L'IA est souvent vue comme une menace pour les emplois des CSM mais est-ce vraiment le cas ? Comment l'IA peut aider à identifier le churn ? Quels sont les usage de l'IA en matière de Customer Success et les perspectives pour les années à venir ? Pour aborder ces questions, Nicolas - CEO de Skalin, était l’invité de Tom Carnewal.
📌 Extrait du webinar organisé par Customer Cross "Intelligence Artificielle dans le Customer Success" (diffusé le 26/04/2024) ➡️ Accéder au Replay
Peux-tu nous dire comment tu es arrivé dans le CS et ce qui t’a amené à lancer Skalin ?
Cela fait plus de 10 ans que je suis dans le Customer Success, avant même que cela n'en porte le nom. J’ai démarré en tant que CSM, avant de passer Head of puis COO.
Je me suis aperçu que les Startups/Scale-up par lesquelles je suis passé rencontraient toutes les mêmes problématiques : des informations clients dispersées dans différents outils (CRM, BO, ticketing…) et qui finissaient à un moment ou l’autre sous Excel. Je me suis dit que c’était pas possible de faire comme ça ! C'est là que j'ai commencé à regarder ce qui se faisait.
Quand je me suis intéressé aux plateformes Customer Success, j’ai vu qu’il existait déjà quelques outils, avec un positionnement plutôt “Enterprise”. En d’autres termes, de grosses machines destinées à des grosses boîtes. A ce moment, je me suis dit qu’on devait pouvoir trouver quelque-chose entre Excel/Notion et ces grosses solutions. Avec Skalin, on essaye d’offrir la simplicité d’un Notion avec la puissance d’un outil CS, calibré pour les Startups et les Scale-up.
D'après toi, l'IA est-elle une menace au métier de CSM ?
Non, l’IA est clairement une opportunité, en général et pour le CS en particulier ! J’ai une vision très positive autour de l’IA. La techno va permettre au CS de se libérer d’un certain nombre de tâches chronophages, sans réelle valeur ajoutée, pour se concentrer sur son vrai métier. Ces tâches sans valeur ajoutée vont être automatisées grâce à l’IA pour libérer du temps et permettre aux équipes Customer Success d’apporter plus de valeur à leurs clients. Pour autant, le Customer Success va devoir monter d’un cran et s’adapter.
Les fonctions support vont sans doute être les plus impactées. Pour illustrer la puissance de l’IA, j’avais lu que Klarna, une Fintech Suédoise qui emploie 5000 personnes, avait fait un test avec Open AI pour gérer leur relation client. Leur assistant IA avait effectué +2M de conversations, traité les deux tiers des demandes entrantes, ce qui représente l’équivalent de 700 personnes à temps plein, avec un NPS équivalent à celui des humains ! Sauf que l’IA le fait dans 35 langues, 24/24 et 7/7.
Les équipes support vont devoir s’adapter en travaillant davantage sur la production et la classification de contenus pour donner les bons inputs aux IA. Cela leur permettra de passer plus de temps sur des sujets de support de niveau 2 ou de niveau 3.
Pour le Customer Success en tant que tel, je pense qu'il faut différencier le CS High-Touch et le CS Low-Touch :
- En Low-Touch je pense que les profils vont évoluer vers des profils Growth, orientés paramétrage et compréhension des outils, voire des profils de Community Manager.
- En High-Touch on aura de plus en plus de profils issus du conseil ou de la conduite du changement car on aura toujours besoin de relations humaines.
Quelles sont les IA les plus prometteuses pour le Customer Success ?
L’IA est une terminologie assez large qui regroupe différentes technos. En plus de l’IA générative dont on reparlera, il y a 2 autres technos que je trouve intéressantes :
- La première touche à l’analyse en langage naturel (NLP). Il s’agit d’IA qui permettent de comprendre les sentiments exprimés et la puissance des sentiments (on parle alors de “magnitude” du sentiment). Ces IA savent interpréter le fait qu’un client est content ou non de l’interaction qu’il a avec votre équipe. Plutôt que de demander au contact qui vous sollicite de répondre à un NPS/CSAT auquel il répondra dans 15% des cas, l’IA analyse à la volée toutes les conversations pour avoir un feedback en temps réel.
- La seconde concerne les IA de forecasting. A partir d’un set de données et ce qui s’est passé avant, l’IA est capable de prédire avec plus ou moins de certitude le comportement futur d’un client.
Comment exploitez-vous l’IA au sein de Skalin ?
- L’analyse en langage naturel nous permet de suivre si la qualité des contacts avec un client s’améliore ou se dégrade dans le temps, et identifier des clients chez qui la qualité d’échange est potentiellement problématique. On l’utilise ces retours dans notre modèle de score de santé.
- On utilise le forecasting notamment sur l’analyse des usages, pour prédire, à partir des comportements passés (connexions, utilisation des features…) où en sera le client dans deux semaines ou dans un mois et comprendre s’il y a un risque ou pas.
- Enfin, nous avons intégré l’IA générative au sein de Skalin. Concrètement nous avons plusieurs boutons à l’intérieur de la plateforme qui permettent à nos utilisateurs d’interroger l’IA pour demander par exemple une synthèse des échanges avec un client sur les 6 derniers mois, faire remonter des demandes récurrentes, ou encore détecter des opportunités d’upsell.
📌 Replay | Intégration CS Platform x ChatGPT : quels cas d'usage ?
Est-ce que l’IA va impacter la façon dont sont faits les scores de santé ?
Clairement. Aujourd’hui on s’aperçoit que beaucoup de SaaS B2B ne font pas confiance à leur score de santé. Et l’IA va permettre de changer la donne !
Il y a 2 approches lorsqu’on parle score de santé :
L’approche traditionnelle consiste à définir toutes les règles qui font que les clients gagnent ou perdent des points. La réalité, c’est que la plupart des boîtes n’ont pas forcément conscience de ce qui fait qu’un client va bien ou va mal ! On peut avoir des a-priori, mais on peut être à côté de la plaque, on peut oublier des critères qui ne nous semblent pas importants alors qu’ils sont en réalité très discriminants.
- Pour illustrer cela, beaucoup d’entreprises intègrent le NPS à leur score de santé en partant du principe qu’un client avec un bon NPS aura tendance à être fidèle. Sauf que les études montrent que le NPS n’est absolument pas prédictif du churn ! Cela semble être une bonne idée de l’intégrer au score mais en réalité ça n’est pas pertinent.
- Autre exemple : un client qui ouvre beaucoup de tickets au support est souvent considéré comme étant un client mécontent. Or, le nombre de tickets n’est pas non plus un bon indicateur. On peut tout à fait beaucoup solliciter le support en tant que “power-user” tout en étant fan de la plateforme utilisée. Ce qui compte, c’est la nature de la conversation avec le support, la qualité et le délai de réponse… et finalement si l’utilisateur est content de la réponse apportée… C’est là qu’entre en jeu l’IA Natural Language que l’on évoquait plus tôt.
L’IA prend le sujet dans l’autre sens et permet de s’affranchir des a priori métier. L’IA regarde comment se comportent les clients pour déterminer qui se démarque en “plus” ou en “moins”. Elle va comparer en permanence tous les clients, segment par segment, pour essayer de dresser une sorte de comportement type et identifier qui est significativement en dessous de ce profil type pour prédire les risques de churn. En parallèle, l’IA de forecasting va regarder l’historique du client pour savoir sur quelle trajectoire il s’inscrit et prédire son comportement futur. La combinaison de l’analyse comparative et du forecasting permet d’identifier précisément la santé d’un compte.
📌 Télécharger | "Le guide ultime pour mettre en place un Score de Santé".
L’IA demande des données, pourquoi est-ce que cela reste un souci pour beaucoup d’entreprises ?
L’accès à la donnée est effectivement le point de départ de nombreux problèmes dans le Customer Success. La plupart du temps les données existent mais sont gérées en silos : les données commerciales et les interactions sont présentes dans le CRM, les données d’usage dans le back-office ou un product analytics (ex. Mixpanel ou Pendo), les données de facturation sont dans Chargebee ou Stripe, il existe souvent une solution de ticketing à côté... Le problème ce n’est pas d’avoir plusieurs outils mais d’avoir des outils qui ne parlent pas ensemble : les clients ne s’appellent pas pareil d’un outil à l’autre, ils n’ont pas les mêmes identifiants. C’est la reconstitution de la vision 360 qui est à la base de tout et qui est indispensable pour travailler efficacement et mettre en place un score de santé. Cela peut être fait dans un Datawarehouse couplé à une BI ou via une Customer Success Platform.
Quels cas d'usage de l'IA peut-on imaginer en Customer Success d'ici quelques années ?
Sur l’IA générative il y a indéniablement un effet “waouh” quand on teste, mais lorsqu’on rentre dedans on voit également beaucoup de limites actuellement. On en est encore aux balbutiements. Mais il y a plusieurs scénarios que j’imagine demain :
- L’IA est très forte pour analyser des contenus non structurés. On pourrait lui fournir toutes les conversations qu’on a avec nos clients sur tous nos canaux en lui demandant de ressortir tous les problèmes récurrents pour alimenter automatiquement une FAQ ou la Roadmap produit
- Les technos vont devenir une sorte de “VP Customer as a Service”. L’IA va arriver à croiser toutes les datas dont elle dispose aider le CSM à prioriser ses clients, et éventuellement fournir les plans d’action basés sur les données du client ou de clients qui lui ressemblent qui ont fait des choses intéressantes (“look-alike”).
Que conseilles-tu à ceux qui souhaitent faire leurs premiers pas avec l’IA dans leur métier de CSM ?
Comme je le disais, l’IA est très forte pour analyser de la donnée non structurée, donc un cas d’usage simple c’est de lui demander d’analyser tous les feedbacks qualitatifs (sur un NPS par exemple) pour faire ressortir les 5 points saillants. C’est quelque-chose qui peut se faire très simplement avec la version gratuite de Chat GPT.
Comment l’IA peut aider à personnaliser les interactions en Customer Success ?
On voit que tous ceux qui ont mis en place des messages automatiques en Customer Success ont une approche un peu figée, pas toujours très naturelle. Je pense que l’IA peut aider à 2 niveaux pour personnaliser ces approches :
- D’abord l’IA peut aider à qualifier automatiquement les contacts : quelle langue il parle, est-ce que je le vouvoie ou je le tutoie, quel est le ton que j’utilise d’habitude avec lui, etc. C’est une partie qui est manuelle et très chronophage aujourd’hui. Pourtant, elle est indispensable si on veut un minimum de personnalisation.
- Ensuite, l’IA va être capable de sortir des messages un peu formatés, pas très personnalisés, pour produire à la volée des messages personnalisés, en fonction d’un contexte, d’échanges passés, tout en adoptant le style d’écriture du CSM avec ce client spécifique. On peut même imaginer la déclinaison vidéo, avec des avatars qui seront capables de produire des vidéos ou des démos personnalisées à la volée, dans toutes les langues, H24 7/7. On gardera ainsi l’automatisation, mais avec un niveau de personnalisation équivalent à un humain !
Pour aller plus loin :