Müşteri Başarısından Sorumlu Yönetici, yapay zekânın müşteri deneyimi iş akışlarında bağımsız çalışamayacağını söylüyor — sürekli gözetim gerekiyor

Angela Guedes, Enginy'de Müşteri Başarısı Başkanıdır ve şu anda kuruluşu yüksek temaslı bir CX modelinden segmentlere ayrılmış bir modele geçiriyor. Ayrıca Temelden Başlayarak bülteninin yaratıcısıdır.

CX'te yapay zekâ konusunda nelerin işe yarayıp nelerin yaramadığını tüm ayrıntılarıyla ele almak için Angela ile görüştük. İşte söyledikleri.

B2B SaaS'te müşteri başarısına liderlik etmek

Ben Angela Guedes. Son 10 yıldır, her zaman B2B SaaS alanında, Müşteri Başarısı organizasyonları kuruyor ve yönetiyorum.

Şu anda B2B satış ekipleri için yapay zekâ temelli, uçtan uca akıllı bir GTM platformu olan Enginy'de Müşteri Başarısı Başkanıyım. Satış otomasyonu alanında faaliyet gösteren dikey bir SaaS şirketiyiz ve KOBİ'lerden Kurumsal müşterilere kadar tüm segmentlere hizmet veriyoruz. Tohum aşamasındayız ve bu yıl yıllık yinelenen gelirimizi 3 milyon dolardan 10 milyon dolara çıkarıyoruz.

Şu anda yüksek temaslı bir müşteri deneyimi modelimiz var ve segmentlere ayrılmış bir modele geçiyoruz. Her müşteri, uygulama içi sohbet ve e-posta yoluyla Ürün Desteğine erişebiliyor. Ayrıca müşterileri bir işe alım yöneticisi ve bir hesap yöneticisiyle eşleştiriyoruz. Müşterilerimize toplantılar, telefon görüşmeleri ve e-posta aracılığıyla hizmet veriyoruz. Bu yılın başlarında, işe alım ve eğitimi ölçeklendirmek için haftalık işe alım web seminerleri başlattık.

12 kişilik Hesap Yönetimi, İşe Alım ve Ürün Desteği ekiplerini yönetiyorum. Yılı 20 kişiyle tamamlamayı planlıyoruz.

İki basit değişiklik bir CX ekibinin etkinliğini nasıl etkileyebilir?

Geçen yıl iki somut değişiklik yaptım:

İlki müşteriye yönelikti. Destek taleplerini azaltmak için FIN'i (Intercom'un yapay zekâ aracısı) kullanıyoruz. Dört ay içinde çözüm oranı 10 puan arttı. Bu, birinci seviye taleplerin daha azının ekibe ulaşması ve bir insana ulaşan taleplerin gerçekten karmaşık olması anlamına geliyordu. Bu da ekibin zamanını yeniden tahsis etmemizi sağladı.

Bununla birlikte, CX Skoru şubat ayında 9 puan düştü. Nedeni hızla anladık: FIN'e güncel olmayan içerikler sağlandığı için yanlış yanıtlar veriyordu. Yanıtlamaması gereken sorulara kendinden emin bir şekilde yanıt veriyor, yönlendirme mantığı da bunu tespit edemiyordu. Müşteriler ilerleyemez hâle geldi.

Bunu, içerik denetimi gerçekleştirerek ve yönlendirme kurallarını kapsamlı biçimde gözden geçirerek düzelttik: FIN'in neleri ele alması, neleri hemen yönlendirmesi ve bilmediği durumlarda ne olması gerektiğini belirledik. Yönlendirme mantığını; sorunun tekrar tekrar yeniden ifade edilmesi, hayal kırıklığı belirtileri ve faturalandırma ile hatalar gibi belirli konu kategorileri gibi sinyallerde daha erken devrede olacak şekilde yeniden yazdık. Nisan ayına gelindiğinde CX Skoru toparlandı ve başlangıç noktamızın 5 puan üzerine çıktı.

Angela Paylaşıyor

…Destekte yapay zekâ, bir defada devreye alınan bir talep azaltma aracı değildir. İçerik katmanı zamanla eskiyen bir sistemdir ve bakımını yapmazsanız, müşteri güvenini fark etmeyeceğiniz kadar yavaş biçimde aşındıran, kendinden emin bir bot çalıştırırsınız; ta ki rakamlar değişene kadar.

Buradaki ders, destekte yapay zekânın bir defada devreye alınan bir talep azaltma aracı olmadığıydı. İçerik katmanı zamanla eskiyen bir sistemdir ve bakımını yapmazsanız, müşteri güvenini fark etmeyeceğiniz kadar yavaş biçimde aşındıran, kendinden emin bir bot çalıştırırsınız; ta ki rakamlar değişene kadar. Şubat ayındaki düşüş, rakamların değiştiğini gösterdi. Olumlu tarafı ise sinyalin net olması. Bir şeyler ters gittiğinde bunun izini sürebilirsiniz. Bu, ölçekli bir insan ekibinden elde edebileceğinizden daha fazlasıdır.

İkinci değişiklik içseldi. Claude'u Granola, Intercom, HubSpot ve kendi ürünümüze bağlayarak görüşme hazırlığı iş akışımızı iyileştirdik. Önceden hesap yöneticileri her görüşmeden önce bağlamı toplamak için 20–30 dakika harcıyordu: son toplantı notları, açık destek talepleri, anlaşma aşaması ve ürün kullanımı.

Artık Claude bunların tamamını otomatik olarak tek bir görüşme öncesi özetinde topluyor. Hesap yöneticileri genel durum değerlendirmeleri yerine kesin bilgilerle görüşmeye giriyor. Bu sayede hazırlık süresini kısaltabildik ve tasarruf ettiğimiz saatleri proaktif erişim ile değer odaklı görüşmelere ayırıyoruz.

Yapay zekâ destekli müşteri kaybı analizi karar alma sürecini nasıl geliştirir?

Claude'da oluşturduğum bir müşteri kaybı analizi iş akışını inceleyelim. Müşteri kaybı analizi için bariz başlangıç noktası CRM'deki "müşteri kaybı nedeni" alanıdır. Çarpıklığın büyük kısmı da burada oluşur. Hesap yöneticisi, ayı kapatma baskısı altında, anlaşmayı kaybettikten sonra bu alanı doldurur. Bu alan, müşterinin neden ayrıldığını zorunlu olarak yansıtmaz; daha ziyade hesap yöneticisinin kaybı nasıl çerçevelediğini gösterir.

Her ay çalıştıracağım manuel bir yapay zekâ istemiyle başladım. Çıktı tutarsızdı; düzeltmeye, kazandırdığından daha fazla zaman harcıyordum. Bu nedenle, CRM'de hangi özelliklerin ve etkinliklerin aranacağına ilişkin net kurallarla doğrudan HubSpot'tan veri çeken otomatik bir beceri geliştirdim.

Belirli bir zaman aralığındaki tüm kaybedilmiş ve risk altındaki fırsatları getiriyor, CRM etiketlerini standartlaştırıyor ve tam fırsat geçmişine (notlar, görüşme dökümleri, etkinlikler ve işe alım sürecinin tamamlanma durumu) dayalı olarak çıkarılmış bir neden de dâhil olmak üzere birden fazla boyuta göre kümeliyor. Daha da önemlisi, kaybedilen müşterinin sorumluluğunu AM'nin kaydettiğine göre değil, nedensel mantığa göre yeniden atıyor.

Örneğin, yakın zamanda bir fırsat "Yatırım getirisi yok" olarak kaydedilmişti; çoğu kişi bunu bir Müşteri Başarısı başarısızlığı olarak yorumlar. Ancak fırsat notları, satış sürecinin ürünün hiçbir zaman karşılayamayacağı beklentiler oluşturduğunu gösteriyordu. Bu, Müşteri Başarısı'nın değil, satış nitelendirmesinin bir sorunuydu. Yapay zekâ olmadan bunu fark edebilmemiz için her kaybedilmiş fırsattaki her notu okuyacak birine ihtiyacımız olurdu; ki bu gerçekleşmiyor.

Çıktı, CEO'ya sunulmaya hazır bir belgenin yanı sıra Müşteri Başarısı, Ürün ve Satış ekipleri için ayrı çıkarımlardan oluşuyor; her birinde ilgili vakalar ve kök neden analizleri yer alıyor.

Yapay zekâ eklenmeden önce içgörüden sonuca giden akış neden kanıtlanmalı?

Yapay zekâyı, bir insanın içgörüden sonuca giden akışı zaten kanıtladığı alanlarda kullanıma alıyorum. Bu akış hâlâ test ediliyorsa yapay zekâ ona dokunmuyor — bu doğrulama çalışması atlanamaz. Örüntüyü doğrulamadan otomasyon uygularsanız yanlış davranışı ölçeklendirirsiniz.

Yapay zekânın şu anda işi üstlendiği alanlar şunlar:

• Analiz: yenileme tahmini ve müşteri kaybı örüntüsü tespiti. İşte en net örnek. AM'lerin belirttiği müşteri kaybı nedenlerine (kaydetmesi kolay olduğu için genellikle "bütçe" ve "uygun değil" etiketlerinde kümeleniyorlar) güvenmeyi bıraktım ve notlardan, dökümlerden ve ürün kullanımından gerçek nedenleri çıkarmaya başladım. Yapay zekâ, "bütçe" etiketlerinin yarısının arkasında tıkanmış bir işe alım süreci olduğunu ortaya çıkardı. Bu, müdahalemizi sürecin daha erken aşamalarına taşıdı.
• Özetleme: toplantıya hazırlık, takip çalışmaları ve kararların haftalık sentezi. Verimlilik hedefimiz doğrultusunda tek bir CSM'nin ihtiyaç duyduğumuz ilişki yoğunluğunu taşımasının tek yolu bu.
• Destek sohbeti: önce bir insanın gözden geçirdiği belgelere dayanan ilk seviye yanıtlar. Sıralama önemlidir.

İnsan denetimini sürecin içinde tutmaya çalışıyoruz. Yapay zekâ bir eylem önerdiğinde (risk işaretleri, genişleme sinyalleri, sonraki adımlar), müşteriye ulaşmadan önce bir CSM veya ben öneriyi inceliyor ve doğruluyoruz. Yapay zekâ örüntüleri benden daha hızlı yakalıyor, ancak ilişkiyi taşıyan kişi muhakeme yetkisini koruyor.

Söylediğim gibi, yapay zekâyı entegre etmeden önce içgörüden sonuca giden akışı kendim kanıtlamam gerekiyor. Bu nedenle AM koçluğu ve performans değerlendirmeleri tamamen insan odaklı kalmış görevlerin en net örnekleri. Sonunda bunu devredeceğim, ancak önce belirli eylemleri belirli sinyallerle eşleştirmenin portföy sonuçlarını iyileştirip iyileştirmediğini AM'lerim genelinde test etmem gerekiyor. Bu örüntü 1:1 görüşmelerinde istikrar kazanana kadar bunu otomatikleştirmek yalnızca bir tahmini ölçeklendirir.

CX liderleri yapay zekâya neden bağlam sağlamalı?

Düşünme işini asla devretmeyin ve bağlamı asla atlamayın.

Unutmayın, yapay zekâ çıktısı yalnızca ona sağladığınız bağlam kadar iyidir. Ayrıca hiçbir şey insan düşüncesinin yerini tutamaz. Evet, varsayımlarınıza meydan okumak, düşüncelerinizdeki boşlukları bulmak ve fikirlerinizi sektör standartlarıyla karşılaştırmak için yapay zekâyı kullanın. Ancak ilgili çıktıyı alabilmek için ona zihninizdeki ve kurum içi belgelerdeki bağlamı sağlamanız gerekir.

Bunu yapmadan yalnızca ondan bir şey oluşturmasını isterseniz, çıktı en iyi ihtimalle sıradan, çoğu durumda ise ilgisiz olacaktır.

Bu, özellikle sohbet botları için çok önemli — müşteri bağlamı katmanınız üzerinde çalışın. Tam müşteri bağlamına sahip olmayan bir temsilci yalnızca kötü bir yanıt vermez; kendinden emin ama yanlış bir yanıt verir. Ayrıca sohbet botlarının kendi başlarına çalışamayacağını unutmayın. Birinin yapay zekâyı besleyen içeriğin sorumluluğunu üstlenmesi, eskalasyon kurallarını tanımlaması ve çıktısını aktif olarak kalite kontrolünden geçirmesi gerekir.

Yapay zekâ verilerinizdeki boşlukları nasıl ortaya çıkarabilir?

Tavsiyem mi? Araçlarınızla değil, verilerinizle başlayın.

Yapay zekânın şu anda yapabileceği en yararlı şey, mevcut sistemlerinizde neyin bozuk olduğunu ortaya çıkarmaktır — rapor oluşturmak değil, boşlukları bulmak. Claude ile yaptığım ilk müşteri kaybı analizinde müşterilerin neden ayrıldığını öğrenemedim; bunun yerine AM'lerin müşteri kaybı nedenlerini tutarsız şekilde etiketlediğini, CRM verilerinin güncel olmadığını ve kritik alanların eksik olduğunu gördüm. Bu, yapay zekâ onunla çalışmaya başlayana kadar tam olarak fark edemediğim bir veri sorunuydu.

Başlangıç noktası budur. Elinizde ne olduğunu anlayın, tutarsızlıkları giderin ve eksik olanları zenginleştirin. Yapay zekâ yalnızca ona sağladığınız girdiler kadar iyi olabilir. Bu adımı atlayan liderler gürültüyü otomatikleştirir ve içgörülerin neden karşılık bulmadığını merak eder.

Temiz veri göz alıcı bir tavsiye değildir, ancak ön koşuldur.

Angela anlatıyor

Tavsiyem mi? Araçlarınızla değil, verilerinizle başlayın…Başlangıç noktası budur. Elinizde ne olduğunu anlayın, tutarsızlıkları giderin ve eksik olanları zenginleştirin…Temiz veri göz alıcı bir tavsiye değildir, ancak ön koşuldur.

Takip edin

Angela Guedes'i LinkedIn ve Substack üzerinden takip edin.

CX Lead'de daha fazla uzman röportajı sizlerle olacak!