Gegevens, overal gegevens – maar hoe weet je of je AI-model de juiste gegevens krijgt?

Gegevens kunnen op gelijke wijze worden gegenereerd, maar niet alle gegevens zijn gelijk. B2B-organisaties die klanten zoeken voor hun goederen en diensten, moeten methoden ontwikkelen om de gegevens die hun AI-modellen binnenkomen te “discrimineren” – om ervoor te zorgen dat die modellen de inzichten en informatie leveren die ze nodig hebben om hun doelen te bereiken. Daarvoor moeten ze zich richten op het bouwen van modellen die zo veel mogelijk gebruikmaken van hun eigen, propriëtaire gegevens – de gegevens die ze verzamelen uit communicatie met klanten, verkoop- en marketingrapporten, reacties op campagnes en tientallen andere metrics.

Terwijl traditionele outreach-, marketing- en verkoopstrategieën prima werken, zoeken organisaties die een voorsprong op de concurrentie willen, steeds vaker naar AI. Met een goed AI-model van hun klanten en markt, kunnen bedrijven veel effectievere marketing- en verkoopplannen en -inspanningen ontwikkelen – omdat AI-algoritmen duizenden datapunten veel efficiënter en sneller kunnen analyseren om organisaties te helpen bij het ontwikkelen van effectievere strategieën.

Gegevenskwaliteit – gegevens die echt de markten en potentiële klantenbasis van een organisatie weerspiegelen – is hier het belangrijkste ingrediënt. Met de juiste gegevens kunnen bedrijven soepel en efficiënt effectieve marketingstrategieën ontwikkelen, bepalen op welke markten ze hun inspanningen moeten richten en krachtige strategieën ontwikkelen om de meest gekwalificeerde klanten te bereiken. “Slechte” gegevens, aan de andere kant, zullen organisaties niet helpen om die doelen te bereiken – en kunnen zelfs verantwoordelijk zijn voor enorme verliezen.

Terwijl het waarborgen van gegevenskwaliteit cruciaal is voor elke organisatie die AI-modellen gebruikt, is het vooral belangrijk voor bedrijven die nieuw zijn in AI – bedrijven die worstelen met het implementeren van AI-modellen, het verzamelen van gegevens uit openbare en propriëtaire bronnen. Welke bronnen moeten ze gebruiken? Hoe bepalen ze dat de gegevens die ze krijgen, zullen helpen bij het ontwikkelen van het meest effectieve model? Hoe filteren ze de nuttige gegevens uit de niet-nuttige? Gezien tot 85% van de AI-projecten faalt – veel van hen vanwege slechte gegevens – zijn dit vragen die organisaties serieus moeten nemen voordat ze hun AI-reis beginnen.

Er zijn verschillende wegen die een organisatie kan bewandelen om hun AI-model met gegevens te vullen, waaronder het afsluiten van een contract met een bedrijf dat gegevens zal leveren uit grote openbare en propriëtaire databases over de industrie, potentiële klanten, concurrenten, trends en meer; het model vullen met gegevens die door deze bedrijven worden geleverd, waardoor organisaties snel kunnen beginnen met AI. Het is verleidelijk, maar voor veel organisaties is het waarschijnlijk een fout; terwijl veel van de gegevens die door deze bedrijven worden geleverd, waarschijnlijk nuttig zullen zijn, zal er waarschijnlijk genoeg onnauwkeurige gegevens zijn om het AI-model te laten afwijken met gegevens die irrelevant of zelfs schadelijk zijn voor de doelen van de organisatie. Bovendien kan het delen van een AI-model met een derde partij een beveiligingsrisico vormen.

Een betere weg voor organisaties kan zijn om voor “grote beeld” industrie- en economische gegevens te vertrouwen op externe bronnen – maar om hun eigen interne, first-party gegevens te gebruiken voor specifieke informatie over klanten, hun specifieke markten, concurrenten en meer. Dergelijke gegevens weerspiegelen de exacte markt en klantenbasis die een organisatie probeert te bereiken – omdat het gebaseerd is op gegevens die zijn verzameld uit interacties met precies die klanten. Zelfs jonge organisaties hebben meer gegevens dan ze beseffen; e-mailberichten, telefoongesprekken, instant messaging-gegevens en andere communicatie kunnen worden gemined voor informatie over markten, klanten, trends, de financiële staat van klanten, aankooppatronen, voorkeuren en veel meer. Door hun modellen op die gegevens te baseren, kunnen organisaties helpen de nauwkeurigheid van hun AI-algoritmen te verhogen.

Organisatorische CRM-systemen kunnen waardevolle gegevens opleveren, met elke transactie, succesvol of niet, geëvalueerd voor indicaties over hoe klanten zich verhouden tot producten en diensten, welke benaderingen (messaging, e-mail, telefoon, enz.) het meest waarschijnlijk zullen slagen, wat klanten leuk vonden of niet leuk vonden over de producten/marketing/benadering van de organisatie, en veel meer. Die gegevens worden geanalyseerd door geavanceerde algoritmen om te bepalen op welke manier de meest gekwalificeerde klanten en markten het beste kunnen worden bereikt; wat ze het meest waarschijnlijk zullen reageren op, zoals berichten over kwaliteit of kostenvermindering; welke outreach-methode (e-mail, telefoongesprek) ze het meest waarschijnlijk zullen reageren op; welke beslissers het meest waarschijnlijk positief zullen reageren; en veel meer.

Telefoongesprekken, bijvoorbeeld, kunnen worden geanalyseerd op dingen zoals klantensentiment, trefwoorden, indicaties van toekomstige klantplannen, reacties op voorstellen, enthousiasme met betrekking tot specifieke ideeën of voorstellen, algemene interesse (gebaseerd op, onder andere, de lengte van een gesprek), en meer. E-mail, sociale media-berichten, website-interacties, beurzen en evenementen, en elke andere methode die de organisatie gebruikt om klanten te bereiken, kunnen op vergelijkbare wijze worden geanalyseerd. Het resultaat is een schat aan de meest nauwkeurige en relevante gegevens mogelijk – omdat het afkomstig is van de klanten en markten van de organisatie.

Nadat ze deze zeer nauwkeurige basis hebben opgebouwd, kan de organisatie het bereik van hun model uitbreiden met behulp van externe gegevensbronnen, die de algoritmen en agenten van het AI-systeem zullen controleren tegen de basisgegevens. Als de gegevens van derden compatibel zijn met de gegevens over de klanten, markten, doelen, economische omstandigheden en algemene strategie van de organisatie, kunnen die gegevens in het model worden opgenomen, waardoor het effectiever wordt. Als die gegevens niet overeenkomen of de CRM-gegevens die de organisatie al in bezit heeft, niet ondersteunen – de gegevens over hun echte klanten en markten – worden ze afgewezen, en het AI-model behoudt zijn integriteit.

Het is een effectieve strategie voor alle organisaties – en misschien nog wel meer voor kleine of nieuwe organisaties, die hun CRM- en klantgegevens kunnen gebruiken om een effectief AI-model te bouwen vanaf het begin, zonder dat ze oude gegevens hoeven te verwijderen die niet langer relevant zijn voor de doelen van de organisatie. En met dat kleinere maar flexibelere model kunnen organisaties veel sneller en efficiënter bepalen hoe effectief hun AI-inspanningen zijn; als de respons op hun campagnes en inspanningen niet zo robuust is als ze hadden verwacht, kunnen ze hun AI-systeem gebruiken om snel te bepalen welke aanpassingen ze moeten maken.

Als het goed wordt gedaan, kunnen AI-systemen organisaties tijd, geld en moeite besparen – door hen te helpen campagnes, benaderingen, pitches, onderzoek en outreach te ontwikkelen die het mogelijk maken om duidelijk te communiceren wat ze doen en waarom klanten zaken met hen moeten doen. AI kan organisaties helpen ervoor te zorgen dat hun boodschappen rechtstreeks zijn gericht op de hoogste-waarde potentiële klanten die het meest waarschijnlijk geïnteresseerd zijn in wat ze aanbieden. En, AI kan een organisatie helpen om snel te pivot of expand into new markets, ervoor te zorgen dat ze volledig profiteren van hun potentieel. Maar de magie van AI is gebaseerd op de kwaliteit van de gegevens die de algoritmen gebruiken – en door zo dicht mogelijk bij hun “huisgemaakte” gegevens te blijven, kunnen organisaties het meest effectieve AI-gegevensmodel mogelijk bouwen.