałów wizualnych. Tworzone przez nas umiejętności pozwalają harmonizować dane źródłowe, dane dotyczące użytkowania i nastrojów (z Gong, NPS i CSAT), uwzględniając wszystkie te dane w spójnym, ale dostosowanym zestawie komunikatów dotyczących zaangażowania, prezentacji itp.

Zastępujemy również naszą platformę obsługi klienta. Wszystko to razem pozwala nam działać na większą skalę.

Potrwa to jeszcze 4–6 miesięcy, ale zwiększymy zakres obsługi z 500 do niemal 2000 klientów.

3. Bazy wiedzy

Przyspieszamy dostarczanie klientom wiedzy, w tym zwiększamy adekwatność i dokładność naszych artykułów z bazy wiedzy. Odbywa się to za pośrednictwem przepływów pracy i agentów, które automatycznie aktualizują te artykuły.

Czym ludzie nadal muszą zajmować się w obsłudze klienta

Sygnały generowane przez sztuczną inteligencję w dużej mierze napędzają eskalację, wsparcie i treści, ale nadal w dużym stopniu polegamy na ludziach, którzy zajmują się „ostatnim etapem” rozwiązywania problemów i odzyskiwania zaufania klienta.

I w przypadku relacji o dużym znaczeniu wyraźnie widać, gdzie AI przestaje być pomocna. Tylko człowiek może przekazać empatię potrzebną do naprawienia relacji, która zaczyna się rozpadać.

Dlaczego AI nie może zastąpić wiedzy specjalistycznej w danej dziedzinie

Wiedza specjalistyczna w danej dziedzinie jest nadal niezbędna do zrozumienia rzeczywistych problemów klientów i reagowania na nie.

Wiedza specjalistyczna pozwala na przykład CSM-owi zrozumieć codzienne wyzwania danej persony, użytkownika lub członka kadry kierowniczej. AI doskonale radzi sobie z tworzeniem rozwiązań, ale nie spotkałem się jeszcze z sytuacją, w której zastąpiłaby wiedzę dziedzinową osoby, która znalazła się na miejscu klienta i rozumie, jak nawiązać z nim więź, gdy znajduje się on w trudnej sytuacji.

AI może zastąpić wiele rzeczy, ale nie może zastąpić wiedzy dziedzinowej, która umożliwia rozwiązywanie problemów na innym poziomie.

Jak AI zwiększa zarówno zaangażowanie, jak i ilość niechlujnych treści

Dostrzegam dwie duże korzyści płynące z AI: mniejsze uzależnienie od ludzi i większe zaangażowanie w obsługę naszych kont. Ponieważ AI odpowiada za dużą część identyfikowania problemów i podejmowania decyzji dotyczących interwencji, możemy obsługiwać o 50% więcej kont, mając do 20% mniej pracowników.

Oczywiście występują również negatywne skutki. Mamy klientów, którzy nie chcą rozpoczynać kontaktu od chatbota. Wieloletni klienci są przyzwyczajeni do kontaktowania się z tą samą osobą i nie chcą zmieniać swoich zachowań. Trzeba więc zachować równowagę.

A w kilku przypadkach ludzie zbyt szybko wykorzystali AI i stworzyli niechlujne treści, które trafiły do klientów.

Jak błędy AI mogą wpływać na relacje

David dzieli się

AI jest tylko tak dobra, jak Twoja zdolność do kwestionowania wyników. Musisz wykazywać się ciekawością intelektualną i iteracyjnie pracować z AI, aby z czasem uzyskiwać najlepsze rezultaty… Dla każdego z nas był to niezwykle pouczający moment.

AI jest tylko tak dobra, jak Twoja zdolność do kwestionowania wyników. Musisz wykazywać się ciekawością intelektualną i iteracyjnie pracować z AI, aby z czasem uzyskiwać najlepsze rezultaty. Pierwsza odpowiedź niemal nigdy nie jest dobra, a już z pewnością nie jest wystarczająco dobra.

Gdy czas nagli, kuszące jest pójście na kilka skrótów. Być może materiał dla klienta wymaga nieco mniej weryfikacji, ponieważ masz pewność, że AI poradziła sobie z nim poprawnie.

Ale popełniłem ten błąd wystarczająco wiele razy — zarówno w kontaktach z klientami, jak i wewnętrznie — aby wiedzieć, że AI często uzupełnia luki informacjami, których nie posiada. Nieprawidłowe uzupełnienie tych luk może podważyć wiarygodność wszystkiego, co pozostało.

Mój były partner skonfigurował AI tak, aby bez ingerencji odpowiadała na jego e-maile o niższym priorytecie. Następnie jednak system przekierował jedną z moich ważnych wiadomości do niewłaściwej kolejki, a ja otrzymałem odpowiedź wyraźnie wygenerowaną przez AI. Nie miałem pojęcia, że korzysta z AI do tworzenia odpowiedzi i w tamtym momencie był zawstydzony, ponieważ wyglądało to tak, jakby nie cenił naszej wieloletniej relacji.

Dla każdego z nas był to niezwykle pouczający moment.

Dlaczego integracja źródeł danych ma kluczowe znaczenie dla CX

Dane, dane, dane.

Jeśli nie masz solidnych podstaw danych — integracja źródeł danych za pomocą narzędzia takiego jak Snowflake jest dobrym rozwiązaniem — nie uzyskasz korzyści z AI.

Powód jest prosty: AI nie może przynosić rzeczywistych korzyści, jeśli nie opiera się na danych zapewniających szeroki kontekst klienta, połączonych z wiedzą o Twoim produkcie i sposobie, w jaki klienci czerpią z niego wartość.

Przy ilości danych, które możemy obecnie gromadzić — nagranych rozmowach, e-mailach, sygnałach z produktu itd. — niemal niewybaczalne jest nieznajomość ścieżki klienta. Potrzebujesz pełnego obrazu każdej interakcji z klientem, wskaźnika KPI, celu, wyzwania itd.

Przemyślane udostępnienie tych danych sztucznej inteligencji zapewnia kontekst potrzebny do dostarczania lepszych, bardziej dopasowanych i dostosowanych do konkretnego klienta doświadczeń.

Dlaczego liderzy CX mogą skorzystać na tworzeniu nowych ról

Tworzymy zespół inżynierów wdrażanych bezpośrednio u klienta (nazywam ich Architektami Wartości Produktu), którzy rozumieją, jak tworzyć działania dla każdego sygnału, aby zmniejszać lukę wartości i przywracać klienta na właściwy tor. CSM-y współpracują z tymi PVA w odpowiednim kontekście, ponieważ rozumieją cele i wskaźniki KPI klienta.

Bez sygnałów i skalowalnych działań nie moglibyśmy tego zrobić. Sztuczna inteligencja ma kluczowe znaczenie dla sygnałów i jest wykorzystywana w wielu (choć nie we wszystkich) działaniach.

Dlaczego liderzy CX muszą eksperymentować i działać jako pierwsi

Oto moja rada: eksperymentuj, działaj jako pierwszy, podejmuj decyzje.

Nie polegaj na rozwiązaniach punktowych ani na sztucznej inteligencji osadzonej w oprogramowaniu punktowym. Potęga sztucznej inteligencji ujawni się w wielu rozwiązaniach i zbiorach danych.

Śledź dalsze informacje

Możesz śledzić działalność Davida Karpa na LinkedInie.

Na The CX Lead pojawi się więcej wywiadów z ekspertami!