Müşteri Deneyiminden Sorumlu Yönetici, Yapay Zekânın Müşteri Deneyimi Organizasyon Şemalarını Değiştirdiğini Söylüyor — ve Bu’nun İçin “Hizmet Podu” Modeline Geçiyor

Sofia Barbosa, karmaşık BT ortamlarına sahip müşterilere hizmet veren B2B şirketi BMC Software'de Müşteri Baş Sorumlusudur.

Sofia ile yapay zekâyı nasıl uygulamaya koyduğunu ve bunun Müşteri Deneyimi organizasyon şemasını nasıl değiştirdiğini öğrenmek için görüştük. İşte söyledikleri.

Satış sonrası müşteri yaşam döngüsünün tamamına liderlik etmek

Ben Sofia Barbosa, BMC Software'de Müşteri Baş Sorumlusuyum. Profesyonel Hizmetler, Destek, Müşteri Başarısı Yönetimi, Eğitim ve Müşterinin Sesi işlevlerini bir araya getiren birleşik bir organizasyon olan Müşteri Ofisi'ne liderlik ediyorum.

Bu işlevler birlikte, uygulama ve yetkinleştirmeden sürekli başarıya, benimsemeye ve savunuculuğa kadar satış sonrası müşteri yaşam döngüsünün tamamını kapsıyor.

Dünyanın en karmaşık BT ortamlarından bazılarını işleten B2B müşterilere hizmet veriyoruz. Bu nedenle ekiplerimiz, yüksek temaslı stratejik hesap ilişkilerinden ölçeklenebilir, kendi kendine hizmet desteğine kadar çok çeşitli kanallar ve etkileşim modelleri üzerinde çalışıyor.

Yapay zekâ Müşteri Deneyimi organizasyon şemalarını neden değiştiriyor?

Günümüzde çoğu Müşteri Deneyimi organizasyon şeması, onlarca yıl içinde biriken karmaşıklığı yansıtıyor: uzmanlaşmış ekipler, dar kapsamlı devirler ve işin her adımını insanların yaptığı varsayımına dayanan süreçler. Yapay zekâ bu varsayımı ortadan kaldırıyor, ancak birçok lider hâlâ yapının yapay zekâ baştan veri kabul edilerek tasarlanması hâlinde nasıl olması gerektiğini sormak yerine yapay zekâyı mevcut yapıya yerleştirmeye çalışıyor.

Benim tavsiyem, "mevcut durumu" bilinçli olarak unutup "olması gereken duruma" odaklanmanızdır. Bu, "Yapay zekâ mevcut ekiplerimize ve süreçlerimize nasıl uyum sağlar?" diye sorma dürtüsüne direnmek anlamına geliyor. Bunun yerine, "Yapay zekâ yeteneklerinin mevcut olduğu bugün bu organizasyonu sıfırdan kursaydık nasıl görünürdü?" diye sorun.

Çoğu durumda yanıt, bugün var olandan daha basittir: daha az silo, daha az devir ve dar kapsamlı işlevsel görevler yerine sonuçlarla tanımlanan roller.

Bu zor, çünkü yıllar içinde oluşturulmuş yapılardan, unvanlardan ve süreçlerden vazgeçmek anlamına geliyor. Ancak "mevcut durumu" sonradan uyarlamak yerine "olması gereken durum" etrafında yeniden tasarım yapan liderler, ilk yapılarından hem daha basit hem de daha yetkin organizasyon yapıları oluşturacak.

Yapay zekâ "Hizmet Podu" modelini nasıl mümkün kılıyor?

Sofia Paylaşıyor

Hesap verebilirlik, “bunun sahibi hangi ekip?” sorusundan “bu müşterinin baştan sona deneyiminin sahibi hangi pod?” sorusuna kayıyor. Bu da zamanla suçlamaları azaltıyor ve yapay zekânın gerçekten nerede yardımcı olduğunu, hangi boşlukların hâlâ insan takibini gerektirdiğini görmeyi kolaylaştırıyor.

Geçtiğimiz yıl, hizmetler, destek, Müşteri Başarısı Yönetimi ve eğitim arasındaki siloları ortadan kaldırmak ve yapay zekâ aracılarını ayrı, sonradan eklenmiş bir araç olarak görmek yerine aynı birleşik organizasyon şemasına entegre etmek amacıyla devam eden bir yeniden yapılanma olan "hizmet podu" modelini uygulamaya koyduk.

Bu süreci başlatan etken, yapay zekâ aracılarının rutin etkileşimlerin giderek daha büyük bir bölümünü üstlenmesiydi. Yapay zekâ mevcut ekip yapısının dışında çalışırsa yeni bir silo oluşturacağını, mevcut devir boşluklarını kapatmak yerine başka bir devir boşluğu yaratacağını fark ettik. Bu nedenle yapay zekâ aracılarını, desteği, Müşteri Başarısı Yönetimi'ni, hizmetleri ve eğitimi; hesap geçmişi, açık sorunlar ve müşteri bağlamı hakkında ortak görünürlük sağlayan ortak bir liderlik altında konumlandırmak için çalışıyoruz.

Sonuç olarak, pod modelinin hâlihazırda şekillenmekte olduğu alanlarda müşterilerin durumlarını kanallar arasında artık yeniden açıklamaları gerekmiyor. Yapay zekâ ya da insan önce yanıt verse de bağlam müşteriye eşlik ediyor.

Yapay zekâ aracıları ayrıca yaygın sorular ve sorunlu noktalar gibi kalıpları gerçek zamanlı olarak ortaya çıkarıyor. Böylece eğitim ve dokümantasyonu sonradan tepki vermek yerine proaktif biçimde güncelleyebiliyoruz.

Hesap verebilirlik, "bunun sahibi hangi ekip?" sorusundan "bu müşterinin baştan sona deneyiminin sahibi hangi pod?" sorusuna kayıyor. Bu da zamanla suçlamaları azaltıyor ve yapay zekânın gerçekten nerede yardımcı olduğunu, hangi boşlukların hâlâ insan takibini gerektirdiğini görmeyi kolaylaştırıyor.

Kullanıcıları eğitmek için uçtan uca yapay zekâ iş akışı

Bugün kullandığımız uçtan uca yapay zekâ destekli iş akışlarından biri içerik ve eğitim oluşturma üzerine kuruludur ve şimdi bunu bir benimseme aracısıyla genişletiyoruz.

İş akışı ham girdilerle başlar: müşteri etkileşimleri, destek talepleri, ürün kullanım verileri ve vaka notları. Yapay zekâ bunları sentezleyerek hesaplar genelindeki yaygın soruları, sürtüşme noktalarını ve özellik benimseme eksikliklerini belirler.

Ardından yapay zekâ, analizin ortaya çıkardığı eksikliklere bağlı olarak ilgili içeriğin taslağını oluşturur: eğitim modülleri, dokümantasyon güncellemeleri, başarı öyküleri veya yerelleştirilmiş/çevrilmiş materyaller. Daha sonra bir insan bu taslak çıktıyı yayınlamadan ya da eğitim ve yetkinleştirme kütüphanemize eklemeden önce inceler ve geliştirir.

Bu süreçte kullanılan araçlar Salesforce Service Cloud, Microsoft Copilot Studio, Easygenerator, EasyCoach ve ürün telemetrisi araçlarından oluşur.

Ayrıca daha yeni bir bileşeni de kullanıma sunuyoruz: Copilot Studio ile birlikte kurum içinde geliştirilen bir benimseme aracısı. Bu araç, yalnızca eğitim içeriği oluşturup müşterilerin bunu bulmasını ve kullanmasını beklemek yerine, bir müşterinin veya kullanıcının bir özelliği ya da iş akışını beklenen şekilde benimsemediği noktaları proaktif olarak belirleyerek ve ilgili eğitim veya rehberliği ihtiyaç duydukları anda doğrudan onlara sunarak döngüyü kapatıyor.

Uçtan uca iş akışı şu şekilde ilerliyor: veri sinyalleri → yapay zekâ tarafından oluşturulan içerik/eğitim → insan incelemesi ve geliştirmesi → yayınlama → benimseme aracısı, gerçek kullanım eksikliklerine dayanarak doğru içeriği doğru müşteriyle doğru zamanda eşleştirir.

Benimseme aracısını kullanıma sunma sürecinin henüz başındayız, ancak hedefimiz içerik oluşturmayı tek yönlü bir yayından, yapay zekânın hem içerik oluşturmayı hem de sunumu yönlendirdiği kapalı döngülü bir sisteme dönüştürmek.

Yapay Zekâ CX'te Verimlilik Kazançlarını Nasıl Sağlıyor?

Gördüğümüz sonuçlara gelince, yapay zekâ ölçek ve çıktı açısından önemli kazanımlar sağladı. Başarı öykülerinin sayısını yaklaşık üç katına çıkardık ve dokümantasyon otomasyonu, eğitim/öğrenme kursu oluşturma, video içeriği ve otomatik çeviri alanlarında da benzer sıçramalar gördük.

Manuel çaba, müşteri öyküleri yazmak, içeriği yerelleştirmek veya eğitim modülleri oluşturmak gibi çalışmalarda darboğaz oluşturuyordu. Yapay zekâ artık bu çalışmanın taslağını sürenin çok daha küçük bir bölümünde hazırlıyor ve ekiplerin daha önce mümkün olmayan ölçekte, daha fazla hesap ve dil için daha fazla içerik üretmesini sağlıyor.

CX'te Yapay Zekâ Çalışması ile İnsan Çalışması Arasındaki Ayrım

Genel olarak yapay zekâ artık çeşitli CX faaliyetlerine yön veriyor: iş listesi önceliklendirme, vaka analizi, benimseme planlaması, başarı öyküleri oluşturma ve gerçekleşen değer değerlendirmeleri. Bu alanların her birinde yapay zekâ verileri sentezliyor, vakalar arasındaki örüntüleri ortaya çıkarıyor, risk altındaki hesapları işaretliyor ve ilk çıktıları taslak hâline getiriyor; insanlar ise müşteriye ulaşmadan önce her şeyi inceliyor, geliştiriyor ve kendi değerlendirmelerini ekliyor.

Açıkça insan gerektiren faaliyetler, ilişki bağlamı veya stratejik değerlendirme gerektirir: kilit paydaşlarla yaşanan eskalasyonları yönetmek, müşteri içindeki destekçilerle ilişkileri yönetmek ve bir önerinin ardındaki "neden"in önerinin kendisi kadar önemli olduğu değer gerçekleştirme görüşmelerini yürütmek. Yapay zekâ bu alanlarda güveni, üslubu ve hesabın geçmişte yaşadıklarına ilişkin deneyimi taklit edemez.

Ayrım oldukça basit: Yapay zekâ, daha önce vakaları, kullanım verilerini veya notları manuel olarak incelemek için saatler harcanmasını gerektiren analiz ve taslak oluşturma çalışmalarına ayrılan zamanı kısaltıyor. Bu işi yapay zekâya devrederek ekiplerimizin zamanını daha yüksek değer taşıyan faaliyetlere odaklanmak üzere serbest bırakıyoruz.

Yapay Zekâ Pilotları İlk Günden İtibaren Ölçeklenebilir Olmalı

Karşılaştığım zorluklar yapay zekânın kendisinden çok, POC aşamasından üretime geçişte ölçeklendirmeyle ilgiliydi. Bu kullanım alanlarının çoğu pilot veya küçük ölçekli ortamlarda iyi çalıştı; ancak doğru kalite kontrolleri, mevcut iş akışlarına entegrasyon ve ekipler arasında tutarlılıkla birlikte bunları üretime hazır, tekrarlanabilir süreçlere dönüştürmenin, ilk denemelerin işaret ettiğinden daha zor olduğunu gördük.

"Bu bir demoda çalışıyor" ile "bu, günlük operasyonlarımızın işleyişine güvenilir biçimde yerleşti" arasındaki fark, temel sürtüşme noktası oldu.

Yapay zekâ söz konusu olduğunda, denemelerle başlamak doğru yaklaşımdır ve mükemmel bir kesinlik beklemeden ilerlemek kritik önem taşır. Ancak şimdi yola çıkan ekiplere, henüz denemeler yapıyor olsalar bile en başından itibaren ölçeklenebilirlik ve üretim için tasarım yapmalarını söylerdim.

Böylece, bir kavramın işe yaradığını kanıtlayan ancak onu üretime geçirmek için gereken temel süreçleri, entegrasyonları ve kalite kontrollerini oluşturmayan pilotları art arda yürüterek bir POC modelinde sıkışıp kalmazsınız. Bu yolu erkenden düşünmezseniz, başarılı olmuş ancak hiçbir zaman gerçek bir operasyonel yetkinliğe dönüşmemiş pilotlarla dolu bir mezarlığınız olur.

Bu nedenle tavsiyem, deneme zihniyetini korumanız; ancak ilk günden itibaren bunu üretime hazır olmanın gerektirdiklerine dair net bir bakış açısıyla birleştirmenizdir. Böylece pilotların çıkmaz sokaklara dönüşmek yerine ilerleyebilecekleri gerçek bir yol olur.

Sofia Paylaşıyor

Yapay zekâ söz konusu olduğunda, denemelerle başlamak doğru yaklaşımdır ve mükemmel bir kesinlik beklemeden ilerlemek kritik önem taşır…Bu nedenle tavsiyem, deneme zihniyetini korumanız; ancak ilk günden itibaren bunu üretime hazır olmanın gerektirdiklerine dair net bir bakış açısıyla birleştirmenizdir. Böylece pilotların çıkmaz sokaklara dönüşmek yerine ilerleyebilecekleri gerçek bir yol olur.

Yapay Zekâ CX'te İnsan Stratejisinin Yerini Neden Alamaz?

Yapay zekânın stratejik hesap kapsamını ölçeklendirebileceği ve bunu içerik üretimini veya dokümantasyonu ölçeklendirdiği şekilde yapabileceği beklentisi karşılanmadı. Yoğun ilgi ve yüksek risk gerektiren ilişkiler temelde insan odaklı olmaya devam ediyor; yapay zekâ burada liderlik eden değil, destekleyici bir rol oynuyor.

Bunun yerine yapay zekâ, bu süreç içinde verimlilik sağladı. Stratejik görüşmelere daha hızlı hazırlanılmasına yardımcı oluyor, toplantılar öncesinde ilgili verileri ve bağlamı ortaya çıkarıyor ve insanların şekillendirip sunduğu materyallerin ilk taslaklarını hazırlıyor. İnsan liderliğindeki stratejiyi hızlandırıyor, onun yerini almıyor.

Yapay Zekâ Kuşaklara Göre Kanal Tercihlerini Nasıl Değiştirdi?

Yapay zekânın yeniden değerlendirmemize neden olduğu, uzun süredir var olan varsayımlardan biri kuşaklara göre kanal tercihleriyle ilgiliydi: Genç müşterilerin varsayılan olarak sohbeti/kendi kendine hizmeti, daha yaşlı müşterilerin ise telefonu veya e-postayı tercih ettiği ve deneyimleri kesin biçimde bu kuşak çizgileri etrafında tasarlamamız gerektiği düşüncesi.

Yapay zekânın bu çizgileri beklenenden daha fazla bulanıklaştırdığını, ancak tamamen ortadan kaldırmadığını gördük. Kuşaklar genelinde müşteriler, sorunlarını en hızlı çözen kanala giderek daha fazla yöneliyor.

Örneğin genç bir müşteri karmaşık bir konu için telefonu açabilirken, daha yaşlı bir müşteri basit bir konu için yapay zekâ destekli sohbeti memnuniyetle kullanabilir. Geçmişte bunun tam tersini varsayardık. Çözümün hızı ve kalitesi artık çoğu zaman kanalın kendisinden daha önemli.

Bununla birlikte, bazı müşteriler için — çoğunlukla, ancak yalnızca değil, daha yaşlı kuşaklarda — insan dokunuşuna duyulan ihtiyacın ortadan kalkmadığını da gördük. Bu durum özellikle karmaşık sorunlar, hassas durumlar veya güvence ve güvenin yanıtın kendisi kadar önemli olduğu ilişki odaklı görüşmeler için geçerli. Yapay zekâ bu ihtiyacın yerini almadı. Hatta insan etkileşiminin gerçekten önemli olduğu durumları daha görünür hâle getirdi; çünkü yapay zekâ artık daha işlemsel nitelikteki yoğun iletişim hacmini yönetiyor.

Bu nedenle kuşaklara göre düşünmeyi tamamen terk etmek yerine, "kuşağa göre tasarım" yaklaşımından "ihtiyaca göre tasarım" yaklaşımına geçtik. Yapay zekâyı herkes için yüksek hacimli ve hızlı çözülebilen etkileşimleri yönetmek üzere kullanırken, kimin sorduğundan bağımsız olarak karmaşık veya duygusal açıdan önemli anlarda insan liderliğindeki, yoğun ilgi gerektiren yolları koruyor ve önceliklendiriyoruz.

CX Liderleri Özel Verilerle Neden Farklılaşma Yaratmalı?

CX liderlerine tavsiyem, kendi verileriniz aracılığıyla farklılaşmaya odaklanmanızdır. Genel yapay zekâ yetenekleri artık temel bir gereklilik hâline geliyor; her tedarikçi ve rakip, benzer temel modellere ve araçlara erişebiliyor. Gerçek farklılaşma, biriktirdiğiniz özel verilerden gelir: müşteri etkileşimleri, kullanım kalıpları, destek geçmişi, başarı sonuçları ve işletmenize ve müşteri ilişkilerinize özgü kurumsal bilgi.

Öne geçecek liderler, bu verileri stratejik bir varlık olarak gören ve hazır yapay zekâ çözümlerine güvenmek yerine bunları yapay zekâ girişimlerine aktif olarak dâhil edenlerdir; hazır çözümler, başkalarının aldığı aynı genel çıktıları üretir. Bu, yapay zekâ araçlarının genel kalıplar yerine müşteri ilişkilerinizin tüm bağlamıyla çalışabilmesi için veri kalitesine, erişilebilirliğine ve entegrasyonuna şimdiden yatırım yapmak anlamına gelir.

Yapay zekâya sahip olmak konusunda rekabet etmeyin. Yapay zekânızı yalnızca sizin sahip olduğunuz veri ve bilgilerle ne kadar iyi temellendirdiğiniz konusunda rekabet edin.

Takipte kalın

Sofia Barbosa'nın çalışmalarını LinkedIn üzerinden takip edebilirsiniz.

The CX Lead'de daha fazla uzman röportajı sizlerle olacak!