Hvorfor outsource databerigelse, når AI-værktøjer kan udfylde alle felter?

Et team for salgs- og omsætningsdrift kører sin liste over kundekonti gennem et værktøj til berigelse med waterfall-metoden. Værktøjet forespørger først én dataudbyder, derefter en anden for at udfylde eventuelle huller og så en tredje. En AI-agent til informationssøgning udfylder de felter, der stadig er tomme, ved at læse virksomheders websites og nyheder. Dashboardet viser en udfyldningsgrad på 97 %. En sælger åbner en af sine vigtigste målkonti og finder to adresser på hovedkontoret, et medarbejdertal, der varierer med 4.000 afhængigt af kilden, og en økonomidirektør, der forlod virksomheden for otte måneder siden.

Intet i den post er tomt. Meget af indholdet er forkert. Det er derfor, teams stadig outsourcer databerigelse, selv når automatiserede værktøjer kan udfylde alle felter. Det er blevet billigt at udfylde felter. Men det kræver stadig dømmekraft at afgøre, hvilken værdi der er korrekt, når kilderne er uenige eller forældede. Menneskebekræftet berigelse er pengene værd, når det handler om at løse konflikter i oplysningerne om de konti, der skaber omsætning – ikke om, hvor mange tomme felter den udfylder.

Hvordan blev databerigelse til en kamp om udfyldningsgraden?

B2B-databerigelsestjenester føjer manglende oplysninger til virksomheds- og kontaktposter: virksomhedsoplysninger som branche, omsætning og medarbejderantal; kontaktoplysninger som stillingsbetegnelse, e-mail og telefonnummer; teknologiske oplysninger som den software, en virksomhed bruger; og signaler som finansieringsrunder, ansættelsesaktivitet og ændringer i ledelsen.

I årevis købte teams data fra én udbyder og accepterede hullerne i dækningen. Det ændrede berigelse med waterfall-metoden på. I stedet for at stole på én kilde forespørger et waterfall-værktøj flere udbydere efter tur og vælger den første værdi, det finder for hvert felt. AI-agenter til informationssøgning føjer endnu et lag til ved at søge på nettet og opsummere deres fund i strukturerede felter.

Disse værktøjer skaber reel værdi. De udfylder hurtigt og billigt manglende oplysninger og giver salgsteams mere at arbejde med. Salgsorganisationer tager dem hurtigt til sig: Salesforces rapport om salgets tilstand viste, at 54 % af sælgerne allerede har brugt AI-agenter, og sælgerne forventer, at agenter kan reducere tiden til research af potentielle kunder med 34 %. En stor del af den tid bruges på netop de oplysninger om virksomheder og kontakter, som databerigelsesværktøjer leverer.

Problemet er, at værktøjerne er optimeret til dækning. Udfyldningsgraden bliver det vigtigste mål, og et felt med en hvilken som helst værdi tæller som en succes.

Hvorfor skaber flere kilder flere uoverensstemmelser?

Forskellige udbydere kan bruge forskellige definitioner, opdateringsplaner og virksomhedsregistre, hvilket kan føre til modstridende oplysninger. Uden en proces til at sammenligne kilder og kontrollere uoverensstemmelser kan flere data gøre CRM-poster mindre pålidelige.

Forskellige definitioner

Én udbyder tæller medarbejdere i moderselskabet, en anden i den lokale enhed, og en tredje bruger et estimat fra en offentlig profil. Alle tre tal kan forsvares, men kun ét passer til den måde, jeres salgsområder er defineret på.

Forskellige opdateringscyklusser

Udbyderne opdaterer deres data efter forskellige tidsplaner. En kilde kan have opdateret en stillingsbetegnelse i sidste uge, mens en anden stadig viser den gamle værdi. Et waterfall-værktøj, der tager det første svar, det finder, kan derfor vælge det forældede svar.

Forveksling af enheder

Datterselskaber, regionale afdelinger og virksomheder med lignende navne bliver forvekslet. En AI-agent, der læser på nettet, kan slå oplysninger fra to forskellige virksomheder sammen i én post.

Ingen konfliktvurdering

De fleste waterfall-løsninger følger en fast rækkefølge. De sammenligner ikke værdier på tværs af kilder og markerer heller ikke uoverensstemmelser. Konflikten skjules i et udfyldt felt.

Resultatet er et CRM-system, der ser komplet ud, men er upålideligt i brug.

Dækning kontra korrekthed for de vigtigste konti

Ikke alle poster kræver samme omhu. En marketingliste med 200.000 kontakter til en bred opmærksomhedskampagne kan godt tåle nogle fejl. Det kan en liste med 300 målkonti i et kontobaseret program ikke.

For disse prioriterede konti har en forkert oplysning en direkte omkostning. Et salgsteam, der ringer til en direktør, som har forladt virksomheden, mister muligheden for at gøre et godt førstehåndsindtryk. En plan for salgsområder, der bygger på et forkert medarbejdertal, sender kontoen til det forkerte team. En prismodel baseret på forældede omsætningstal fastsætter den forkerte aftalestørrelse. Prognoser baseret på disse poster viderefører de samme fejl.

AI-agenter skærper indsatsen yderligere. Når en agent selv udarbejder henvendelser, scorer leads eller fordeler konti, handler den ud fra de oplysninger, CRM-systemet indeholder. En agent, der arbejder med modstridende berigelsesdata, vil begå selvsikre fejl i stor skala.

Hvornår bør du outsource databerigelsestjenester?

Automatiseret berigelse fungerer godt for store databaser, hvor lejlighedsvise fejl kan håndteres, men konti med høj værdi kræver større nøjagtighed. Outsourcing bliver værdifuldt, når virksomheder har brug for at verificere beslutningstagere, afklare problemer med koncernstrukturer, validere kontaktoplysninger, der ændrer sig, eller understøtte AI-drevne salgsarbejdsgange. Her skaber outsourcing af databerigelse størst værdi:

1. Konti med høj værdi: Kontobaserede marketingprogrammer, strategiske fornyelser og salgspipelines for store virksomheder, hvor hver post repræsenterer et betydeligt omsætningspotentiale.
2. Komplekse virksomhedsstrukturer: Virksomheder med flere datterselskaber, regionale enheder eller nylige fusioner, som gør det vanskeligt for automatiserede værktøjer at skelne mellem moderselskaber og deres datterselskaber.
3. Kontakter, der ofte skifter: Brancher med stor udskiftning blandt ledende medarbejdere eller indkøbskomitéer, der ændrer sig regelmæssigt, så det bliver vanskeligere at holde kontaktoplysninger og oplysninger om beslutningstagere opdaterede.
4. Arbejdsgange drevet af agenter: Processer for fordeling af salgsmuligheder, leadscoring og opsøgende salg, hvor AI-agenter handler på CRM-data uden menneskelig kontrol i hvert trin.
5. Reguleret kontakt: Markeder, hvor kontaktdata skal have dokumenterede kilder og et lovligt grundlag for behandling og brug.

Under disse forhold er omkostningen ved én forkert værdi højere end omkostningen ved at verificere den. Det giver også mening at outsource databerigelse, når interne teams ikke har de nødvendige researchtimer til at verificere poster i det tempo, som salgspipelinen kræver. Medarbejdere inden for salgsudvikling kan kontrollere en håndfuld konti, men de kan ikke holde 500 prioriterede poster opdaterede hvert kvartal, samtidig med at de opsøger nye kunder.

I alle andre tilfælde er automatiseret berigelse med fornuftige regler for kildevalg ofte den bedste investering. Målet er at bruge ressourcer på verifikation dér, hvor fejl har konsekvenser for virksomheden.

Hvorfor er data verificeret af mennesker vigtig i en tid med AI-agenter?

Det er her, outsourcing af databerigelse stadig retfærdiggør sine omkostninger. Et kompetent team bidrager med tre ting, som automatiserede værktøjer ikke kan levere.

AI-agenter bruger i stigende grad CRM-data til at udarbejde henvendelser, vurdere leads og fordele konti, hvilket gør forkerte oplysninger til en forretningsrisiko. Menneskeligt verificeret databerigelse hjælper med at sikre, at kritiske poster er nøjagtige, opdaterede og i overensstemmelse med virksomhedens regler, før automatiserede systemer handler på dem.

Konfliktløsning

Når kilderne er uenige, undersøger en researcher primære kilder: virksomhedens eget websted, offentlige indberetninger, pressemeddelelser, professionelle profiler og i nogle tilfælde et direkte opkald. Researcheren registrerer, hvilken værdi der er korrekt, og hvorfor, samt noterer kilden og datoen.

Kontrol af aktualitet

For prioriterede kontakter bekræfter researchere, at personerne stadig bestrider de angivne stillinger. Jobskift er en af de hyppigste årsager til, at berigede data bliver forældede, og en hurtig kontrol forhindrer spildte henvendelser.

Tilpasning til forretningsregler

Researchere følger kundens egne definitioner. Hvis jeres territorier tæller medarbejdere i den regionale enhed, registrerer de det tal. Hvis jeres ideelle kundeprofil udelukker bestemte datterselskaber, markerer de dem. Sådanne regler indgår sjældent i logikken bag en waterfall-proces.

Den stærkeste tilgang kombinerer begge metoder. Automatiserede værktøjer udfylder de mange øvrige poster billigt. Et menneskeligt team verificerer oplysninger og løser konflikter for de konti og felter, der skaber omsætning. Hver løst konflikt kan også føres tilbage til automatiseringen, så kildeprioriteringen for bestemte felter eller regioner justeres.

Sådan udformer du en hybrid arbejdsgang for databerigelse

En hybrid arbejdsgang bruger automatisering til at berige store databaser og menneskelige kontrollanter til at undersøge vigtige uoverensstemmelser. Prioritering af konti, registrering af konflikter, verifikationsdata og regelmæssige kildegennemgange hjælper med at rette den manuelle indsats mod de områder, hvor den skaber størst værdi.

1. Inddel kontiene i prioritetsniveauer. Opdel databasen i prioritetsniveauer ud fra omsætningspotentiale, salgsstadie eller deltagelse i et kontobaseret program.
2. Inddel felterne i prioritetsniveauer. Identificer de felter, der påvirker fordeling, scoring, prissætning og opsøgende salg, såsom medarbejderantal, omsætning, branche og kontaktoplysninger på beslutningstagere.
3. Kør automatiseret databerigelse på alle poster, og gem værdien fra hver kilde, ikke kun den første, der findes.
4. Markér automatisk konflikter, når kilderne er uenige ud over en fastsat tolerance, eller når en værdi er ældre end en fastsat grænse.
5. Send markerede prioriterede poster til menneskelig verifikation med de modstridende værdier og kilder vedlagt.
6. Registrér den verificerede værdi, kilden og datoen, og skriv oplysningerne tilbage i CRM-systemet med en tydelig status.
7. Gennemgå kildernes nøjagtighed hvert kvartal, og justér rækkefølgen i waterfall-processen efter felt, region eller branche på baggrund af resultaterne af verifikationen.

Denne model holder den menneskelige indsats fokuseret dér, hvor den giver udbytte, og giver automatiseringen en jævn strøm af feedback. Efter nogle få kvartaler viser verifikationsdataene også, hvilke udbydere der er mest pålidelige for hvilke felter. Én kilde kan være stærk på medarbejderantal i Nordamerika og svag på europæiske kontakter, mens en anden kan forholde sig omvendt. Rækkefølgen i waterfall-processen kan derefter ændres efter felt og region, så færre konflikter overhovedet når frem til kontrollanterne.

Sådan vælger du en virksomhed til databerigelse

Mange virksomheder, der tilbyder databerigelse, lover nu høje udfyldningsgrader og AI-drevet research. De mere nyttige spørgsmål handler om, hvordan de håndterer konflikter og aktualitet:

• Hvordan afgør teamet, hvilken værdi der er korrekt, når to kilder er uenige?
• Bevares alle kildeværdier, eller kun den, der er valgt?
• Hvor ofte bliver prioriterede kontakter verificeret igen, og hvordan?
• Kan udbyderen anvende kundens egne definitioner af medarbejderantal, branche og hierarki?
• Hvilken nøjagtighed rapporterer udbyderen for verificerede prioriterede poster, målt separat fra den samlede udfyldningsgrad?
• Hvordan markeres verificerede værdier i CRM-systemet, så brugerne kan skelne dem fra automatiserede værdier?

En virksomhed, der tilbyder databerigelse og kun svarer med udfyldningsgrader, har ikke løst problemet. En virksomhed, der fremlægger sine regler for afgørelser, kildeposter og verificeret nøjagtighed for eksempelkonti, er klar til opgaver, der er afgørende for omsætningen.

Overholdelse af regler og dataoprindelse

Databerigelse omfatter personoplysninger, så overholdelse af regler skal indarbejdes i udformningen fra begyndelsen. Databeskyttelsesforordningen (GDPR) kræver et lovligt grundlag for behandling af personoplysninger om personer i Den Europæiske Union samt gennemsigtighed om kilderne. Californiens lov om beskyttelse af forbrugeroplysninger (CCPA) giver personer bosat i Californien ret til at få indsigt i, rette og slette personoplysninger. Regler for henvendelser, såsom CAN-SPAM Act i USA, stiller yderligere krav til kommercielle e-mails.

Dokumentation af dataenes oprindelse hjælper med alt dette. Når hver værdi har en kilde og en dato for verificering, kan et team besvare en anmodning fra en registreret, efterkomme en rettelse og vise, hvor oplysningerne stammer fra. Vandfaldsløsninger, der kun bevarer den valgte værdi, mister dette spor. Spørg alle udbydere, hvordan de registrerer kilder, håndterer fravalg og udelukkelseslister samt sletter data efter anmodning. Bekræft, at sikkerhedscertificeringerne, f.eks. SOC 2 Type II eller ISO/IEC 27001, er aktuelle, før I deler CRM-eksporter.

Mål det, der betyder noget

Erstat udfyldningsgraden som det primære succeskriterium med målinger, der afspejler korrekthed:

• Verificeret nøjagtighed for prioriterede konti, testet ved stikprøvekontrol.
• Konfliktrate fordelt på felt og kilde, der viser, hvor udbyderne er mest uenige.
• Kontakternes aktualitet, dvs. andelen af prioriterede kontakter, der er verificeret inden for de seneste 90 dage.
• Afvisningsprocent og andel af forkerte modtagere ved henvendelser til berigede kontakter.
• Sælgernes tillid, målt gennem enkel feedback om posternes kvalitet.

Disse målinger viser, om databerigelsen hjælper salgsteamet eller blot udfylder databasen. Gennemgå dem med salgsledere hvert kvartal.

Teams outsourcer tjenester inden for databerigelse i dag for at få korrekte værdier for de konti, der betyder mest. Vandfaldsværktøjer og AI-agenter udfylder felter billigt, men samler også forældede og modstridende værdier uden regler for, hvilken værdi der skal vælges. Menneskeligt verificeret databerigelse kan betale sig, når nøjagtighed skaber omsætning: ved at løse konflikter, bekræfte aktualitet og anvende forretningsregler på prioriterede konti. Pålidelige B2B-tjenester til databerigelse kombinerer automatiseret berigelse med verificeret konfliktløsning for poster af høj værdi. Efterhånden som flere AI-agenter handler på CRM-data uden et menneske imellem, er der ét spørgsmål, som fortjener et svar: Hvilke af dine udfyldte felter ville du i dag have tillid til, at en agent handlede på?