Opinionsledare inom kundupplevelse berättar hur kundupplevelse kan få en plats vid beslutsbordet

Jim Tincher är en tankeledare och forskare inom kundupplevelse. Han är också grundare av Heart of the Customer, ett specialiserat företag inom kundupplevelse från början till slut som hjälper komplexa organisationer.

Vi satte oss ner med Jim för att ta reda på vad han ser i sin forskning. Han gick på djupet med hur AI kan användas för att förbättra kundresor.

En karriär inom CX och forskning

Jag heter Jim Tincher och är grundare och vd för Heart of the Customer. Vi har arbetat med detta sedan 2012.

Jag leder inte en kundupplevelseavdelning – jag ger råd åt de chefer som ansvarar för tillväxten: kommersiella direktörer, försäljnings- och verksamhetschefer samt vd:ar. Vi arbetar inom B2B; vårt djupaste arbete finns inom tillverkningsindustrin: BASF, Dow, Milliken, Xylem, Legrand, Vermeer.

Jag leder också forskningsanalysen för Advanced Manufacturing CX Consortium – sjutton tillverkare som tillsammans frågar nästan 10 000 av sina kunder per år för att ta reda på vad som får en kund att växa tillsammans med en leverantör.

Varför AI bör användas på data, inte relationer

I takt med AI:s utveckling förändrade vi hur vi gör analyser, inte våra kundrelationer. – en medveten åtskillnad.

Förra året intervjuade jag 34 chefer på C-nivå för att ta reda på vad som var viktigast för dem, och svaret var (föga förvånande) ”tillväxt”. Alla 34 var överens, så vi använder det perspektivet i allt vi gör.

Vårt jämförelsematerial visade att de tre främsta indikatorerna på kundtillväxt alla är relationssignaler: att känna sig värderad, relationen till kontot och köpprocessen – inte hur enkelt det är att göra affärer, nöjdhet eller andra typiska CX-mått. Det gör mig försiktig med att automatisera områden där kunder avgör om deras affärer är viktiga för er. Om man tar bort det mänskliga inslaget kan man också ta bort de signaler som kunderna använder för att bedöma om de ska växa tillsammans med er.

Därför använder vi i stället AI för analys – för att analysera samtal, öppna kommentarer och annan kommunikation. Att manuellt läsa, koda och hitta mönster i hundratals samtal tar tid och begränsar vår kapacitet. Men med Claude och ett transkriptionsverktyg kan vi söka efter mönster genom hela historiken för ett uppdrag, i stället för en kontaktpunkt i taget.

AI gjorde det möjligt för oss att söka igenom över 800 B2B-intervjuer i våra data och hitta en struktur som vi inte kunde se tidigare. Därefter testade vi hierarkin i fyra nivåer, som förutsäger hur stor del av en kunds inköp ni kommer att få, mot tjugoen separata kunddataset. Jag hade inte kunnat genomföra den analysen manuellt i den skalan.

Ett arbetsflöde som ger en rangordnad lista över steg att åtgärda i kundresan

Här är ett arbetsflöde som avslutas med en rangordnad lista över steg i kundresan som bör åtgärdas, sorterade efter intäkterna som står på spel.

Det börjar med samtal, inte enkäter. Vi intervjuar kundens kunder direkt – köparen, fabrikschefen, chefen som undertecknar avtalet – och spelar in och transkriberar samtalen genom Fireflies.

Det var där den gamla begränsningen fanns. En analytiker läser det som de hinner läsa, och den begränsningen formar varje slutsats. Man gör ett urval, hittar ett mönster i urvalet och hoppas att urvalet var representativt.

Därefter sammanställer analytikern de första resultaten – berättelsen och de viktigaste temana.

Sedan vänder vi oss till Claude. Claude läser varje transkript i sin helhet. Det plockar ut vad kunderna sa, ordagrant, med källan bifogad: vem som sa det, vilket samtal det gällde och var i samtalet det sades. Den spårbarheten är viktigare än snabbheten. När en kund ifrågasätter ett resultat försvarar vi det inte. Vi visar dem citatet.

Sedan genomför vi analysen, och den delen är inte automatiserad.

Jim berättar

Arbetsfördelningen är avgörande. AI tog bort en läsbegränsning. Det påverkade inte omdömet – att avgöra vad man ska fråga, känna igen vilka mönster som är viktiga och veta när en kund berättar något som de inte vet att de berättar.

Diskuterar den här kunden fortfarande grundläggande funktionalitet? Eller diskuterar de om de kan lita på att vår kund finns där när saker blir komplicerade? Eller om de känner sig värderade? Det ger oss en position, inte ett poängtal.

Sedan kartlägger vi det över hela kundresan. En kurva träder fram – förtroendet byggs upp i det här steget och bryts ner i ett annat. De flesta kunder har aldrig sett sin relation på det sättet. De har sett ett enda nöjdhetstal för hela relationen, vilket döljer exakt var skadan uppstår.

Vi kopplar samman avbrott med konton och konton med pengar. Inte ”kunderna är frustrerade i det här steget”. I stället: förtroendet sjunker här, de här elva kontona ligger under den linjen, och så här har deras inköp förändrats under de senaste fyra kvartalen.

Det är själva poängen med den ordningen. De flesta företag prioriterar utifrån antalet klagomål — vilket är nästan slumpmässigt, eftersom de konton som i tysthet planerar att lämna vanligtvis är de som inte klagar.

Slutligen använder vi Reduct för att omvandla de kritiska citaten till videor och dela kundens röst.

Arbetsfördelningen är avgörande. AI undanröjde en begränsning i läsningen. Det påverkade inte omdömet — att avgöra vad man ska fråga, känna igen vilka mönster som spelar roll och veta när en kund berättar något som de inte vet att de berättar. Det här representerar fjorton års arbete, och det går inte att automatisera.

Varför återställning av kundservice måste förbli mänsklig

Så här drar jag gränsen: AI för data, människor när kunder avgör om de betyder något för er. AI fattar inga beslut — om kundupplevelse eller något annat — även om jag använder det för att informera mina beslut.

AI används alltså bäst för att

• Hitta mönster i samtal och öppna kommentarer.
• Ta reda på vilka problem som faktiskt kostar pengar — de flesta företag prioriterar utifrån antalet klagomål, en nästan slumpmässig metod.
• Upptäcka konton som har tystnat, konton med en minskad orderbredd eller konton vars språk har förändrats. Människor missar den här signalen eftersom ingens arbetsuppgift är att hålla utkik efter den.

Den viktigaste platsen att behålla det mänskliga är återställning av kundservice. Våra data är tydliga här — kunder som är helt nöjda med lösningen på ett problem minskar sina inköp 1 % av tiden. Kunder som inte är nöjda med lösningen minskar sina inköp 35 % av tiden. Och kunder som är ”något nöjda” beter sig mer som missnöjda kunder än som nöjda. Delvisa lösningar räknas som ingen lösning.

Det här sista resultatet är det verkliga argumentet. Automatisering är utmärkt på att skapa tillräckliga resultat i stor skala. Det är precis där tillväxten dör — vid det tillräckliga.

När det gäller eskalering skulle jag dela upp det: låt AI hitta kontot som är i riskzonen, och låt sedan en människa ringa. Identifiering är ett dataproblem. Återställning är ett relationsproblem. Och jag är mest skeptisk till automatiserad personalisering, eftersom B2B-kunder kan se skillnaden, och personalisering som uppfattas som genererad signalerar motsatsen till sitt syfte.

Varför AI-analys kräver strikta skyddsräcken

AI är alltså utmärkt på att hitta mönster. Men det inkluderar även illusioner.

AI hittar på detaljer. Små, plausibla resultat: ett tal inom rätt intervall, ett citat som låter rätt. Och om du söker stöd för något du redan tror på kommer du att hitta det.

Så vi har blivit striktare, inte mindre strikta: Varje tal och citat vi publicerar måste kunna spåras tillbaka till en specifik källa, och när något inte stämmer överens markerar vi det i stället för att släta över det. AI har höjt både vårt tak och den disciplin som krävs.

Hur AI kan avlägsna organisatoriska stuprör

Alla bygger om det kundnära lagret — chattbotar, avledning och automatiserad uppsökande kommunikation. Nästan ingen bygger om lagret under, där företagets kunskap finns i delar.

Verksamheten känner till era leveranser i tid. Försäljningen vet vilka konton som slutat beställa en produktlinje. Den digitala verksamheten vet vem som beställer, överger beställningar eller fastnar under försöken. Ekonomifunktionen vet vad som hände med marginalen. Kundupplevelsen vet hur kunderna känner. Fem grupper, fem datamängder, fem system. Ingen har tillgång till alla fem.

Svaret på frågan ”Varför minskade det kontot?” finns i er organisation, men det är fördelat mellan personer som inte deltar i samma möte. Som jag säger till mina kunder: ”Du visste bara det du visste.” Vad skulle kunna hända om ni kunde frigöra all den splittrade kunskapen i organisationen? Vad skulle det möjliggöra?

Det är inte ett dataproblem. Att lägga till en femte instrumentpanel löser det inte. Det är ett modellproblem — utan en kedja som kopplar samman verksamhet med känslor, beteende och intäkter ger mer data er bara mer frånkopplad data.

Det är här AI visar sitt värde, och det är inte det användningsområde som får uppmärksamhet. AI kan hantera alla fem samtidigt. Den kan läsa e-post, sammanföra den med verksamhetshistorik och ordermönster och hitta var de hänger ihop.

Den tekniska delen var den enkla delen. Att få tillgång till data är det svåra. Varje gång. Därför fungerar detta inte som ett analysprojekt. Det kräver en sponsor — någon tillräckligt senior för att samla de olika grupper som ansvarar för datan och utmana grupperna att ta reda på var tillväxt läcker ut mellan informationssilon.

Jim delar med sig

Se vad du automatiserade förra året och lägg sedan det ovanpå de delar av kundresan där dina kunder avgör om du värdesätter deras affärer. Om du automatiserade bort dessa kritiska kontaktpunkter sparade du inte på kostnaderna — du sänkte oavsiktligt din intäktsprognos.

Varför organisationer fokuserar på fel AI-mätvärden

Fråga de flesta företag vad AI har förbättrat, så nämner de avstyrningsgrad och svarstider. Med andra ord berättar de hur mycket mänsklig kontakt de har tagit bort. Sedan säger de att kundnöjdheten låg kvar på samma nivå.

Det gjorde den förmodligen. Det är fällan.

I vår jämförelse var 81 % av kunderna nöjda. Endast 27 % planerade att utöka sina affärer. Nöjdheten överlevde. Tillväxten gjorde det inte.

Det här är vad jag skulle göra. Se vad du automatiserade förra året och lägg sedan det ovanpå de delar av kundresan där dina kunder avgör om du värdesätter deras affärer. Om du automatiserade bort dessa kritiska kontaktpunkter sparade du inte på kostnaderna — du sänkte oavsiktligt din intäktsprognos.

Hur CX-ledare kan använda AI för att få en plats vid bordet

Som jag sa intervjuade jag 34 ledningspersoner om deras prioriteringar, och var och en nämnde tillväxt. Nästan ingen tog självmant upp kundupplevelse som ett viktigt ämne — trots att de visste att jag är en opinionsbildare inom kundupplevelse, att CXPA sponsrade mötet och att mötesinbjudan innehöll CX.

Det låter som dåliga nyheter. Det är det inte. Frikopplingen handlar inte om att era chefer inte bryr sig om kunder — det handlar om att ingen har visat dem hur kundupplevelsen påverkar intäkterna.

Cheferna brydde sig mycket mer om vad kunderna gjorde än om vad kunderna sa. När jag frågade vad de följer för att bedöma verksamhetens hälsa nämnde de resultat- och lönsamhetstrender, leveransmått, leveranser i tid, försäljningspipeline och vunna RFP:er. Kundretention. Återköp. Känslomått — inklusive NPS — kom nästan aldrig upp. Detta stämmer överens med XM Institutes konstaterande att de flesta CX-program inte kan visa sitt värde. Varför skulle någon i företagsledningen ta upp CX?

En av dem uttryckte det bättre än jag kan. "Vi har instrumentpaneler fulla av eftersläpande indikatorer. Eftersläpande indikatorer är enkla. Det svåra är att hitta de ledande indikatorerna."

Hoppa inte över det, för det är din öppning. Känslor och beteenden är de ledande indikatorerna. Och du äger känslodatan — förutsatt att du mäter känslor (och det bör du göra). Ingen annan i företaget har den datan.

Så här är rådet: Sluta presentera vad kunderna känner. Börja presentera vad det förutsäger.

Det finns en kedja från verksamheten till intäkterna. Företaget påverkar verksamheten genom olika styrspakar — leverans, kommunikation och problemlösning. Dessa skapar känslor hos kunderna. Känslor förändrar beteenden. Beteenden syns i form av pengar. Styrspakar, känslor, handlingar, pengar — det kallas Tillväxtkedjan™ , och vi använder akronymen LEAD för att göra den lättare att komma ihåg. Verksamheten äger den första länken, ekonomiavdelningen den sista, och de två i mitten är dina. De är också de två som ingen mäter.

Det är här AI kan vara oumbärlig: genom att upptäcka och rapportera om dessa samband.

Tre av fyra CX-program visar aldrig ett samband med ekonomiska resultat. Det är den siffra som borde oroa dig, eftersom det är den siffra som leder till att din budget skärs ned så fort marginalerna försämras.

Det är mindre än du tror att börja. Välj två konton – ett som växer och ett som minskar. Följ kedjan för båda. För det växande kontot arbetar du framåt från den operativa förändringen. För det minskande kontot arbetar du bakåt från intäkterna.

Lägg sedan till tre frågor i en enkät som du redan skickar ut. Hur säker är du på att vi kan lösa dina framtida behov? I vilken utsträckning känner du dig värdesatt som kund hos oss? I vilken utsträckning agerar vi som en verklig partner i din verksamhet?

Två konton och tre frågor. Gör det här kvartalet, så kommer du att gå in i ett rum med något som ingen annan i ditt företag kan ta fram.

Och sluta be om en plats vid bordet. Du får inte platsen genom att be om den. Du får den genom att visa din vd att en specifik operativ investering förändrade hur kunderna kände — och att förändringen påverkade intäkterna.

Följ med

Du kan följa Jim Tinchers arbete på LinkedIn. Besök också Heart of the Customer.

Fler expertintervjuer kommer i CX-ledaren!