Deneyimli Teknoloji CRO’su, Yapay Zekânın Alan Uzmanlığının Yerini Alamayacağını Söylüyor

David Karp'ın satış sonrası liderlik alanında 30 yılı aşkın deneyimi var. Şu anda 200 milyon doların üzerinde gelire sahip bir SaaS şirketi olan Billtrust'ta Müşteri Başarısından Sorumlu Kıdemli Başkan Yardımcısı olarak görev yapıyor.

David ile müşteri deneyiminin hangi yönlerinin değiştiğini anlamak için konuştuk. Bize oluşturduğu yeni iş akışlarından ve yeni rollerden bahsetti.

Alçakgönüllü ama güçlü bir müşteri başarısı ekibi

Satış sonrası liderlik alanında 30 yılı aşkın deneyime sahip deneyimli bir lider olarak tek bir misyonun peşinden gittim: müşteri ilişkilerini güçlü büyüme motorlarına dönüştürmek.

Tutkum; kültürü, teknolojiyi ve verileri uyumlu hâle getirmekte yatıyor. Sertifikalı bir mentor ve yaşam boyu öğrenen biri olarak uzmanlığımı, çalışma arkadaşlarımı, müşterilerimi ve topluluğumu desteklemeye yönelik samimi bir bağlılıkla birleştiriyorum. Her güne inanç, egzersiz ve bugünün zorluklarının yarının başarı öykülerine dönüşeceğine dair inançla başlıyorum.

Şu anda Billtrust'ta Müşteri Başarısından Sorumlu Kıdemli Başkan Yardımcısı olarak görev yapıyorum; CSM'lerden, Müşteri Değeri Sunumundan ve Yenilemelerden sorumluyum. Ağırlıklı olarak ABD ve Avrupa olmak üzere dünya genelindeki tüm müşterilerden — Kurumsal, Ticari ve KOBİ — sorumluyum.

Yaklaşık 800 çalışanı olan, 200 milyon doların üzerinde gelire sahip bir SaaS şirketiyiz. Yaklaşık 25 ekip üyesinden oluşan ekibim mütevazı ama güçlü.

Yapay zekâ kayıp oranını, desteği ve bilgiyi nasıl etkiliyor?

Yapay zekâ sayesinde müşteri deneyiminin sunulma biçiminde büyük değişiklikler yaptım. İşte üç örnek:

1. Sağlık puanlaması ve kayıp tahmini

Yapay zekâyı sağlık puanlamamıza ve kayıp tahmin modelimize kapsamlı biçimde entegre ettik. Bu sayede sorunları önceye kıyasla çok daha hızlı tespit edip müdahale edebiliyoruz.

Bir araç kombinasyonu kullanıyoruz. Ön yüzümüz Claude; ancak kaynak verilerden, duygu verilerinden (Gong, CSAT, NPS) ve işimize özgü temel risk sinyallerinden yararlanan 12 sinyalli bir model oluşturduk. Üç sinyalle başladık ve hesapları korudukça, büyüttükçe veya kaybettikçe modeli kalibre ettik. İlk çeyrekte doğruluk oranı %84'tü.

Puanlamayı her hafta güncelliyoruz. Bu, sinyalleri yalnızca bir görüşmeden veya CSM ya da AE tarafından güncellenen sağlık puanından sonra görmek yerine, haftalar ya da aylar içinde değil, günler içinde müdahale etmemizi sağlıyor.

2. Müşteri desteği

Henüz başlangıç aşamasındayız; ancak aracı tabanlı yaklaşımımız, daha önce CSM desteği ve kapsamından yararlanamayan müşterilere hizmet verme kapasitemizi artıracak. Hatta e-posta üzerinden vaka gönderiminden, telefon dışındaki tüm etkileşimleri yöneten bir başlangıçtaki "sohbet robotuna" başarıyla geçtik.

Claude ile veri ve içgörü toplama, ayrıca görsel sunma becerileri ekleyen, kendi geliştirdiğimiz bir iç aracın kombinasyonunu kullanıyoruz. Oluşturduğumuz beceriler; kaynak verileri, kullanım verilerini ve duygu verilerini (Gong, NPS, CSAT) uyumlu hâle getirmemize ve tüm bu verileri tutarlı ancak ihtiyaca göre uyarlanmış bir dizi etkileşim mesajına, sunuma ve benzer içeriklere dâhil etmemize olanak tanıyor.

Ayrıca CSP'mizi de değiştiriyoruz. Bunlar birlikte bizim için ölçeklenebilirlik sağlıyor.

4-6 ay daha sürecek; ancak kapsamımızı 500 hesaptan neredeyse 2.000 hesaba çıkaracağız.

3. Bilgi tabanları

Müşterilere sunduğumuz bilginin, bilgi makalelerimizin güncelliği ve doğruluğu da dâhil olmak üzere, sunumunu hızlandırıyoruz. Bunu, bu makaleleri otomatik olarak güncelleyen iş akışları ve aracılar sayesinde gerçekleştiriyoruz.

Müşteri deneyiminde insanların hâlâ ele alması gerekenler

Yapay zekâ sinyalleri tırmandırma, destek ve içerik süreçlerini büyük ölçüde yönlendiriyor; ancak sorunların çözümünün ve hizmet telafisinin "son aşamasını" karşılamak için hâlâ büyük ölçüde insanlara güveniyoruz.

Yüksek etki sağlayan ilişkiler söz konusu olduğunda, yapay zekânın ne zaman yardımcı olmayı bıraktığı açıkça görülür. Zor bir noktaya sürüklenen bir ilişkiyi düzeltmek için gereken empatiyi yalnızca bir insan aktarabilir.

Yapay zekâ neden alan uzmanlığının yerini alamaz?

Gerçek müşteri sorunlarını anlamak ve ele almak için alan uzmanlığı hâlâ çok önemlidir.

Alan uzmanlığı, örneğin bir CSM'nin bir persona, kullanıcı veya yöneticinin günlük karşılaştığı zorlukları anlamasını sağlar. Yapay zekâ çözüm üretme konusunda başarılıdır; ancak müşterinin yerinde bulunmuş ve müşteri zor bir durumdayken nasıl bağ kurulacağını anlayan birinin alan bilgisinin yerini aldığını henüz görmedim.

Yapay zekâ birçok şeyin yerini alabilir, ancak farklı bir problem çözme düzeyi sağlayan alan bilgisinin yerini alamaz.

Yapay zekâ etkileşimi ve düşük kaliteli içeriği nasıl artırıyor?

Yapay zekânın iki büyük faydasını gördüm: insanlara olan bağımlılığın azalması ve hesaplarımızla etkileşimin artması. Sorunları belirleme ve müdahale kararlarımızın büyük bölümünü yapay zekâ yönlendirdiği için %50 daha fazla hesapla, %20'ye kadar daha az çalışanla çalışabiliyoruz.

Elbette olumsuz etkileri de var. Bir sohbet robotuyla başlamak istemeyen bazı müşterilerimiz bulunuyor. Uzun süredir bizimle olan müşteriler, aynı kişiye ulaşmaya alışkın ve davranışlarını değiştirmek istemiyor. Dolayısıyla burada bir denge söz konusu.

Ayrıca birkaç durumda insanlar yapay zekâyla fazla hızlı çalıştı ve müşterilere ulaşan düşük kaliteli içerikler oluşturdu.

Yapay zekâ hataları ilişkileri nasıl etkileyebilir?

David'in Paylaşımları

Yapay zekâ, sonuçları sorgulama beceriniz kadar iyidir. Zaman içinde en iyi sonuçlara ulaşmak için entelektüel meraka sahip olmalı ve yapay zekâyla yinelemeli çalışmalısınız… Bu, her birimiz için güçlü bir öğrenme anıydı.

Yapay zekâ, sonuçları sorgulama beceriniz kadar iyidir. Zaman içinde en iyi sonuçlara ulaşmak için entelektüel meraka sahip olmalı ve yapay zekâyla yinelemeli çalışmalısınız. İlk yanıt neredeyse hiçbir zaman iyi değildir; yeterince iyi olması ise çok daha nadirdir.

Zaman daraldığında birkaç kısa yola başvurmak cazip gelebilir. Belki de yapay zekânın işi doğru yaptığından emin olduğunuz için müşteriye sunulacak çalışmanın biraz daha az incelenmesi gerektiğini düşünebilirsiniz.

Ama bu hatayı müşterilerle ve şirket içinde yeterince kez yaptım; artık yapay zekânın sahip olmadığı bilgileri çoğu zaman boşlukları doldurmak için uydurduğunu biliyorum. Bu boşlukların yanlış bilgilerle doldurulması, geri kalan her şeyin güvenilirliğini zedeleyebilir.

Eski iş ortaklarımdan biri, düşük öncelikli e-postalarına müdahale olmadan yanıt vermesi için yapay zekâyı devreye aldı. Ancak sistem, önemli e-postalarımdan birini yanlış kuyruğa yönlendirdi ve açıkça yapay zekâ tarafından oluşturulmuş bir yanıt aldım. Yanıtlar için yapay zekâ kullandığından hiç haberim yoktu; o anda, uzun süredir devam eden ilişkimize değer vermiyormuş gibi göründüğü için mahcup oldu.

Bu, her birimiz için güçlü bir öğrenme anıydı.

Veri kaynaklarını entegre etmek CX için neden kritik?

Veri, veri, veri.

Güçlü bir veri temeliniz yoksa — Snowflake gibi bir araç aracılığıyla veri kaynaklarını entegre etmek iyi bir seçenektir — yapay zekânın faydalarından yararlanamazsınız.

Bunun nedeni basit: Yapay zekâ, geniş bir müşteri bağlamı sağlayan ve ürün bilginizle müşterilerin nasıl değer yarattığını bir araya getiren verilere dayanmadığı sürece gerçek faydalar sunamaz.

Artık toplayabildiğimiz tüm veriler — kaydedilmiş görüşmeler, e-postalar, ürün sinyalleri vb. — düşünüldüğünde müşterinizin yolculuğunu bilmemek neredeyse mazur görülemez. Her müşteri etkileşimini, KPI'ı, hedefi, zorluğu vb. tam olarak görmeniz gerekir.

Bu verileri özenle yapay zekâya sunmak, daha iyi, daha kişiselleştirilmiş ve müşteriye özel bir deneyim sunması için ihtiyaç duyduğu bağlamı oluşturur.

CX liderleri neden yeni roller oluşturmaktan fayda sağlayabilir?

Her sinyal için değer açığını kapatacak ve müşteriyi yeniden doğru yola sokacak müdahalelerin nasıl oluşturulacağını bilen, ileri konuşlandırılmış mühendislerden oluşan bir ekip kuruyoruz (ben onlara Ürün Değeri Mimarları diyorum). CSM'ler, müşteri hedeflerini ve KPI'larını anladıkları için bu PVA'larla bağlama uygun şekilde birlikte çalışıyor.

Sinyaller ve ölçeklenebilir müdahaleler olmadan bunu yapamazdık. Yapay zekâ, sinyaller açısından kritik bir rol oynuyor ve müdahalelerin çoğuna (tamamına değil) entegre edilmiş durumda.

CX liderleri neden denemeler yapmalı ve ilk adımı atmalı?

İşte tavsiyem: Denemeler yapın, ilk adımı atın, kararlar verin.

Nokta çözümlere veya nokta yazılımlara entegre edilmiş yapay zekâya güvenmeyin. Yapay zekânın gücü, çözümler ve veri kümeleri genelinde ortaya çıkacak.

Takip edin

David Karp'ın çalışmalarını LinkedIn üzerinden takip edebilirsiniz.

The CX Lead'de daha fazla uzman röportajı sizleri bekliyor!