Miksi ulkoistaa tietojen rikastaminen, kun tekoälytyökalut täyttävät kaikki kentät?

Liiketoiminnan tuottojen hallinnasta vastaava tiimi käsittelee asiakaslistansa vaiheittaisella rikastustyökalulla. Työkalu hakee tietoja ensin yhdeltä tietopalveluntarjoajalta, sitten toiselta puuttuvien tietojen osalta ja lopuksi kolmannelta. Tekoälypohjainen tutkimusagentti täydentää yhä tyhjiksi jääneet kentät lukemalla yritysten verkkosivustoja ja uutisia. Hallintapaneeli näyttää täyttöasteeksi 97 %. Myyjä avaa tärkeän kohdeasiakkaan tiedot ja löytää kaksi pääkonttorin osoitetta, henkilöstömäärän, joka vaihtelee lähteestä riippuen 4 000:lla, sekä talousjohtajan, joka on lähtenyt yrityksestä kahdeksan kuukautta sitten.

Tietueessa ei ole yhtään tyhjää kenttää. Suuri osa tiedoista on väärin. Tämä ristiriita selittää, miksi tiimit ulkoistavat tietojen rikastamisen edelleen, vaikka automaattiset työkalut pystyvät täyttämään kaikki kentät. Kenttien täyttäminen on halpaa. Sen ratkaiseminen, mikä arvo pitää paikkansa, kun lähteet ovat eri mieltä tai tiedot ovat vanhentuneet, vaatii yhä harkintaa. Ihmisen tarkistaman rikastamisen kustannukset ovat perusteltuja silloin, kun ristiriitoja selvitetään liikevaihtoa tuottavien asiakkuuksien kohdalla – ei sen perusteella, kuinka monta tyhjää kenttää täytetään.

Miten tietojen rikastamisesta tuli täyttöastekilpailu?

B2B-tietojen rikastuspalvelut täydentävät yritys- ja yhteyshenkilötietueista puuttuvia tietoja: yrityksen perustietoja, kuten toimialaa, liikevaihtoa ja henkilöstömäärää; yhteystietoja, kuten tehtävänimikettä, sähköpostiosoitetta ja puhelinnumeroa; teknografisia tietoja yrityksen käyttämistä ohjelmistoista; sekä signaaleja, kuten rahoituskierroksia, rekrytointia ja johdon muutoksia.

Tiimit ostivat vuosien ajan tietoja yhdeltä palveluntarjoajalta ja hyväksyivät sen kattavuuden puutteet. Vaiheittainen rikastaminen muutti tilanteen. Yhteen lähteeseen tukeutumisen sijaan vaiheittainen työkalu kysyy tietoja useilta palveluntarjoajilta järjestyksessä ja valitsee kustakin kentästä ensimmäisen löytämänsä arvon. Tekoälypohjaiset tutkimusagentit tuovat mukaan vielä yhden kerroksen: ne etsivät tietoa verkosta ja kokoavat löytämänsä tiedot rakenteisiksi kentiksi.

Nämä työkalut tuottavat todellista hyötyä. Ne täydentävät puuttuvat tiedot nopeasti ja edullisesti sekä tarjoavat myyntitiimeille enemmän aineistoa työn tueksi. Myyntiorganisaatiot ottavat niitä nopeasti käyttöön: Salesforcen Myynnin tila -raportin mukaan 54 % myyjistä on jo käyttänyt tekoälyagentteja, ja myyjät odottavat agenttien lyhentävän liidien taustatutkimukseen kuluvaa aikaa 34 %. Suuri osa tutkimukseen käytetystä ajasta kuluu samoihin asiakas- ja yhteyshenkilötietoihin, joita rikastustyökalut tarjoavat.

Ongelma on, että työkalut optimoivat kattavuutta. Täyttöasteesta tulee tärkein mittari, ja mikä tahansa arvo kentässä lasketaan onnistumiseksi.

Miksi useammat lähteet lisäävät ristiriitoja?

Eri palveluntarjoajat voivat käyttää erilaisia määritelmiä ja päivitysaikatauluja sekä ylläpitää erilaisia yritystietueita, mikä johtaa ristiriitaisiin tietoihin. Jos lähteitä ei vertailla eikä poikkeamia tarkisteta, lisätiedot voivat heikentää CRM-tietueiden luotettavuutta.

Erilaiset määritelmät

Yksi palveluntarjoaja laskee emoyhtiön työntekijät, toinen paikallisen yksikön työntekijät ja kolmas käyttää julkisen profiilin arviota. Kaikki kolme lukua voivat olla perusteltavissa, mutta vain yksi vastaa tapaa, jolla myyntialueenne on määritelty.

Erilaiset päivitysaikataulut

Palveluntarjoajat päivittävät tietojaan eri aikatauluissa. Yhden lähteen viime viikolla päivittämä tehtävänimike voi toisessa lähteessä yhä olla vanhassa muodossaan. Vaiheittainen työkalu, joka valitsee ensimmäisen löytämänsä vastauksen, voi poimia vanhentuneen tiedon.

Yritysten sekoittuminen

Tytäryhtiöt, aluekonttorit ja samankaltaisia nimiä käyttävät yritykset sekoittuvat keskenään. Verkkoa lukeva tekoälyagentti voi yhdistää kahden eri yrityksen tiedot samaan tietueeseen.

Ristiriitoja ei ratkaista

Useimpien vaiheittaisten työkalujen logiikka noudattaa kiinteää järjestystä. Se ei vertaile eri lähteiden arvoja eikä tuo erimielisyyksiä esiin. Ristiriita jää piiloon täytettyyn kenttään.

Tuloksena on CRM, joka näyttää täydelliseltä mutta toimii epäluotettavasti.

Kattavuus ja oikeellisuus tärkeissä asiakkuuksissa

Kaikki tietueet eivät tarvitse samanlaista tarkkuutta. Laajaa tunnettuuskampanjaa varten koottu 200 000 yhteyshenkilön markkinointilista kestää joitakin virheitä. Asiakaskohtaiseen markkinointiin tarkoitettu 300 kohdeasiakkaan lista ei kestä.

Tärkeiden asiakkuuksien kohdalla väärällä tiedolla on suora hinta. Myyntitiimi, joka soittaa yrityksestä lähteneelle johtajalle, menettää mahdollisuuden hyvään ensivaikutelmaan. Väärään henkilöstömäärään perustuva aluesuunnitelma ohjaa asiakkuuden väärälle tiimille. Vanhentuneisiin liikevaihtotietoihin perustuva hinnoittelumalli johtaa väärään kaupan kokoon. Näihin tietueisiin perustuvat ennusteet sisältävät samat virheet.

Tekoälyagentit nostavat panoksia entisestään. Kun agentti laatii itsenäisesti yhteydenottoviestejä, pisteyttää liidejä tai reitittää asiakkuuksia, se toimii CRM:n sisältämien tietojen perusteella. Ristiriitaisten rikastustietojen varassa toimiva agentti tekee itsevarmoja virheitä suuressa mittakaavassa.

Milloin tietojen rikastuspalvelut kannattaa ulkoistaa?

Automaattinen rikastaminen toimii hyvin suurissa tietokannoissa, joissa satunnaiset virheet ovat hallittavissa, mutta arvokkaiden asiakkuuksien kohdalla tarvitaan suurempaa tarkkuutta. Ulkoistamisesta on hyötyä, kun yritysten on tarkistettava päätöksentekijät, selvitettävä yritysrakenteisiin liittyviä epäselvyyksiä, vahvistettava muuttuvia yhteystietoja tai tuettava tekoälypohjaisia myyntityönkulkuja. Seuraavissa tilanteissa tietojen rikastamisen ulkoistamisesta on eniten hyötyä:

1. Arvokkaat asiakkuudet: Asiakaskohtaiset markkinointiohjelmat, strategiset sopimusten uusinnat ja suuryritysasiakkuuksien myyntiputket, joissa jokainen tietue edustaa merkittävää liikevaihtopotentiaalia.
2. Monimutkaiset yritysrakenteet: Yritykset, joilla on useita tytäryhtiöitä tai alueellisia yksiköitä tai jotka ovat hiljattain fuusioituneet, jolloin automaattisten työkalujen on vaikea erottaa emoyhtiöitä niiden tytäryhtiöistä.
3. Usein vaihtuvat yhteyshenkilöt: Toimialat, joilla johtajat vaihtuvat usein tai hankintaryhmät muuttuvat säännöllisesti, minkä vuoksi yhteystietojen ja päätöksentekijöitä koskevien tietojen pitäminen ajan tasalla on vaikeampaa.
4. Tekoälyagenttien ohjaamat työnkulut: Myynnin reititys, liidien pisteytys ja yhteydenottoprosessit, joissa tekoälyagentit käsittelevät CRM-tietoja ilman ihmisen tekemää tarkistusta jokaisessa vaiheessa.
5. Säännelty yhteydenotto: Markkinat, joilla yhteystietojen lähteet ja niiden käsittelyn ja käytön laillinen peruste on dokumentoitava.

Näissä olosuhteissa yhden virheellisen arvon kustannus on suurempi kuin sen tarkistamisen kustannus. Tietojen rikastamisen ulkoistaminen on järkevää myös silloin, kun sisäisillä tiimeillä ei ole riittävästi aikaa tietueiden tutkimiseen ja varmentamiseen myyntiputken edellyttämällä tahdilla. Myynnin kehitysedustajat voivat tarkistaa kourallisen asiakastilejä, mutta he eivät pysty pitämään 500 tärkeintä tietuetta ajan tasalla joka vuosineljännes ja samalla etsimään uusia asiakkaita.

Kaikissa muissa tilanteissa automaattinen rikastaminen järkevien lähdesääntöjen avulla on usein parempi investointi. Tavoitteena on kohdistaa varmennustyö niihin tietoihin, joiden virheistä liiketoiminta kärsii.

Miksi ihmisen varmentamat tiedot ovat tärkeitä tekoälyagenttien aikakaudella?

Tässä tietojen rikastamisen ulkoistaminen osoittaa edelleen olevansa kustannustensa arvoista. Osaava tiimi tuo mukanaan kolme asiaa, joita automaattiset työkalut eivät tarjoa.

Tekoälyagentit tukeutuvat yhä useammin CRM-tietoihin yhteydenottojen luonnostelussa, liidien pisteytyksessä ja asiakastilien reitityksessä, joten virheellisistä tiedoista voi aiheutua liiketoimintariski. Ihmisen varmentama rikastaminen auttaa varmistamaan, että tärkeät tietueet ovat paikkansapitäviä ja ajan tasalla sekä liiketoimintasääntöjen mukaisia ennen kuin automaattiset järjestelmät toimivat niiden perusteella.

Ristiriitojen ratkaiseminen

Kun lähteet ovat ristiriidassa keskenään, tutkija tarkistaa ensisijaiset lähteet: yrityksen oman verkkosivuston, julkiset rekisteri-ilmoitukset, lehdistötiedotteet ja ammatilliset profiilit sekä joissakin tapauksissa soittaa suoraan yritykseen. Tutkija kirjaa, mikä arvo on oikea ja miksi, sekä merkitsee lähteen ja päivämäärän.

Tietojen ajantasaisuuden tarkistaminen

Tärkeiden yhteyshenkilöiden osalta tutkijat varmistavat, että henkilöt toimivat edelleen ilmoitetuissa tehtävissä. Työpaikan vaihtuminen on yksi yleisimmistä syistä tietojen vanhentumiseen, ja nopea varmennus estää turhat yhteydenotot.

Liiketoimintasääntöjen noudattaminen

Tutkijat soveltavat asiakkaan omia määritelmiä. Jos myyntialueillanne työntekijämäärä lasketaan alueellisen yksikön perusteella, he kirjaavat kyseisen luvun. Jos ihanneasiakasprofiilinne sulkee pois tietyt tytäryhtiöt, he merkitsevät ne. Tällaisia sääntöjä ei yleensä ole sisällytetty rikastusketjun logiikkaan.

Paras lähestymistapa yhdistää molemmat menetelmät. Automaattiset työkalut rikastavat edullisesti myös suuren joukon vähemmän keskeisiä tietueita. Ihmisistä koostuva tiimi tarkistaa ja ratkaisee ristiriidat niissä asiakastileissä ja tietokentissä, jotka tuottavat liikevaihtoa. Jokaisesta ratkaistusta ristiriidasta voidaan myös välittää palautetta automaatioon ja muuttaa lähteiden tärkeysjärjestystä tiettyjen kenttien tai alueiden osalta.

Hybridirikastuksen työnkulun suunnittelu

Hybridityönkulussa automaatiolla rikastetaan suuria tietokantoja, ja ihmistarkastajat selvittävät tärkeät poikkeamat. Asiakastilien priorisointi, ristiriitojen tunnistaminen, varmennustietueet ja säännölliset lähdekatselmukset auttavat kohdentamaan manuaalisen työn sinne, missä siitä saadaan eniten hyötyä.

1. Priorisoi asiakastilit. Jaa tietokanta tärkeysjärjestyksen mukaisiin tasoihin liikevaihtopotentiaalin, myyntiputken vaiheen tai asiakastilikohtaiseen ohjelmaan kuulumisen perusteella.
2. Priorisoi tietokentät. Tunnista kentät, jotka vaikuttavat reititykseen, pisteytykseen, hinnoitteluun ja yhteydenottoihin, kuten henkilöstömäärä, liikevaihto, toimiala ja päätöksentekijöiden yhteystiedot.
3. Rikasta kaikki tietueet automaattisesti ja säilytä jokainen lähdearvo, älä vain ensimmäisenä löytynyttä.
4. Merkitse ristiriidat automaattisesti aina, kun lähteiden tiedot poikkeavat toisistaan määritettyä toleranssia enemmän tai arvo on määritettyä aikarajaa vanhempi.
5. Ohjaa ristiriitaisiksi merkityt tärkeät tietueet ihmisen tarkistettaviksi ja liitä mukaan ristiriitaiset arvot ja niiden lähteet.
6. Kirjaa varmennettu arvo, lähde ja päivämäärä ja palauta tiedot CRM-järjestelmään selkeällä tilamerkinnällä.
7. Tarkista lähteiden paikkansapitävyys neljännesvuosittain ja muuta lähteiden rikastusjärjestystä kentän, alueen tai toimialan mukaan varmennuksessa tehtyjen havaintojen perusteella.

Tämä malli kohdentaa ihmisten työn sinne, missä siitä on eniten hyötyä, ja antaa automaatiolle jatkuvasti palautetta. Muutaman vuosineljänneksen aikana varmennustiedot osoittavat myös, mitkä palveluntarjoajat ovat luotettavimpia kunkin kentän osalta. Yksi lähde voi olla vahva Pohjois-Amerikan henkilöstömäärien mutta heikko Euroopan yhteystietojen osalta, kun taas toisella tilanne voi olla päinvastainen. Lähteiden rikastusjärjestystä voidaan tämän jälkeen muuttaa kentän ja alueen mukaan, jolloin tarkastajille päätyy vähemmän ristiriitoja.

Tietojen rikastamiseen erikoistuneen yrityksen valinta

Monet tietojen rikastamiseen erikoistuneet yritykset lupaavat nykyään korkeaa tietojen kattavuutta ja tekoälyavusteista tutkimusta. Hyödyllisemmät kysymykset selvittävät, miten ne käsittelevät ristiriitoja ja tietojen ajantasaisuutta:

• Miten tiimi päättää, kumpi arvo on oikea, kun kaksi lähdettä on eri mieltä?
• Säilytetäänkö kaikki lähdearvot vai ainoastaan valittu arvo?
• Kuinka usein tärkeimpien yhteyshenkilöiden tiedot tarkistetaan uudelleen ja miten?
• Voiko palveluntarjoaja soveltaa asiakkaan omia määritelmiä henkilöstömäärälle, toimialalle ja hierarkialle?
• Minkä tarkkuuden palveluntarjoaja ilmoittaa tarkistetuissa tärkeissä tietueissa, erikseen kokonaistäyttöasteesta mitattuna?
• Miten tarkistetut arvot merkitään CRM-järjestelmässä, jotta käyttäjät erottavat ne automaattisesti tuotetuista arvoista?

Tietojen rikastamiseen erikoistunut yritys, joka vastaa vain täyttöasteilla, ei ole ratkaissut ongelmaa. Yritys, joka esittelee ratkaisusääntönsä, lähdetietueensa ja tarkkuutensa esimerkkitileillä, on valmis liikevaihdon kannalta kriittiseen työhön.

Vaatimustenmukaisuus ja tietojen alkuperä

Tietojen rikastamiseen liittyy henkilötietoja, joten vaatimustenmukaisuus on huomioitava jo suunnittelun alusta alkaen. Yleinen tietosuoja-asetus (GDPR) edellyttää laillista perustetta Euroopan unionissa asuvien henkilöiden henkilötietojen käsittelylle sekä avoimuutta tietojen lähteistä. Kalifornian kuluttajansuojalaki (CCPA) antaa Kalifornian asukkaille oikeuden saada tietää, oikaista ja poistaa henkilötietojaan. Myös yhteydenottoa koskevat säännöt, kuten Yhdysvaltojen CAN-SPAM-laki, asettavat kaupallisille sähköpostiviesteille lisävaatimuksia.

Tietojen alkuperän tunteminen auttaa kaikissa näissä asioissa. Kun kunkin arvon yhteydessä on sen lähde ja tarkistuspäivä, tiimi voi vastata rekisteröidyn pyyntöön, toteuttaa oikaisun ja osoittaa, mistä tiedot ovat peräisin. Vesiputousratkaisuissa, joissa säilytetään vain voittanut arvo, tämä jäljitettävyys katoaa. Kysy jokaiselta palveluntarjoajalta, miten se kirjaa lähteet, käsittelee kieltäytymiset ja estolistat sekä poistaa tiedot pyynnöstä. Varmista ajantasaiset tietoturvasertifioinnit, kuten SOC 2 Type II tai ISO/IEC 27001, ennen CRM-tietojen viennin jakamista.

Mittaa sitä, millä on merkitystä

Korvaa täyttöaste tärkeimpänä onnistumisen mittarina mittareilla, jotka kuvaavat tietojen oikeellisuutta:

• Tarkistettu tarkkuus tärkeimmillä asiakastileillä, joka testataan satunnaistarkastuksella.
• Ristiriitojen osuus kentän ja lähteen mukaan, joka osoittaa, mistä palveluntarjoajat ovat useimmin eri mieltä.
• Yhteystietojen ajantasaisuus, eli niiden tärkeimpien yhteyshenkilöiden osuus, joiden tiedot on tarkistettu viimeisten 90 päivän aikana.
• Palautuneiden viestien ja väärälle henkilölle lähetettyjen viestien osuudet rikastettuihin yhteystietoihin kohdistetussa viestinnässä.
• Myyntiedustajien luottamus, jota mitataan yksinkertaisella palautteella tietueiden laadusta.

Nämä mittarit osoittavat, auttaako tietojen rikastaminen myyntitiimiä vai ainoastaan täyttääkö se tietokantaa. Käy tulokset läpi myyntijohdon kanssa neljännesvuosittain.

Tiimit turvautuvat nykyään palveluihin, joille ne ulkoistavat tietojen rikastamisen, saadakseen oikeat tiedot tärkeimmistä asiakastileistä. Vesiputousratkaisut ja tekoälyagentit täyttävät kenttiä edullisesti, mutta samalla ne kasaavat vanhentuneita ja ristiriitaisia arvoja ilman sääntöä siitä, mikä niistä voittaa. Ihmisen tarkistama tietojen rikastaminen kannattaa siellä, missä tarkkuus kasvattaa liikevaihtoa: ristiriitojen ratkaisemisessa, tietojen ajantasaisuuden varmistamisessa ja liiketoimintasääntöjen soveltamisessa tärkeimpiin asiakastileihin. Luotettavissa B2B-tietojen rikastamispalveluissa automaattinen rikastaminen yhdistyy arvokkaiden tietueiden ristiriitojen tarkistettuun ratkaisemiseen. Kun yhä useammat tekoälyagentit toimivat CRM-tietojen perusteella ilman ihmistä välissä, yhteen kysymykseen on syytä vastata: minkä täytetyistä kentistäsi antaisit agentin perusteella toimittavaksi jo tänään?