Müşteri Başarısında Dönüşüm Lideri, Yapay Zekânın Müşteri Başarısında Neleri Düzeltebileceğini (ve Düzeltemeyeceğini) Paylaşıyor

Andrea Bumstead, B2B SaaS şirketlerinin Müşteri Başarısını bir gelir motoruna dönüştürmesine yardımcı olan müşteri başarısı danışmanlığı CS Impact'in kurucusu ve CEO'sudur. 15 yılı aşkın deneyimi ve kuruluşları 15 milyon dolardan 3 milyar doların üzerinde ARR'ye ölçeklendirme geçmişiyle Quest, Procore ve One Identity gibi şirketlerde birden fazla küresel Müşteri Başarısı dönüşümüne liderlik etmiştir.

Andrea ile yapay zekâyı müşteri deneyimini geliştirmek için nasıl kullandığını öğrenmek üzere görüştük. İşte söyledikleri.

Müşteri başarısını bir gelir motoruna dönüştürmek

50 milyon–150 milyon dolar ARR'ye sahip B2B SaaS şirketlerine bölümsel liderlik ve stratejik danışmanlık hizmetleri sunan bir danışmanlık şirketi olan CS Impact'in kurucusu ve CEO'suyum.

Müşteri başarısını bir gelir motoruna dönüştürerek genişleme ve elde tutma faaliyetlerinden milyonlarca dolar gelir elde edilmesini sağlıyoruz.

Yapay zekâ CX'te neden iki ucu keskin bir kılıçtır?

Yapay zekânın CX'e entegre edilmesi önemli kazanımlar sağladı, ancak bazı gerçek zorlukları da ortaya çıkardı.

İşte avantajları:

• Önemli ölçüde zaman tasarrufu: Yapay zekâ hazırlık, takipler, CRM güncellemeleri ve raporlama genelindeki manuel çabayı azalttı. Çoğu durumda CSM'lerin günde 1–2 saat tasarruf ettiğini gördüm; bu zamanı müşteriyle doğrudan yürütülen çalışmalara ayırabiliyorlar.
• Daha güçlü ve hızlı müşteri içgörüleri: Claude, Gainsight, Gong AI ve diğerleri gibi araçlar, daha önce ortaya çıkarılması saatler (hatta günler) süren müşteri kaybı riski, genişleme fırsatları ve müşteri sağlığındaki değişimler gibi gerçek zamanlı sinyalleri görünür hâle getiriyor.
• Geliştirilmiş tutarlılık ve ölçeklenebilirlik: Yapay zekâ, başarı planları, QBR'ler ve hesap özetleri gibi çıktıları standartlaştırmaya yardımcı olur; bu da ekipleri ölçeklendirirken veya farklı segmentleri desteklerken kritik önem taşır.
• Daha proaktif CX faaliyetleri: Ekipler geç tepki vermek yerine, risk azaltma veya genişleme çalışmaları olsun, yapay zekâ destekli sinyallere dayanarak daha erken harekete geçebilir.

Ancak bunun bir dezavantajı da var:

• Sinyal-gürültü sorunu: Yapay zekâ tarafından oluşturulan içgörülerin tümü eyleme dönüştürülebilir değildir. Ekipler, bağlamı veya önceliklendirmesi olmayan uyarılarla bunalmış hâle gelebilir.
• Otomasyona aşırı güvenme: Bazı ekipler yapay zekâ tarafından oluşturulan içeriklere (QBR'ler, e-postalar) gereğinden fazla güvenir; bu da genel, etkisi düşük müşteri etkileşimlerine yol açabilir.
• Veri kalitesine bağımlılık: Yapay zekâ, arkasındaki veriler kadar iyidir. CRM veya ürün verileriniz eksik ya da hatalıysa, çıktılar hızla güvenilirliğini kaybeder.
• Kritik düşünme becerisinin kaybı: CSM'lerin stratejik düşünmeyi bırakıp muhakemelerini kullanmak yerine yapay zekâ önerilerine güvenmeye başlaması riski vardır.

İyi yapay zekâ çıktıları için iyi veriler neden kritik önem taşır?

Her CX liderinin bilmesi gereken şey şu: İyi veri her şeydir.

Harika yapay zekâ araçlarına yatırım yapmış, ancak temel verileri dağınık veya eksik olan Müşteri Başarısı kuruluşlarıyla çalıştım. Bu durum, elde ettikleri değeri tamamen sınırladı.

Bir müşteri, Salesforce'ta uygun hesap hiyerarşilerini oluşturmamıştı. Örneğin, aynı müşterinin parçası olan ve aynı ada sahip 15 ayrı hesapları vardı, ancak bunlar birbirine bağlı değildi. Bunun üzerine yapay zekâyı eklediklerinde sistem, içgörüleri bireysel hesap düzeyinde oluşturdu, ancak müşteri ilişkisine dair bütünsel bir görünüm sunamadı.

Sonuç olarak daha iyi içgörüler elde etmek yerine, parçalı ve bazen yanıltıcı sinyallerle karşılaştılar.

İyi verileri toplamak ve kötü verileri temizlemek için zaman ayırmaya değer!

CX'te yapay zekâ ve insan görevleri nasıl paylaştırılmalı?

Müşteri Deneyimi bağlamında yapay zekâ ile insanları karşılaştırdığımda, yapay zekânın ölçek, sinyaller ve hız konularını ele alması gerektiğini düşünüyorum. İnsanlar ise güven, muhakeme ve dönüşüm konularını ele almalı.

Yapay zekâ; veri yoğun, tekrarlanabilir veya zaman alıcı görevlerde en güçlü hâlindedir:

• İdari işler: Görüşmelere hazırlık, hesap özetleri, paydaş araştırması ve görüşme sonrası takipler; notlar, sonraki adımlar ve CRM güncellemeleri (Salesforce, Gainsight) dâhil
• İçerik ve varlık oluşturma: Başarı planları, QBR'ler, hesap planları, beyaz alan analizi ve müşteri iletişimleri
• Öngörü oluşturma: Risk altındaki hesapları (kullanım düşüşleri, müşteri şampiyonunun kaybedilmesi, birleşme ve satın alma faaliyetleri), genişleme fırsatlarını ve ürün geri bildirimi eğilimlerini belirleme
• Ölçekli rehberlik: Doğru risk veya genişleme oyun kitaplarını doğru zamanda öne çıkarma
• Dijital müşteri deneyimi: Uygulama içi mesajlaşma, kullanıcıya alıştırma akışları, bilgi tabanları ve destek içerikleri

Bağlamın, güvenin ve nüansın önemli olduğu her yerde insanlar kritik rol oynar:

• Müşteri görüşmeleri ve ilişki kurma: Özellikle yönetici paydaşlarla
• Keşif ve problemi çerçeveleme: Yalnızca ne olduğunu değil, neden olduğunu da anlama
• Söylenmeyeni anlama: Duyguları, risk sinyallerini ve dile getirilmeyenleri fark etme
• Danışmanlık temelli rehberlik: Müşterilerin karar vermesine yardımcı olma ve gerçek iş sonuçları elde edilmesini sağlama
• Güven oluşturan anlar: Yönetici toplantıları, yüz yüze yemekler, etkinlikler ve etkisi yüksek etkileşimler

Otomatik QBR'ler nasıl anlamlı müşteri görüşmelerine yol açar?

Andrea Paylaşıyor

Şirketlerin veri ve öngörüleri toplamak, bunları tekrarlanabilir bir formata entegre etmek ve yüz yüze veya elektronik sunumlar için sunum biçimini optimize etmek üzere yapay zekâ kullanarak otomasyon uygulamasına yardımcı olduk… Bunun sonucunda bu şirketler daha fazla müşteriyle daha anlamlı görüşmeler gerçekleştirebilir ve daha fazla değer sunabilir.

QBR'lerden bahsetmiştim — 15 dakikalık QBR'yi oluşturduk. Şunları kapsıyor:

1. Müşterinin bugüne kadar elde ettiği değer
2. Daha fazla değeri nasıl elde edebileceği
3. Sonraki adımlar için üç öneri

Şirketlerin bunu veri ve öngörüleri toplamak üzere yapay zekâ kullanarak, bunları tekrarlanabilir bir formata entegre ederek ve yüz yüze veya elektronik sunumlar için sunum biçimini optimize ederek otomatikleştirmesine yardımcı olduk. Araçlar açısından Salesforce, Gong ve Gainsight verilerini bir araya getirerek Claude'u kullanıp QBR sunumlarını otomatik olarak oluşturuyoruz.

Bunun sonucunda bu şirketler daha fazla müşteriyle daha anlamlı görüşmeler gerçekleştirebilir ve daha fazla değer sunabilir.

15 dakikalık QBR'yi uygulamaya koymadan önce, CS liderlerinin beş kritik temele odaklanmasını öneriyorum:

1. Çözdüğünüz problemleri netleştirin: Ürününüzün çözdüğü en önemli 2–3 iş problemini belirleyin — bu, her müşteri görüşmesinin temel dayanağı olur.
2. Hedefleri ve başarı ölçütlerini tanımlayın: Etkiyi net biçimde ölçebilmek ve ifade edebilmek için değer gerçekleşmesine bağlı KPI'lar üzerinde uzlaşın.
3. Müşteri ilerlemesini takip edin: Yalnızca ürün kullanımını değil, her müşterinin hedefleri doğrultusunda nasıl performans gösterdiğini de görebilmeniz gerekir.
4. En iyi müşterilerinizi kıyaslayın: Farklı yaptıkları şeyleri anlamak için en iyi müşterilerinizin davranışlarını inceleyin; böylece boşlukları ve fırsatları öne çıkarabilirsiniz.
5. Bir öneri motoru oluşturun: Müşterilerin daha fazla değer elde etmesine yardımcı olan, tekrarlanabilir ve etkisi yüksek öneriler geliştirin.

Buradan sonra basit bir uygulamaya alma yaklaşımı öneriyorum:

1. Küçük başlayın: Odaklanmış bir grupla pilot uygulama yapın ve yaklaşımı geliştirin.
2. Mümkün olduğunda otomatikleştirin: Verileri çekmek ve geniş ölçekte içgörüler oluşturmak için yapay zekâdan yararlanın.
3. Ardından ölçeklendirin: Yaklaşımın işe yaradığı kanıtlandıktan sonra segmentler genelinde genişletin.
4. En az bunun kadar önemli bir diğer nokta da ekibin bunu etkili bir şekilde sunmasını sağlamaktır: Ekibi güvenle liderlik etmeleri, güçlü keşif soruları sormaları ve görüşmeyi danışmanlık odaklı, değer merkezli bir bakış açısıyla yürütmeleri için eğitin.

Andrea Paylaşıyor

Küçük başlayın. Mümkün olduğunda otomatikleştirin, ardından ölçeklendirin. En az bunun kadar önemli bir diğer nokta da ekibin bunu etkili bir şekilde sunmasını sağlamaktır.

Yapay zekânın QBR'ler ve içerik konusunda yetersiz kaldığı noktalar

QBR iş akışındaki zorluklardan biri, yapay zekâ içerik oluşturma konusunda başarılı olsa da bunu yönetici sunumuna hazır bir deste gibi kullanılabilir, iş dünyasına uygun bir formatta yapılandırmakta hâlâ zorlanmasıdır.

Uygulamada yapay zekâ çalışmanın ilk %70'ini hızlandırıyor; ancak çoğu zaman çalışmayı kullanılabilir ve etkili hâle getiren son %30 hâlâ insan tarafından iyileştirme yapılmasını gerektiriyor.

Yapay zekâ CX'te tahminlemeyi nasıl iyileştiriyor ve hâlâ nelere ihtiyaç var?

Gong'u birkaç kuruluşta tahminleme için kullandım ve Müşteri Başarısı alanında gördüğüm en güçlü yeteneklere sahip araç olduğunu düşünüyorum.

Hesap genelindeki sinyalleri bir araya getiriyor: müşteri duyarlılığı, etkinlik düzeyleri ve Salesforce'tan ARR, TCV, anlaşma aşaması, notlar ve sonraki adımlar gibi önemli veriler.

Bu, CS liderlerine hesap sağlığı ve olası sonuçlar hakkında çok daha bütünsel, gerçek zamanlı bir görünüm sunuyor.

Bununla birlikte süreç hâlâ büyük ölçüde manuel ilerliyor. CSM'ler hâlâ şu sorumlulukları taşıyor:

• Salesforce'taki iletişim sürecini yönetmek
• Fırsat aşamalarını güncellemek
• Yenilemeler konusunda karar vermek: Bir hesabın aynı seviyede mi kalacağı, küçüleceği veya genişleyeceği.

Bir sonraki aşama yapay zekâ destekli tahminleme. Yapay zekâ sıfırdan başlamak yerine şunları yapmalı:

• Geçmiş eğilimleri analiz etmek
• Sağlık puanlarını ve ürün kullanımını hesaba katmak
• Müşteri görüşmelerinden sinyaller çekmek
• Ve önerilen bir tahmin oluşturmak.

Bu noktada CSM'nin rolü tahmini sıfırdan oluşturmak değil, tahmini iyileştirmek ve doğrulamak olurdu.

Ayrıca zaman içindeki değişim konusunda görünürlükte bir boşluk olduğunu düşünüyorum. Tahminleme yalnızca belirli bir andaki görünüm olmamalı; haftadan haftaya değişimi ve bu değişime tam olarak neyin yol açtığını açıkça göstermeli. Örneğin büyük bir hesap aniden risk altına mı girdi? Yoksa daha önce kayıp olarak işaretlediğimiz geliri başarıyla geri mi kazandık?

Bu düzeyde görünürlük, yapay zekâ destekli önerilerle bir araya geldiğinde yalnızca tahmin doğruluğunu artırmakla kalmaz; tahminlemeyi çok daha uygulanabilir, ölçeklenebilir ve CS ekiplerinin çalışma biçimiyle uyumlu hâle getirir.

CX liderleri neden başarısızlıkla barışık hâle gelmeli?

Benim tavsiyem şu: Deney yapmaktan ve yeni şeyler denemekten korkmayın. Başarısız olmaktan korkmayın.

Yeni yapay zekâ iş akışlarını deneyin, kurslara katılın ve ufkunuzu genişletin.

Pavilion, GTM ve AI üzerine güçlü bir kurs sunuyor. Ayrıca ABD, Birleşik Krallık ve APAC genelinde düzenledikleri Müşteri Başarısı Zirveleri gibi Müşteri Başarısı Kolektifi etkinlikleri, yapay zekâ destekli iş akışlarına odaklanıyor.

Takip edin

Müşteri Başarısı'nı bir gelir motoruna dönüştürme, yüksek etkili CS stratejileri oluşturma ve müşteri değerini artırmak için yapay zekâdan yararlanma konularındaki görüşleri için Andrea Bumstead'i LinkedIn'de takip edin. Uygulanabilir rehberler ve çerçeveler için Substack'teki CS Impact ile Gerçek Sohbetler bültenine abone olun. Ayrıca Instagram'da da takip edin.

The CX Lead'de daha fazla uzman röportajı yakında!