Hvorfor sette bort databerikning når KI-verktøy fyller ut alle feltene?

Et team for inntektsoperasjoner kjører kontolisten sin gjennom et verktøy for trinnvis databerikning. Verktøyet spør én dataleverandør, deretter en annen om opplysninger som mangler, og så en tredje. En KI-forskningsagent fyller ut resten ved å lese bedriftsnettsteder og nyheter. Dashbordet viser en utfyllingsgrad på 97 %. En selger åpner en viktig målkonto og finner to adresser til hovedkontoret, et antall ansatte som varierer med 4 000 avhengig av kilden, og en finansdirektør som sluttet i selskapet for åtte måneder siden.

Ingen felt i oppføringen er tomme. Mye av informasjonen er feil. Dette forklarer hvorfor team fortsatt setter bort databerikning, selv når automatiserte verktøy kan fylle ut alle feltene. Det har blitt billig å fylle ut felter. Det krever fortsatt skjønn å avgjøre hvilken verdi som stemmer når kildene er uenige eller utdaterte. Menneskelig verifisert databerikning er verdt kostnaden når det gjelder å løse konflikter for kontoene som skaper inntekter, ikke hvor mange tomme felt den fyller ut.

Hvordan ble databerikning et kappløp om utfyllingsgrad?

B2B-tjenester for databerikning legger til manglende opplysninger i bedrifts- og kontaktoppføringer: firmografiske data som bransje, omsetning og antall ansatte; kontaktopplysninger som stillingstittel, e-post og telefonnummer; teknografiske data som programvaren et selskap bruker; og signaler som finansieringsrunder, ansettelsesaktivitet og endringer i ledelsen.

I årevis kjøpte team data fra én leverandør og godtok manglene i dekningen. Trinnvis databerikning endret dette. I stedet for å basere seg på én enkelt kilde spør et trinnvis verktøy flere leverandører etter tur og bruker den første verdien det finner for hvert felt. KI-forskningsagenter legger til et nytt lag ved å søke på nettet og oppsummere det de finner i strukturerte felter.

Disse verktøyene gir reell verdi. De fyller ut manglende opplysninger raskt og billig, og gir salgsteamene mer å jobbe med. Salgsorganisasjoner tar dem raskt i bruk: Salesforces rapport om salgets tilstand viser at 54 % av selgerne allerede har brukt KI-agenter, og selgerne forventer at agentene skal redusere tiden de bruker på prospektundersøkelser med 34 %. Mye av denne tiden går med til de samme konto- og kontaktopplysningene som verktøy for databerikning leverer.

Problemet er at verktøyene er optimalisert for dekning. Utfyllingsgraden blir hovedmåltallet, og et felt med en hvilken som helst verdi regnes som en suksess.

Hvorfor fører flere kilder til flere motstridende opplysninger?

Ulike leverandører kan bruke ulike definisjoner, oppdateringsplaner og bedriftsoppføringer, noe som fører til motstridende informasjon. Uten en prosess for å sammenligne kilder og kontrollere avvik kan mer data gjøre CRM-oppføringene mindre pålitelige.

Ulike definisjoner

Én leverandør teller ansatte i morselskapet, en annen i den lokale enheten, og en tredje bruker et anslag fra en offentlig profil. Alle tre tallene kan forsvares, men bare ett passer med hvordan salgsområdene deres er definert.

Ulike oppdateringssykluser

Leverandørene oppdaterer dataene sine etter ulike tidsplaner. En stillingstittel som én kilde oppdaterte forrige uke, kan fortsatt stå med den gamle verdien hos en annen. Et trinnvis verktøy som bruker det første svaret det finner, kan ende opp med å velge det utdaterte.

Forveksling av selskaper

Datterselskaper, regionale avdelinger og selskaper med lignende navn blir forvekslet. En KI-agent som leser på nettet, kan slå sammen opplysninger om to ulike selskaper til én oppføring.

Ingen vurdering av motstridende opplysninger

De fleste trinnvise prosesser følger en fast rekkefølge. De sammenligner ikke verdier fra ulike kilder og varsler ikke om motstridende opplysninger. Konflikten skjules i et utfylt felt.

Resultatet er et CRM-system som ser komplett ut, men ikke fungerer pålitelig.

Dekning eller korrekthet for kontoene som betyr noe

Ikke alle oppføringer trenger like grundig oppfølging. En markedsføringsliste med 200 000 kontakter til en bred kampanje for å øke kjennskapen kan tåle noen feil. Det kan ikke en liste med 300 målkontoer i et kontobasert program.

For disse prioriterte kontoene har feil opplysninger en direkte kostnad. Et salgsteam som ringer en leder som har sluttet, får en dårlig start på kontakten. En områdeplan basert på feil antall ansatte sender kontoen til feil team. En prismodell basert på utdaterte omsetningstall gir feil anslag på avtalens størrelse. Prognoser som bygger på disse oppføringene, arver de samme feilene.

KI-agenter øker innsatsen ytterligere. Når en agent skriver utkast til salgsbudskap, vurderer potensielle kunder eller fordeler kontoer på egen hånd, handler den ut fra det som står i CRM-systemet. En agent som bruker motstridende berikningsdata, vil begå selvsikre feil i stor skala.

Når bør du sette bort databerikningstjenester?

Automatisert databerikning fungerer godt for store databaser der sporadiske feil er håndterbare, men kontoer med høy verdi krever større nøyaktighet. Det lønner seg å sette bort arbeidet når bedrifter må verifisere beslutningstakere, avklare problemer med selskapsstrukturer, kontrollere kontaktopplysninger som stadig endres, eller støtte KI-drevne salgsarbeidsflyter. Her gir det størst verdi å sette bort databerikningen:

1. Kontoer med høy verdi: Kontobaserte markedsføringsprogrammer, strategiske fornyelser og salgsmuligheter i bedriftsmarkedet, der hver oppføring representerer et betydelig inntektspotensial.
2. Komplekse selskapsstrukturer: Selskaper med flere datterselskaper, regionale enheter eller nylige fusjoner, som gjør det vanskelig for automatiserte verktøy å skille morselskaper fra datterselskapene deres.
3. Kontaktpersoner som skiftes ut ofte: Bransjer med stor utskifting blant ledere eller innkjøpskomiteer som endres jevnlig, noe som gjør det vanskeligere å holde kontaktopplysninger og informasjon om beslutningstakere oppdatert.
4. Arbeidsflyter styrt av agenter: Salgsruting, lead-scoring og prosesser for å ta kontakt der AI-agenter bruker CRM-data uten menneskelig kontroll i hvert trinn.
5. Regulert kontaktarbeid: Markeder der kontaktdata må ha dokumenterte kilder og et lovlig grunnlag for behandling og bruk.

Under slike forhold er kostnaden ved én feilaktig opplysning høyere enn kostnaden ved å kontrollere den. Det er også fornuftig å sette ut dataanrikning når interne team ikke har nok timer til research til å kontrollere oppføringer i det tempoet salgspipelinen krever. Salgsutviklere kan sjekke en håndfull kontoer, men de kan ikke holde 500 prioriterte oppføringer oppdatert hvert kvartal samtidig som de leter etter nye kunder.

For alt som faller utenfor disse forholdene, er automatisert dataanrikning med fornuftige kilderegler ofte en bedre investering. Målet er å bruke kontrollinnsatsen der virksomheten merker konsekvensene av feil.

Hvorfor er data kontrollert av mennesker viktig i en tid med AI-agenter?

Det er her det fortsatt lønner seg å sette ut dataanrikning. Et kompetent team tilfører tre ting som automatiserte verktøy ikke gjør.

AI-agenter baserer seg i stadig større grad på CRM-data for å utforme henvendelser, vurdere leads og rute kontoer. Dermed blir feilaktig informasjon en forretningsrisiko. Dataanrikning kontrollert av mennesker bidrar til å sikre at viktige oppføringer er nøyaktige, oppdaterte og i samsvar med forretningsreglene før automatiserte systemer handler på grunnlag av dem.

Konfliktløsning

Når kildene er uenige, undersøker en researcher primærkilder: selskapets eget nettsted, offentlige innrapporteringer, pressemeldinger, profesjonelle profiler og i noen tilfeller en direkte telefonsamtale. Researcheren registrerer hvilken opplysning som er riktig og hvorfor, og noterer kilden og datoen.

Kontroll av aktualitet

For prioriterte kontaktpersoner bekrefter researchere at personene fortsatt har rollene som er oppført. Jobbskifter er en av de vanligste årsakene til at dataanrikning blir utdatert, og en rask kontroll hindrer bortkastede henvendelser.

Samsvar med forretningsregler

Researchere følger kundens egne definisjoner. Hvis salgsområdene deres teller ansatte i den regionale enheten, registrerer de dette tallet. Hvis den ideelle kundeprofilen deres utelukker bestemte datterselskaper, markerer de dem. Slike regler finnes sjelden i logikken til en vannfallsmodell.

Den beste tilnærmingen kombinerer begge metodene. Automatiserte verktøy fyller ut resten av oppføringene til lave kostnader. Et menneskelig team kontrollerer kontoene og feltene som påvirker inntektene, og løser konflikter. Hver løste konflikt kan også gi tilbakemelding til automatiseringen og dermed justere kildeprioriteringen for bestemte felt eller regioner.

Slik utformer du en hybrid arbeidsflyt for dataanrikning

En hybrid arbeidsflyt bruker automatisering til å berike store databaser og menneskelige kontrollører til å undersøke viktige avvik. Prioritering av kontoer, konfliktdeteksjon, dokumentasjon av kontroller og jevnlige kildegjennomganger bidrar til å rette den manuelle innsatsen dit den gir størst verdi.

1. Del kontoene inn i prioritetsnivåer. Del databasen inn i nivåer basert på inntektspotensial, trinn i salgspipelinen eller medlemskap i et kontobasert program.
2. Prioriter feltene. Finn feltene som påvirker ruting, vurdering, prissetting og kontaktarbeid, for eksempel antall ansatte, omsetning, bransje og kontaktopplysninger for beslutningstakere.
3. Kjør automatisert dataanrikning på alle oppføringer og behold verdien fra hver kilde, ikke bare den første du finner.
4. Marker konflikter automatisk når kildene er uenige utover en fastsatt toleranse, eller når en opplysning er eldre enn en fastsatt grense.
5. Send prioriterte oppføringer som er flagget, til menneskelig kontroll med de motstridende opplysningene og kildene vedlagt.
6. Registrer den bekreftede opplysningen, kilden og datoen, og skriv den tilbake til CRM-systemet med en tydelig status.
7. Kontroller kildenes nøyaktighet hvert kvartal og juster rekkefølgen i vannfallsmodellen etter felt, region eller bransje ut fra hva kontrollene avdekket.

Denne utformingen retter den menneskelige innsatsen mot områdene der den gir avkastning, og sørger for at automatiseringen får jevnlig tilbakemelding. Etter noen kvartaler viser kontrolldataene også hvilke leverandører som er mest pålitelige for hvilke felt. Én kilde kan være god på antall ansatte i Nord-Amerika og svak på kontaktpersoner i Europa, mens en annen kan være sterk på det motsatte. Rekkefølgen i vannfallsmodellen kan deretter endres etter felt og region, slik at færre konflikter i det hele tatt når fram til kontrollørene.

Slik velger du et selskap for dataanrikning

Mange selskaper som tilbyr dataanrikning, lover nå høy utfyllingsgrad og AI-drevet research. Mer nyttige spørsmål handler om hvordan de håndterer konflikter og aktualitet:

• Når to kilder er uenige, hvordan avgjør teamet hvilken opplysning som er riktig?
• Blir alle kildeverdiene beholdt, eller bare den som er valgt?
• Hvor ofte blir prioriterte kontakter verifisert på nytt, og hvordan?
• Kan leverandøren bruke kundens egne definisjoner av antall ansatte, bransje og hierarki?
• Hvilken nøyaktighet rapporterer leverandøren for verifiserte prioriterte poster, målt separat fra den samlede utfyllingsgraden?
• Hvordan merkes verifiserte verdier i CRM-systemet, slik at brukerne kan skille dem fra automatiserte verdier?

Et selskap som tilbyr databerikelse, og som bare viser til utfyllingsgrader, har ikke tatt tak i problemet. Et selskap som legger fram reglene det bruker for å avgjøre hvilke verdier som skal gjelde, kildedata og verifisert nøyaktighet for utvalgte kontoer, er rustet for arbeid som er avgjørende for inntektene.

Etterlevelse og datasporbarhet

Databerikelse innebærer behandling av personopplysninger, så etterlevelse må bygges inn i utformingen fra starten. Personvernforordningen (GDPR) krever et rettslig grunnlag for behandling av personopplysninger om personer i EU, samt åpenhet om kildene. California Consumer Privacy Act (CCPA) gir innbyggere i California rett til innsyn i, retting av og sletting av personopplysninger. Regler for utsendelser, som CAN-SPAM Act i USA, stiller ytterligere krav til kommersiell e-post.

Sporbarhet bidrar til å oppfylle alle disse kravene. Når hver verdi har en kilde og en dato for verifisering, kan et team svare på forespørsler fra registrerte, etterkomme krav om retting og vise hvor informasjonen kommer fra. Waterfall-løsninger som bare beholder den vinnende verdien, mister dette sporet. Spør alle leverandører hvordan de registrerer kilder, håndterer reservasjoner og sperrelister, og sletter data på forespørsel. Bekreft at sikkerhetssertifiseringer som SOC 2 Type II eller ISO/IEC 27001 er gyldige, før dere deler CRM-eksporter.

Mål det som betyr noe

Bytt ut utfyllingsgrad som det viktigste måltallet for suksess med mål som gjenspeiler korrekthet:

• Verifisert nøyaktighet for prioriterte kontoer, kontrollert gjennom stikkprøver.
• Konfliktrate per felt og kilde, som viser hvor leverandørene er mest uenige.
• Aktualitet for kontaktopplysninger, det vil si andelen prioriterte kontakter som er verifisert i løpet av de siste 90 dagene.
• Avvisningsrate og andel henvendelser til feil person ved kontakt med berikede kontakter.
• Salgsrepresentantenes tillit, målt gjennom enkle tilbakemeldinger om kvaliteten på postene.

Disse måltallene viser om databerikelse hjelper salgsteamet eller bare fyller databasen. Gå gjennom dem med salgslederne hvert kvartal.

I dag setter teamene ut tjenester innen databerikelse for å få korrekte verdier for kontoene som betyr mest. Waterfall-verktøy og KI-agenter fyller ut felt til lav kostnad, men samler også opp utdaterte og motstridende verdier uten noen regel for hvilken verdi som skal gjelde. Menneskelig verifisert databerikelse lønner seg der nøyaktighet driver inntektene: når motstridende verdier skal avklares, aktualiteten bekreftes og forretningsregler brukes på prioriterte kontoer. Pålitelig B2B-databerikelse kombinerer automatisert berikelse med verifisert løsning av konflikter for poster med høy verdi. Etter hvert som flere KI-agenter handler på CRM-data uten at noen person er involvert, må ett spørsmål besvares: Hvilke av de utfylte feltene dine ville du stole på at en agent handler ut fra i dag?