Mengapa Mengalihdayakan Pengayaan Data jika Alat AI Dapat Mengisi Setiap Kolom?

Tim operasi pendapatan memproses daftar akun mereka menggunakan alat pengayaan data berjenjang. Alat itu mengakses satu penyedia data, lalu penyedia kedua untuk mengisi bagian yang masih kosong, kemudian penyedia ketiga. Agen riset AI mengisi kolom yang masih kosong dengan membaca situs web perusahaan dan berita. Dasbor menunjukkan tingkat pengisian 97%. Seorang tenaga penjualan membuka akun target utama dan menemukan dua alamat kantor pusat, jumlah karyawan yang berbeda 4.000 bergantung pada sumbernya, serta seorang direktur keuangan yang telah meninggalkan perusahaan delapan bulan sebelumnya.

Tidak ada kolom kosong dalam catatan itu. Namun, banyak isinya keliru. Kesenjangan inilah yang menjelaskan mengapa tim masih mengalihdayakan pengayaan data, meskipun alat otomatis dapat mengisi setiap kolom. Mengisi kolom kini tidak lagi mahal. Namun, menentukan nilai mana yang benar saat sumber berbeda pendapat atau datanya sudah kedaluwarsa tetap membutuhkan pertimbangan. Biaya pengayaan yang diverifikasi manusia sepadan untuk menyelesaikan konflik data pada akun-akun yang mendorong pendapatan, bukan untuk sekadar mengisi sebanyak mungkin kolom kosong.

Bagaimana Pengayaan Data Berubah Menjadi Perlombaan Tingkat Pengisian?

Layanan pengayaan data B2B menambahkan detail yang belum ada pada catatan perusahaan dan kontak: data firmografis seperti industri, pendapatan, dan jumlah karyawan; detail kontak seperti jabatan, email, dan nomor telepon; data teknografis seperti perangkat lunak yang digunakan perusahaan; serta sinyal seperti putaran pendanaan, aktivitas perekrutan, dan pergantian pimpinan.

Selama bertahun-tahun, tim membeli data dari satu penyedia dan menerima keterbatasan cakupannya. Pengayaan data berjenjang mengubah hal itu. Alih-alih mengandalkan satu sumber, alat berjenjang mengakses beberapa penyedia secara berurutan dan mengambil nilai pertama yang ditemukan untuk setiap kolom. Agen riset AI menambahkan lapisan lain dengan menelusuri web dan merangkum temuan ke dalam kolom terstruktur.

Alat-alat ini benar-benar memberikan manfaat. Alat tersebut mengisi kekosongan dengan cepat dan murah, serta memberi tim penjualan lebih banyak informasi untuk digunakan. Organisasi penjualan mengadopsinya dengan cepat: laporan State of Sales dari Salesforce menemukan bahwa 54% tenaga penjualan telah menggunakan agen AI, dan mereka memperkirakan agen dapat memangkas waktu riset prospek sebesar 34%. Sebagian besar waktu riset itu digunakan untuk mencari detail akun dan kontak yang sama dengan yang disediakan alat pengayaan data.

Masalahnya, alat-alat ini dioptimalkan untuk memperluas cakupan. Tingkat pengisian menjadi metrik utama, dan kolom yang berisi nilai apa pun dianggap sebagai keberhasilan.

Mengapa Semakin Banyak Sumber Menimbulkan Semakin Banyak Konflik?

Penyedia yang berbeda mungkin menggunakan definisi, jadwal pembaruan, dan catatan perusahaan yang berbeda sehingga menghasilkan informasi yang bertentangan. Tanpa proses untuk membandingkan sumber dan memvalidasi perbedaan, penambahan data justru dapat membuat catatan CRM kurang dapat diandalkan.

Definisi yang Berbeda

Satu penyedia menghitung jumlah karyawan di perusahaan induk, penyedia lain menghitungnya di entitas lokal, sementara penyedia ketiga menggunakan perkiraan dari profil publik. Ketiga angka itu bisa sama-sama masuk akal, tetapi hanya satu yang sesuai dengan cara wilayah penjualan Anda ditetapkan.

Siklus Pembaruan yang Berbeda

Penyedia memperbarui data dengan jadwal yang berbeda-beda. Jabatan yang diperbarui oleh satu sumber minggu lalu mungkin masih tercatat dengan nilai lama di sumber lain. Sistem berjenjang yang mengambil jawaban pertama yang ditemukan bisa saja memilih data yang sudah kedaluwarsa.

Kerancuan Entitas

Anak perusahaan, cabang regional, dan perusahaan dengan nama serupa sering tertukar. Agen AI yang menelusuri web mungkin menggabungkan informasi dari dua perusahaan berbeda ke dalam satu catatan.

Tidak Ada Proses Penyelesaian Konflik

Sebagian besar logika sistem berjenjang mengikuti urutan tetap. Sistem itu tidak membandingkan nilai dari berbagai sumber atau menandai perbedaan. Konflik tersebut tersembunyi di dalam kolom yang sudah terisi.

Hasilnya adalah CRM yang tampak lengkap, tetapi tidak dapat diandalkan.

Cakupan versus Ketepatan pada Akun yang Paling Penting

Tidak semua catatan membutuhkan tingkat ketelitian yang sama. Daftar pemasaran berisi 200,000 kontak untuk kampanye kesadaran luas masih dapat menoleransi beberapa kesalahan. Namun, daftar 300 akun target dalam program pemasaran berbasis akun tidak bisa.

Untuk akun-akun prioritas tersebut, detail yang keliru menimbulkan kerugian langsung. Tim penjualan yang menghubungi eksekutif yang sudah hengkang kehilangan kesempatan untuk memberikan kesan pertama yang baik. Rencana wilayah yang didasarkan pada jumlah karyawan yang keliru akan mengarahkan akun ke tim yang salah. Model penetapan harga yang didasarkan pada pendapatan lama akan menetapkan nilai kesepakatan yang keliru. Prakiraan yang dibuat berdasarkan catatan-catatan ini mewarisi kesalahan yang sama.

Agen AI semakin meningkatkan risikonya. Saat agen menyusun pesan penjangkauan, memberi skor prospek, atau mengarahkan akun secara mandiri, agen bertindak berdasarkan informasi yang tercantum dalam CRM. Agen yang menggunakan data pengayaan yang saling bertentangan akan membuat kesalahan dengan penuh keyakinan dalam skala besar.

Kapan Sebaiknya Anda Mengalihdayakan Layanan Pengayaan Data?

Pengayaan otomatis cocok untuk basis data besar yang masih dapat menoleransi kesalahan sesekali, tetapi akun bernilai tinggi membutuhkan ketepatan yang lebih tinggi. Pengalihdayaan menjadi bermanfaat ketika bisnis perlu memverifikasi pengambil keputusan, mengatasi masalah hierarki perusahaan, memvalidasi detail kontak yang berubah, atau mendukung alur kerja penjualan berbasis AI. Berikut adalah situasi ketika pengalihdayaan pengayaan data memberikan manfaat terbesar:

1. Akun Bernilai Tinggi: Program pemasaran berbasis akun, perpanjangan kontrak strategis, dan alur penjualan perusahaan besar, yang setiap catatannya mewakili potensi pendapatan yang signifikan.
2. Struktur perusahaan yang kompleks: Perusahaan dengan banyak anak perusahaan, entitas regional, atau merger baru-baru ini yang menyulitkan alat otomatis membedakan perusahaan induk dari anak perusahaannya.
3. Kontak yang sering berganti: Industri dengan tingkat pergantian eksekutif yang tinggi atau komite pembelian yang rutin berubah, sehingga informasi kontak dan pengambil keputusan lebih sulit diperbarui.
4. Alur kerja berbasis agen: Proses perutean penjualan, penilaian prospek, dan penjangkauan yang menggunakan agen AI untuk bertindak berdasarkan data CRM tanpa peninjauan manusia pada setiap langkah.
5. Penjangkauan yang diatur: Pasar yang mengharuskan data kontak memiliki sumber terdokumentasi serta dasar hukum untuk pemrosesan dan penggunaannya.

Dalam kondisi seperti ini, biaya akibat satu nilai yang keliru lebih besar daripada biaya untuk memverifikasinya. Mengalihdayakan pengayaan data juga masuk akal ketika tim internal tidak memiliki cukup waktu riset untuk memverifikasi data dengan kecepatan yang dibutuhkan alur kerja. Tenaga pengembangan penjualan dapat memeriksa beberapa akun, tetapi mereka tidak dapat menjaga agar 500 data prioritas tetap mutakhir setiap kuartal sekaligus mencari prospek baru.

Untuk hal-hal di luar kondisi tersebut, pengayaan otomatis dengan aturan sumber yang masuk akal sering kali menjadi pilihan investasi yang lebih baik. Tujuannya adalah mengerahkan upaya verifikasi pada bagian yang kesalahannya paling berdampak bagi bisnis.

Mengapa Data yang Diverifikasi Manusia Penting di Era Agen AI?

Di sinilah pengalihdayaan pengayaan data masih sepadan dengan biayanya. Tim yang terampil memberikan tiga hal yang tidak dapat diberikan oleh alat otomatis.

Agen AI semakin mengandalkan data CRM untuk menyusun pesan penjangkauan, menilai prospek, dan merutekan akun, sehingga informasi yang keliru menjadi risiko bisnis. Pengayaan yang diverifikasi manusia membantu memastikan bahwa data penting akurat, mutakhir, dan sesuai dengan aturan bisnis sebelum sistem otomatis bertindak berdasarkan data tersebut.

Penyelesaian Konflik

Ketika sumber-sumber berbeda pendapat, peneliti memeriksa bukti utama: situs web perusahaan, dokumen resmi yang tersedia untuk umum, siaran pers, profil profesional, dan dalam beberapa kasus, menghubungi pihak terkait secara langsung. Peneliti mencatat nilai yang benar beserta alasannya, serta mencantumkan sumber dan tanggalnya.

Pemeriksaan Kemutakhiran

Untuk kontak prioritas, peneliti memastikan bahwa orang yang bersangkutan masih menjabat posisi yang tercantum. Perubahan pekerjaan adalah salah satu alasan paling umum data pengayaan menjadi usang, dan langkah verifikasi singkat dapat mencegah upaya penjangkauan yang sia-sia.

Keselarasan dengan Aturan Bisnis

Peneliti menerapkan definisi yang digunakan klien. Jika wilayah penjualan Anda menghitung karyawan pada entitas regional, mereka mencatat angka tersebut. Jika profil pelanggan ideal Anda mengecualikan anak perusahaan tertentu, mereka menandainya. Aturan seperti ini jarang tercakup dalam logika proses berjenjang.

Pendekatan terbaik menggabungkan kedua metode. Alat otomatis mengisi data dalam jumlah besar dengan biaya rendah. Tim manusia memverifikasi dan menyelesaikan konflik pada akun dan kolom yang mendorong pendapatan. Setiap konflik yang diselesaikan juga dapat menjadi umpan balik bagi otomatisasi, sehingga prioritas sumber dapat disesuaikan untuk kolom atau wilayah tertentu.

Merancang Alur Kerja Pengayaan Hibrida

Alur kerja hibrida menggunakan otomatisasi untuk memperkaya basis data besar dan peninjau manusia untuk menyelidiki ketidaksesuaian penting. Prioritas akun, deteksi konflik, catatan verifikasi, dan peninjauan sumber secara berkala membantu mengarahkan upaya manual ke bagian yang memberikan nilai terbesar.

1. Kelompokkan akun ke dalam beberapa tingkat prioritas. Bagi basis data ke dalam tingkatan prioritas berdasarkan potensi pendapatan, tahap alur penjualan, atau keikutsertaan dalam program pemasaran berbasis akun.
2. Kelompokkan kolom ke dalam beberapa tingkat prioritas. Identifikasi kolom yang memengaruhi perutean, penilaian, penetapan harga, dan penjangkauan, seperti jumlah karyawan, pendapatan, industri, dan kontak pengambil keputusan.
3. Lakukan pengayaan otomatis pada semua data dan simpan nilai dari setiap sumber, bukan hanya nilai pertama yang ditemukan.
4. Tandai konflik secara otomatis ketika perbedaan antarsumber melampaui batas toleransi yang ditetapkan atau ketika suatu nilai sudah lebih lama daripada batas usia yang ditentukan.
5. Teruskan data prioritas yang ditandai untuk diverifikasi manusia dengan menyertakan nilai-nilai yang bertentangan beserta sumbernya.
6. Catat nilai, sumber, dan tanggal yang telah diverifikasi, lalu masukkan kembali ke CRM dengan status yang jelas.
7. Tinjau keakuratan sumber setiap kuartal dan sesuaikan urutan proses berjenjang berdasarkan kolom, wilayah, atau industri, sesuai temuan verifikasi.

Rancangan ini memusatkan upaya manusia pada bagian yang memberikan hasil dan menyediakan umpan balik berkelanjutan bagi otomatisasi. Setelah beberapa kuartal, data verifikasi juga menunjukkan penyedia mana yang paling andal untuk setiap kolom. Satu sumber mungkin memiliki data jumlah karyawan di Amerika Utara yang kuat, tetapi data kontak di Eropa yang lemah, sementara sumber lain mungkin menunjukkan kondisi sebaliknya. Urutan proses berjenjang kemudian dapat diubah berdasarkan kolom dan wilayah, sehingga lebih sedikit konflik yang perlu ditinjau.

Memilih Perusahaan Pengayaan Data

Kini banyak perusahaan pengayaan data menjanjikan tingkat kelengkapan yang tinggi dan riset berbasis AI. Pertanyaan yang lebih berguna menguji cara mereka menangani konflik dan kemutakhiran data:

• Ketika dua sumber memberikan informasi yang berbeda, bagaimana tim menentukan nilai mana yang benar?
• Apakah semua nilai sumber dipertahankan, atau hanya nilai yang dipilih?
• Seberapa sering kontak prioritas diverifikasi ulang, dan bagaimana caranya?
• Dapatkah penyedia menerapkan definisi klien sendiri tentang jumlah karyawan, industri, dan hierarki?
• Berapa tingkat akurasi yang dilaporkan penyedia untuk catatan prioritas yang telah diverifikasi, jika diukur secara terpisah dari tingkat kelengkapan keseluruhan?
• Bagaimana nilai yang telah diverifikasi diberi label di CRM agar pengguna dapat membedakannya dari nilai yang diisi secara otomatis?

Perusahaan pengayaan data yang hanya menjawab dengan tingkat kelengkapan belum mengatasi masalahnya. Perusahaan yang menunjukkan aturan penentuan nilai, catatan sumber, dan akurasi terverifikasi pada akun sampel siap menangani pekerjaan yang sangat penting bagi pendapatan.

Kepatuhan dan Asal-Usul Data

Pengayaan data melibatkan data pribadi, sehingga kepatuhan harus menjadi bagian dari rancangan sejak awal. General Data Protection Regulation (GDPR) mewajibkan adanya dasar hukum untuk memproses data pribadi tentang orang-orang di Uni Eropa, serta transparansi mengenai sumbernya. California Consumer Privacy Act (CCPA) memberi penduduk California hak untuk mengetahui, memperbaiki, dan menghapus informasi pribadi. Aturan penjangkauan, seperti CAN-SPAM Act di Amerika Serikat, menetapkan persyaratan tambahan untuk email komersial.

Asal-usul data membantu memenuhi semua persyaratan ini. Jika setiap nilai disertai sumber dan tanggal verifikasinya, tim dapat menanggapi permintaan subjek data, memenuhi permintaan koreksi, dan menunjukkan asal informasi tersebut. Proses pengayaan berjenjang yang hanya menyimpan nilai terpilih akan menghilangkan jejak itu. Tanyakan kepada setiap penyedia bagaimana mereka mencatat sumber, menangani permintaan untuk tidak dihubungi dan daftar penekanan, serta menghapus data atas permintaan. Pastikan sertifikasi keamanan masih berlaku, seperti SOC 2 Type II atau ISO/IEC 27001, sebelum membagikan ekspor CRM.

Mengukur Hal yang Penting

Ganti tingkat kelengkapan sebagai metrik keberhasilan utama dengan ukuran yang mencerminkan ketepatan:

• Akurasi terverifikasi pada akun prioritas, yang diuji melalui audit acak.
• Tingkat konflik menurut kolom dan sumber, yang menunjukkan bagian dengan paling banyak perbedaan antarpenyedia.
• Kesegaran kontak, yaitu proporsi kontak prioritas yang diverifikasi dalam 90 hari terakhir.
• Tingkat email terpental dan kontak yang salah orang dari penjangkauan kepada kontak yang datanya telah diperkaya.
• Kepercayaan tenaga penjualan, yang diukur melalui umpan balik sederhana tentang kualitas catatan.

Metrik ini menunjukkan apakah pengayaan data membantu tim penjualan atau hanya mengisi basis data. Tinjau metrik tersebut bersama para pemimpin penjualan setiap kuartal.

Saat ini, tim menggunakan jasa pihak luar untuk pengayaan data guna memperoleh nilai yang akurat pada akun-akun terpenting. Alat pengayaan berjenjang dan agen AI mengisi kolom dengan biaya rendah, tetapi juga menumpuk nilai usang dan saling bertentangan tanpa aturan untuk menentukan nilai mana yang dipilih. Pengayaan yang diverifikasi manusia bermanfaat ketika akurasi mendorong pendapatan: menyelesaikan konflik, memastikan data tetap mutakhir, dan menerapkan aturan bisnis pada akun prioritas. Layanan pengayaan data B2B tepercaya menggabungkan pengayaan otomatis dengan penyelesaian konflik yang terverifikasi untuk catatan bernilai tinggi. Semakin banyak agen AI yang bertindak berdasarkan data CRM tanpa perantara manusia, semakin penting untuk menjawab satu pertanyaan: dari kolom yang sudah terisi, mana yang akan Anda percayai untuk ditindaklanjuti agen hari ini?