Proč svěřovat obohacování dat externím dodavatelům, když nástroje AI vyplní každé pole?

Tým odpovědný za výnosové operace zpracuje seznam firem pomocí nástroje pro kaskádové obohacování dat. Nástroj nejprve osloví jednoho poskytovatele dat, potom kvůli chybějícím údajům druhého a nakonec třetího. Agent AI pro výzkum doplní zbývající prázdná pole procházením firemních webů a zpráv. Na řídicím panelu se zobrazuje 97% míra vyplnění. Obchodní zástupce otevře záznam jednoho z nejvýznamnějších cílových účtů a zjistí, že obsahuje dvě adresy ústředí, počet zaměstnanců, který se podle zdroje liší o 4 000, a jméno finančního ředitele, který firmu opustil před osmi měsíci.

V záznamu není nic prázdné. Velká část údajů je ale chybná. Právě tento rozpor vysvětluje, proč týmy stále zadávají obohacování dat externím dodavatelům, i když automatizované nástroje dokážou vyplnit každé pole. Vyplňování polí zlevnilo. Určit, která hodnota je správná, když si zdroje odporují nebo jejich údaje zastaraly, však stále vyžaduje úsudek. Obohacování ověřené člověkem se vyplatí při řešení rozporů u účtů, které přinášejí tržby, nikoli podle toho, kolik prázdných polí dokáže vyplnit.

Jak se z obohacování dat stala hra o míru vyplnění?

Služby obohacování B2B dat doplňují chybějící údaje o firmách a kontaktech: firemní údaje, jako jsou odvětví, tržby a počet zaměstnanců; kontaktní údaje, jako jsou pracovní pozice, e-mail a telefon; technografické údaje, například informace o softwaru, který firma používá; a signály, jako jsou kola financování, náborová aktivita a změny ve vedení.

Týmy po léta nakupovaly data od jednoho poskytovatele a smiřovaly se s mezerami v jeho pokrytí. Kaskádové obohacování dat to změnilo. Namísto spoléhání na jediný zdroj nástroj postupně oslovuje několik poskytovatelů a pro každé pole použije první hodnotu, kterou najde. Agenti AI pro výzkum přidávají další vrstvu: prohledávají web a nalezené informace shrnují do strukturovaných polí.

Tyto nástroje přinášejí skutečnou hodnotu. Rychle a levně doplňují chybějící údaje a poskytují obchodním týmům více informací, s nimiž mohou pracovat. Obchodní organizace je rychle zavádějí: zpráva společnosti Salesforce Stav prodeje zjistila, že 54 % obchodníků už agenty AI použilo a očekávají, že jim agenti zkrátí čas věnovaný průzkumu potenciálních zákazníků o 34 %. Značnou část tohoto času zabírá vyhledávání stejných údajů o firmách a kontaktech, které dodávají nástroje pro obohacování dat.

Problém je v tom, že tyto nástroje optimalizují pokrytí. Hlavním ukazatelem se stává míra vyplnění a každé pole s jakoukoli hodnotou se považuje za úspěch.

Proč větší počet zdrojů přináší více rozporů?

Různí poskytovatelé mohou používat odlišné definice a firemní záznamy a aktualizovat údaje v různých intervalech, což vede k rozporným informacím. Pokud neexistuje postup pro porovnávání zdrojů a ověřování nesrovnalostí, přidávání dalších dat může snížit spolehlivost záznamů v CRM.

Odlišné definice

Jeden poskytovatel počítá zaměstnance mateřské společnosti, další zaměstnance místní pobočky a třetí vychází z odhadu ve veřejném profilu. Všechna tři čísla mohou být obhajitelná, ale pouze jedno odpovídá tomu, jak jsou vymezeny vaše obchodní regiony.

Odlišné cykly aktualizací

Poskytovatelé aktualizují svá data podle různých harmonogramů. Pracovní pozice, kterou jeden zdroj aktualizoval minulý týden, se tak v jiném zdroji může stále zobrazovat jako stará. Kaskádový nástroj, který převezme první nalezenou odpověď, může vybrat zastaralý údaj.

Záměna firemních subjektů

Dochází k záměně dceřiných společností, regionálních poboček i firem s podobnými názvy. Agent AI, který prochází web, může spojit údaje o dvou různých firmách do jednoho záznamu.

Chybí rozhodování o rozporech

Většina kaskádových nástrojů postupuje podle pevně stanoveného pořadí. Neporovnává hodnoty z různých zdrojů ani neupozorňuje na rozpory. Ty tak zůstávají skryté ve vyplněném poli.

Výsledkem je CRM, které vypadá úplně, ale funguje nespolehlivě.

Pokrytí versus přesnost u důležitých účtů

Ne každý záznam vyžaduje stejnou péči. Marketingový seznam 200 000 kontaktů pro široce zaměřenou osvětovou kampaň snese určitou míru chyb. Seznam 300 cílových účtů v programu zaměřeném na konkrétní účty je snést nemůže.

U těchto prioritních účtů má chybný údaj přímé náklady. Obchodní tým, který zavolá vedoucímu pracovníkovi, jenž už ve firmě nepůsobí, ztrácí možnost udělat dobrý první dojem. Plán obchodních regionů založený na nesprávném počtu zaměstnanců přiřadí účet nesprávnému týmu. Cenový model vycházející ze zastaralých tržeb stanoví nesprávnou velikost obchodu. Prognózy sestavené na základě těchto záznamů přebírají stejné chyby.

Agenti AI zvyšují sázky ještě víc. Když agent samostatně připravuje oslovení, bodově hodnotí potenciální zákazníky nebo přiřazuje účty, řídí se tím, co uvádí CRM. Agent pracující s rozpornými údaji z obohacování dat bude ve velkém měřítku sebejistě dělat chyby.

Kdy zadat služby obohacování dat externímu dodavateli?

Automatizované obohacování funguje dobře u rozsáhlých databází, kde lze občasné chyby tolerovat, ale účty s vysokou hodnotou vyžadují větší přesnost. Externí dodavatel se vyplatí, když firmy potřebují ověřit osoby s rozhodovací pravomocí, vyřešit nejasnosti v hierarchii společností, ověřit měnící se kontaktní údaje nebo podpořit prodejní procesy řízené AI. Největší přínos externího obohacování dat se projeví v těchto případech:

1. Účty s vysokou hodnotou: Programy marketingu zaměřeného na konkrétní účty, strategická prodloužení smluv a podnikové prodejní příležitosti, u nichž každý záznam představuje významný potenciál tržeb.
2. Složité podnikové struktury: Společnosti s více dceřinými společnostmi, regionálními entitami nebo nedávnými fúzemi, kvůli nimž automatizované nástroje obtížně rozlišují mezi mateřskými společnostmi a jejich dceřinými společnostmi.
3. Časté změny na kontaktních pozicích: Odvětví s vysokou fluktuací ve vedení nebo s nákupními výbory, které se pravidelně obměňují, takže je obtížnější udržovat aktuální kontaktní údaje a informace o osobách s rozhodovací pravomocí.
4. Pracovní postupy řízené agenty: Procesy směrování obchodních příležitostí, bodového hodnocení potenciálních zákazníků a oslovování, v nichž agenti AI pracují s daty v CRM bez průběžné kontroly člověkem.
5. Oslovování v regulovaných odvětvích: Trhy, na nichž musí mít kontaktní údaje doložené zdroje a musí existovat zákonný důvod pro jejich zpracování a použití.

Za těchto podmínek jsou náklady na ověření nižší než náklady na jediný chybný údaj. Outsourcing obohacování dat dává smysl také tehdy, když interní týmy nemají dostatek času na průzkum, aby mohly záznamy ověřovat tempem, které vyžaduje obchodní pipeline. Obchodníci zaměření na rozvoj prodeje mohou prověřit několik účtů, ale při současném vyhledávání nových zákazníků nedokážou každý kvartál udržovat aktuálních 500 prioritních záznamů.

Ve všech ostatních případech bývá lepší investicí automatizované obohacování dat s rozumně nastavenými pravidly pro výběr zdrojů. Cílem je věnovat úsilí ověřování tam, kde chyby mají pro firmu největší dopad.

Proč jsou lidmi ověřená data důležitá v době agentů AI?

Právě zde se outsourcing obohacování dat stále vyplatí. Kvalifikovaný tým přináší tři věci, které automatizované nástroje nedokážou.

Agenti AI se při přípravě zpráv pro oslovení, hodnocení potenciálních zákazníků a směrování účtů stále více spoléhají na data v CRM, takže nesprávné informace představují pro firmu riziko. Obohacování ověřené lidmi pomáhá zajistit, aby byly důležité záznamy přesné, aktuální a v souladu s obchodními pravidly ještě předtím, než s nimi automatizované systémy začnou pracovat.

Řešení rozporů

Když se zdroje rozcházejí, výzkumník ověřuje primární důkazy: webové stránky společnosti, veřejná podání, tiskové zprávy, profesní profily a v některých případech i telefonickým hovorem. Zaznamená, která hodnota je správná a proč, a uvede zdroj a datum.

Kontrola aktuálnosti

U prioritních kontaktů výzkumníci ověřují, zda lidé stále zastávají uvedené pozice. Změny zaměstnání patří k nejčastějším důvodům, proč data obohacená o další informace zastarávají, a rychlé ověření zabrání zbytečnému oslovování.

Soulad s obchodními pravidly

Výzkumníci uplatňují vlastní definice klienta. Pokud se při vymezení vašich regionů počítají zaměstnanci regionální entity, zaznamenají tento údaj. Pokud váš profil ideálního zákazníka některé dceřiné společnosti vylučuje, označí je. Tato pravidla bývají v logice řetězového výběru zdrojů jen zřídka zohledněna.

Nejlepší přístup kombinuje obě metody. Automatizované nástroje levně doplní údaje u dlouhé řady méně významných záznamů. Lidský tým ověřuje a řeší rozpory u účtů a polí, která ovlivňují tržby. Každý vyřešený rozpor lze také předat zpět do automatizace a upravit tak prioritu zdrojů pro konkrétní pole nebo regiony.

Návrh hybridního pracovního postupu pro obohacování dat

Hybridní pracovní postup využívá automatizaci k obohacování rozsáhlých databází a lidské kontrolory k prověřování důležitých nesrovnalostí. Prioritizace účtů, odhalování rozporů, záznamy o ověření a pravidelné kontroly zdrojů pomáhají zaměřit ruční práci tam, kde přináší největší hodnotu.

1. Rozdělte účty do prioritních skupin. Rozčleňte databázi podle potenciálu tržeb, fáze obchodní pipeline nebo členství v programu account-based marketingu.
2. Určete priority jednotlivých polí. Identifikujte pole, která ovlivňují směrování, bodové hodnocení, cenotvorbu a oslovování, například počet zaměstnanců, tržby, odvětví a kontakty na osoby s rozhodovací pravomocí.
3. Spusťte automatizované obohacování u všech záznamů a uchovávejte všechny hodnoty ze zdrojů, nejen tu první nalezenou.
4. Automaticky označujte rozpory všude tam, kde se zdroje rozcházejí nad stanovenou toleranci nebo kde je hodnota starší než stanovená doba.
5. Předejte označené prioritní záznamy k ověření člověkem a připojte k nim rozporné hodnoty i zdroje.
6. Zaznamenejte ověřenou hodnotu, zdroj a datum a zapište je zpět do CRM s jasně uvedeným stavem.
7. Každé čtvrtletí kontrolujte přesnost zdrojů a upravujte pořadí jejich využití podle pole, regionu nebo odvětví na základě výsledků ověřování.

Tento postup soustřeďuje lidskou práci tam, kde se vyplatí, a zajišťuje automatizaci průběžný přísun zpětné vazby. Po několika čtvrtletích data z ověřování také ukážou, kteří poskytovatelé jsou nejspolehlivější pro jednotlivá pole. Jeden zdroj může být spolehlivý, pokud jde o počet zaměstnanců v Severní Americe, ale méně spolehlivý u evropských kontaktů, zatímco u jiného zdroje to může být naopak. Pořadí využití zdrojů pak lze upravovat podle pole a regionu, takže se k pracovníkům provádějícím kontrolu dostane méně rozporů.

Výběr společnosti pro obohacování dat

Mnoho společností zabývajících se obohacováním dat dnes slibuje vysokou míru vyplnění a výzkum s využitím AI. Užitečnější otázky se zaměřují na to, jak řeší rozpory a aktuálnost údajů:

• Jak tým rozhodne, která hodnota je správná, když si dva zdroje odporují?
• Zachovávají se všechny zdrojové hodnoty, nebo jen ta vybraná?
• Jak často se znovu ověřují prioritní kontakty a jakým způsobem?
• Může poskytovatel uplatnit vlastní definice klienta pro počet zaměstnanců, odvětví a organizační strukturu?
• Jakou přesnost poskytovatel uvádí u ověřených prioritních záznamů, měřenou samostatně, nikoli podle celkové míry vyplnění?
• Jak se ověřené hodnoty označují v CRM, aby je uživatelé rozeznali od automaticky doplněných?

Společnost poskytující obohacování dat, která uvádí pouze míru vyplnění, problém neřeší. Pokud dokáže předvést pravidla pro rozhodování mezi rozpornými údaji, zdrojové záznamy a ověřenou přesnost na vzorových účtech, je připravena na práci zásadní pro tržby.

Soulad s předpisy a původ dat

Obohacování dat zahrnuje osobní údaje, proto je třeba zajistit soulad s předpisy už od počátku návrhu. Obecné nařízení o ochraně osobních údajů (GDPR) vyžaduje právní základ pro zpracování osobních údajů o lidech v Evropské unii a také transparentnost ohledně zdrojů. Kalifornský zákon o ochraně soukromí spotřebitelů (CCPA) dává obyvatelům Kalifornie právo na informace, opravu a výmaz osobních údajů. Pravidla pro oslovování, například americký zákon CAN-SPAM, stanovují další požadavky na komerční e-mail.

Původ údajů pomáhá ve všech těchto případech. Pokud je u každé hodnoty uveden její zdroj a datum ověření, může tým odpovědět na žádost subjektu údajů, vyhovět žádosti o opravu a doložit, odkud informace pochází. Nástroje založené na postupném výběru, které uchovávají pouze vítěznou hodnotu, tuto stopu ztrácejí. Zeptejte se každého poskytovatele, jak zaznamenává zdroje, jak nakládá s odhlášeními a seznamy potlačených kontaktů a jak na žádost maže data. Než s ním budete sdílet exporty z CRM, ověřte si aktuální bezpečnostní certifikace, například SOC 2 Type II nebo ISO/IEC 27001.

Měřte to, na čem záleží

Nahraďte míru vyplnění jako hlavní ukazatel úspěchu metrikami, které vypovídají o správnosti údajů:

• Ověřená přesnost u prioritních účtů, ověřovaná náhodným auditem.
• Míra rozporů podle pole a zdroje, která ukazuje, v čem se poskytovatelé nejčastěji neshodují.
• Aktuálnost kontaktních údajů, tedy podíl prioritních kontaktů ověřených během posledních 90 dnů.
• Míra nedoručených zpráv a oslovení nesprávné osoby při kontaktování osob, jejichž údaje byly obohaceny.
• Důvěra obchodních zástupců, měřená prostřednictvím jednoduchého hodnocení kvality záznamů.

Tyto metriky ukazují, zda obohacování dat pomáhá obchodnímu týmu, nebo jen zaplňuje databázi. Každé čtvrtletí je projděte s vedoucími prodeje.

Týmy dnes svěřují obohacování dat externím poskytovatelům, aby získaly správné údaje o nejdůležitějších účtech. Nástroje založené na postupném výběru a agenti AI vyplňují pole levně, zároveň však hromadí zastaralé a rozporné hodnoty, aniž by určovaly, která z nich má přednost. Obohacování ověřené lidmi se vyplatí tam, kde přesnost zvyšuje tržby: při řešení rozporů, ověřování aktuálnosti a uplatňování obchodních pravidel u prioritních účtů. Důvěryhodné služby B2B pro obohacování dat kombinují automatizované doplňování s ověřeným řešením rozporů u záznamů s vysokou hodnotou. S tím, jak stále více agentů AI pracuje s daty v CRM bez lidského dohledu, je třeba zodpovědět jednu otázku: kterému z doplněných polí byste dnes důvěřovali natolik, abyste agentovi dovolili podle něj jednat?