Dlaczego zlecać wzbogacanie danych na zewnątrz, skoro narzędzia AI uzupełniają każde pole?

Zespół ds. operacji przychodowych przepuszcza listę klientów przez narzędzie do kaskadowego wzbogacania danych. Narzędzie odpytuje jednego dostawcę danych, a następnie drugiego w przypadku braków i wreszcie trzeciego. Agent badawczy AI uzupełnia pozostałe puste pola, przeglądając strony internetowe firm i wiadomości. Panel pokazuje 97-procentowy wskaźnik uzupełnienia danych. Przedstawiciel handlowy otwiera kartę jednego z najważniejszych potencjalnych klientów i widzi dwa adresy siedziby, liczbę pracowników różniącą się o 4000 w zależności od źródła oraz dyrektora finansowego, który odszedł z firmy osiem miesięcy temu.

Żadne pole w tym rekordzie nie jest puste. Wiele informacji jest błędnych. Ta rozbieżność wyjaśnia, dlaczego zespoły nadal zlecają wzbogacanie danych na zewnątrz, mimo że zautomatyzowane narzędzia mogą uzupełnić każde pole. Uzupełnianie pól stało się tanie. Ustalenie, która wartość jest prawidłowa, gdy źródła są ze sobą sprzeczne lub nieaktualne, wciąż wymaga oceny. Weryfikowane przez ludzi wzbogacanie danych uzasadnia swój koszt rozstrzyganiem sprzeczności w przypadku klientów, którzy generują przychody, a nie liczbą uzupełnionych pól.

Jak wzbogacanie danych stało się grą o wskaźnik uzupełnienia?

Usługi wzbogacania danych B2B uzupełniają brakujące informacje w rekordach firm i kontaktów: dane o firmie, takie jak branża, przychody i liczba pracowników; dane kontaktowe, takie jak stanowisko, adres e-mail i numer telefonu; dane technologiczne, na przykład informacje o oprogramowaniu używanym przez firmę; oraz sygnały, takie jak rundy finansowania, aktywność rekrutacyjna i zmiany w kierownictwie.

Przez lata zespoły korzystały z usług jednego dostawcy danych i akceptowały braki w jego bazie. Kaskadowe wzbogacanie danych to zmieniło. Zamiast polegać na jednym źródle, narzędzie kaskadowe odpytuje kolejnych dostawców i dla każdego pola wybiera pierwszą znalezioną wartość. Agenci badawczy AI dodają kolejną warstwę: przeszukują internet i podsumowują znalezione informacje w postaci uporządkowanych pól.

Narzędzia te przynoszą realne korzyści. Szybko i tanio uzupełniają braki, dając zespołom sprzedaży więcej informacji do wykorzystania. Organizacje sprzedażowe szybko je wdrażają: raport Salesforce o stanie sprzedaży wykazał, że 54% sprzedawców korzystało już z agentów AI, a sprzedawcy spodziewają się, że agenci skrócą czas poświęcany na analizę potencjalnych klientów o 34%. Znaczna część tego czasu badawczego przypada na te same informacje o firmach i kontaktach, które dostarczają narzędzia do wzbogacania danych.

Problem polega na tym, że narzędzia te optymalizują zakres danych. Głównym wskaźnikiem staje się stopień uzupełnienia, a każde pole zawierające jakąkolwiek wartość uznaje się za sukces.

Dlaczego większa liczba źródeł prowadzi do większej liczby sprzeczności?

Różni dostawcy mogą stosować odmienne definicje, harmonogramy aktualizacji i rejestry firm, co prowadzi do sprzecznych informacji. Bez procesu porównywania źródeł i weryfikowania rozbieżności dodawanie kolejnych danych może obniżyć wiarygodność rekordów w systemie CRM.

Różne definicje

Jeden dostawca liczy pracowników całej spółki dominującej, inny — lokalnego podmiotu, a trzeci podaje szacunki z profilu publicznego. Każda z tych trzech liczb może być uzasadniona, ale tylko jedna odpowiada sposobowi wyznaczenia obszarów sprzedaży w Twojej firmie.

Różne cykle aktualizacji

Dostawcy odświeżają dane według różnych harmonogramów. Jedno źródło mogło zaktualizować stanowisko w zeszłym tygodniu, podczas gdy w innym nadal widnieje poprzednia informacja. Narzędzie kaskadowe, które wybiera pierwszą znalezioną odpowiedź, może wskazać nieaktualną wartość.

Pomyłki dotyczące podmiotów

Spółki zależne, oddziały regionalne i firmy o podobnych nazwach bywają ze sobą mylone. Agent AI przeszukujący internet może połączyć informacje o dwóch różnych firmach w jednym rekordzie.

Brak rozstrzygania sprzeczności

Większość mechanizmów kaskadowych działa według ustalonej kolejności. Nie porównuje wartości z różnych źródeł ani nie sygnalizuje rozbieżności. Sprzeczność pozostaje ukryta w uzupełnionym polu.

W rezultacie system CRM wygląda na kompletny, ale działa zawodnie.

Zakres danych a ich poprawność w przypadku kluczowych klientów

Nie każdy rekord wymaga takiej samej staranności. Lista 200 000 kontaktów na potrzeby szeroko zakrojonej kampanii zwiększającej świadomość marki może zawierać pewne błędy. Lista 300 klientów docelowych w programie marketingu opartego na klientach nie może.

W przypadku tych priorytetowych klientów błędna informacja wiąże się z bezpośrednim kosztem. Zespół sprzedaży, który dzwoni do byłego dyrektora, traci szansę na zrobienie dobrego pierwszego wrażenia. Plan sprzedaży oparty na błędnej liczbie pracowników przypisuje klienta do niewłaściwego zespołu. Model cenowy oparty na nieaktualnych przychodach prowadzi do błędnej oceny wielkości transakcji. Prognozy tworzone na podstawie takich rekordów powielają te same błędy.

Agenci AI dodatkowo zwiększają stawkę. Gdy agent samodzielnie przygotowuje wiadomości sprzedażowe, ocenia potencjalnych klientów lub przypisuje im zespoły, działa na podstawie informacji z systemu CRM. Agent korzystający ze sprzecznych danych pochodzących ze wzbogacania będzie popełniał błędne decyzje z dużą pewnością i na dużą skalę.

Kiedy warto zlecić na zewnątrz usługi wzbogacania danych?

Automatyczne wzbogacanie sprawdza się w przypadku dużych baz danych, w których sporadyczne błędy są do zaakceptowania, ale kluczowi klienci wymagają większej dokładności. Zlecenie tych usług na zewnątrz staje się wartościowe, gdy firmy muszą zweryfikować osoby decyzyjne, rozstrzygnąć kwestie związane ze strukturą korporacyjną, potwierdzić zmieniające się dane kontaktowe lub wesprzeć procesy sprzedażowe oparte na AI. Oto sytuacje, w których outsourcing wzbogacania danych przynosi największe korzyści:

1. Klienci o wysokiej wartości: programy marketingu opartego na klientach, strategiczne odnowienia umów i portfele klientów korporacyjnych, w których każdy rekord wiąże się ze znacznym potencjałem przychodowym.
2. Złożone struktury korporacyjne: Firmy z wieloma spółkami zależnymi, podmiotami regionalnymi lub niedawnymi fuzjami, które utrudniają narzędziom automatycznym odróżnianie spółek dominujących od ich spółek zależnych.
3. Często zmieniające się osoby kontaktowe: Branże, w których kadra kierownicza często się zmienia lub komitety zakupowe regularnie zmieniają skład, przez co trudniej jest na bieżąco aktualizować dane kontaktowe i informacje o osobach decyzyjnych.
4. Procesy oparte na agentach: Kierowanie sprzedażą, ocenianie potencjalnych klientów i działania informacyjne, w których agenci AI korzystają z danych w systemie CRM bez każdorazowej kontroli człowieka.
5. Działania informacyjne w regulowanych branżach: Rynki, na których dane kontaktowe muszą mieć udokumentowane źródła i istnieć zgodna z prawem podstawa ich przetwarzania i wykorzystywania.

W takich warunkach koszt jednej błędnej wartości przewyższa koszt jej weryfikacji. Zlecanie wzbogacania danych na zewnątrz ma również sens, gdy wewnętrznym zespołom brakuje czasu na badania potrzebnego do weryfikowania rekordów w tempie wymaganym przez lejek sprzedażowy. Specjaliści ds. rozwoju sprzedaży mogą sprawdzić kilka kont, ale nie są w stanie aktualizować 500 priorytetowych rekordów co kwartał, jednocześnie pozyskując nowych klientów.

We wszystkich sytuacjach poza tymi przypadkami lepszą inwestycją jest często automatyczne wzbogacanie danych z rozsądnie dobranymi regułami wyboru źródeł. Chodzi o to, by nakład pracy na weryfikację kierować tam, gdzie firma odczuwa skutki błędu.

Dlaczego w dobie agentów AI tak ważne są dane zweryfikowane przez człowieka?

Właśnie w tym przypadku zlecanie wzbogacania danych na zewnątrz nadal uzasadnia poniesione koszty. Wykwalifikowany zespół wnosi trzy elementy, których nie zapewniają narzędzia automatyczne.

Agenci AI coraz częściej korzystają z danych w systemie CRM, aby przygotowywać komunikaty, oceniać potencjalnych klientów i kierować konta do odpowiednich osób, przez co błędne informacje stają się zagrożeniem dla firmy. Wzbogacanie danych z weryfikacją przez człowieka pomaga zagwarantować, że kluczowe rekordy są dokładne i aktualne oraz zgodne z zasadami firmy, zanim systemy automatyczne zaczną na ich podstawie działać.

Rozstrzyganie rozbieżności

Gdy źródła podają sprzeczne informacje, badacz sprawdza dowody z pierwotnych źródeł: strony internetowej firmy, publicznych dokumentów, komunikatów prasowych, profili zawodowych, a w niektórych przypadkach także uzyskuje informacje bezpośrednio przez telefon. Zapisuje, która wartość jest prawidłowa i dlaczego, oraz odnotowuje źródło i datę.

Weryfikacja aktualności

W przypadku priorytetowych osób kontaktowych badacze potwierdzają, że nadal pełnią one wymienione funkcje. Zmiany stanowisk to jedna z najczęstszych przyczyn dezaktualizacji danych wzbogacających, a szybka weryfikacja pozwala uniknąć zmarnowanych prób nawiązania kontaktu.

Zgodność z zasadami biznesowymi

Badacze stosują definicje przyjęte przez klienta. Jeśli w ramach danego terytorium liczy się liczbę pracowników w podmiocie regionalnym, zapisują tę wartość. Jeśli profil idealnego klienta wyklucza niektóre spółki zależne, oznaczają je. Takie reguły rzadko są uwzględniane w logice kaskadowego wyboru źródeł.

Najskuteczniejsze podejście łączy obie metody. Narzędzia automatyczne tanio uzupełniają pozostałe rekordy. Zespół ludzi weryfikuje dane i rozstrzyga rozbieżności dotyczące kont i pól, które wpływają na przychody. Każde rozstrzygnięcie może też zasilać proces automatyzacji i zmieniać priorytety źródeł dla konkretnych pól lub regionów.

Projektowanie hybrydowego procesu wzbogacania danych

Hybrydowy proces wykorzystuje automatyzację do wzbogacania dużych baz danych, a weryfikatorów do badania istotnych rozbieżności. Priorytetyzacja kont, wykrywanie rozbieżności, dokumentowanie weryfikacji i regularne przeglądy źródeł pomagają kierować ręczną pracę tam, gdzie przynosi największą wartość.

1. Podziel konta na kategorie priorytetowe. Podziel bazę danych na kategorie według potencjału przychodowego, etapu lejka sprzedażowego lub przynależności do programu marketingu opartego na kontach.
2. Określ priorytety pól. Wskaż pola wpływające na kierowanie, ocenianie, ustalanie cen i działania informacyjne, takie jak liczba pracowników, przychody, branża i dane kontaktowe osób decyzyjnych.
3. Automatycznie wzbogacaj wszystkie rekordy i zachowuj wartości ze wszystkich źródeł, a nie tylko pierwszą znalezioną.
4. Automatycznie oznaczaj rozbieżności wszędzie tam, gdzie dane ze źródeł różnią się ponad ustalony próg tolerancji lub wartość jest starsza niż określony czas.
5. Przekazuj oznaczone rekordy priorytetowe do weryfikacji przez człowieka wraz z dołączonymi sprzecznymi wartościami i źródłami.
6. Zapisuj zweryfikowaną wartość, źródło i datę, a następnie umieszczaj te dane w systemie CRM z wyraźnym oznaczeniem statusu.
7. Co kwartał sprawdzaj dokładność źródeł i dostosowuj kolejność źródeł według pola, regionu lub branży na podstawie wyników weryfikacji.

Tak zaprojektowany proces pozwala skupić pracę ludzi tam, gdzie przynosi ona korzyści, a jednocześnie zapewnia automatyzacji stały dopływ informacji zwrotnych. Po kilku kwartałach dane z weryfikacji pokazują również, którzy dostawcy są najbardziej wiarygodni w przypadku poszczególnych pól. Jedno źródło może dobrze sprawdzać się przy danych o zatrudnieniu w Ameryce Północnej, a słabo przy kontaktach w Europie, podczas gdy inne może mieć odwrotne mocne strony. Kolejność źródeł można wówczas zmieniać w zależności od pola i regionu, dzięki czemu do weryfikatorów trafia znacznie mniej rozbieżności.

Wybór firmy zajmującej się wzbogacaniem danych

Wiele firm zajmujących się wzbogacaniem danych obiecuje obecnie wysoki odsetek uzupełnionych pól i badania wspomagane przez AI. Bardziej przydatne pytania dotyczą sposobu rozstrzygania rozbieżności i sprawdzania aktualności danych:

• Gdy dwa źródła podają sprzeczne informacje, jak zespół ustala, która wartość jest prawidłowa?
• Czy zachowywane są wszystkie wartości ze źródeł, czy tylko wybrana?
• Jak często ponownie weryfikuje się najważniejsze kontakty i w jaki sposób?
• Czy dostawca może stosować własne definicje klienta dotyczące liczby pracowników, branży i struktury organizacyjnej?
• Jaką dokładność dostawca deklaruje w przypadku zweryfikowanych rekordów priorytetowych, mierzoną niezależnie od ogólnego wskaźnika uzupełnienia danych?
• Jak oznacza się zweryfikowane wartości w CRM, aby użytkownicy mogli odróżnić je od wartości wprowadzonych automatycznie?

Firma zajmująca się wzbogacaniem danych, która podaje wyłącznie wskaźniki uzupełnienia danych, nie rozwiązała problemu. Firma, która przedstawia zasady rozstrzygania rozbieżności, rekordy źródłowe i dokładność potwierdzoną na przykładowych kontach, jest gotowa do pracy o kluczowym znaczeniu dla przychodów.

Zgodność z przepisami i pochodzenie danych

Wzbogacanie danych wiąże się z przetwarzaniem danych osobowych, dlatego zgodność z przepisami należy uwzględnić w projekcie od samego początku. Ogólne rozporządzenie o ochronie danych (GDPR) wymaga, aby przetwarzanie danych osobowych osób w Unii Europejskiej miało podstawę prawną, a źródła danych były przejrzyste. Kalifornijska ustawa o ochronie prywatności konsumentów (CCPA) przyznaje mieszkańcom Kalifornii prawo do uzyskania informacji o swoich danych osobowych, ich poprawiania i usuwania. Przepisy dotyczące kontaktowania się z odbiorcami, takie jak amerykańska ustawa CAN-SPAM, nakładają dodatkowe wymagania dotyczące komercyjnej poczty elektronicznej.

Informacje o pochodzeniu danych pomagają spełnić wszystkie te wymagania. Jeśli każda wartość zawiera informację o źródle i dacie weryfikacji, zespół może odpowiedzieć na wniosek osoby, której dane dotyczą, uwzględnić żądanie ich poprawienia i wykazać, skąd pochodzą. W rozwiązaniach opartych na metodzie kaskadowej, które zachowują wyłącznie wybraną wartość, ślad ten przepada. Zapytaj każdego dostawcę, jak rejestruje źródła, obsługuje rezygnacje i listy wykluczeń oraz usuwa dane na żądanie. Przed udostępnieniem eksportów CRM sprawdź aktualne certyfikaty bezpieczeństwa, takie jak SOC 2 Type II lub ISO/IEC 27001.

Mierzenie tego, co naprawdę ma znaczenie

Zastąp wskaźnik uzupełnienia danych jako główną miarę sukcesu wskaźnikami, które odzwierciedlają poprawność danych:

• Dokładność zweryfikowanych danych na kontach priorytetowych, sprawdzana w drodze losowego audytu.
• Odsetek rozbieżności według pola i źródła, wskazujący, w których przypadkach dostawcy najczęściej podają różne informacje.
• Aktualność danych kontaktowych, czyli odsetek najważniejszych kontaktów zweryfikowanych w ciągu ostatnich 90 dni.
• Odsetek wiadomości niedostarczonych i kontaktów z niewłaściwą osobą w przypadku działań skierowanych do wzbogaconych kontaktów.
• Zaufanie przedstawicieli handlowych, mierzone na podstawie krótkich opinii o jakości rekordów.

Te wskaźniki pokazują, czy wzbogacanie danych pomaga zespołowi sprzedaży, czy tylko uzupełnia bazę. Omawiaj je z liderami sprzedaży co kwartał.

Zespoły zlecają zewnętrznym dostawcom usługi wzbogacania danych, aby uzyskać prawidłowe wartości dla najważniejszych kont. Narzędzia oparte na metodzie kaskadowej i agenci AI tanio uzupełniają pola, ale jednocześnie gromadzą nieaktualne i sprzeczne wartości, nie określając, która z nich ma pierwszeństwo. Weryfikacja danych przez człowieka przynosi korzyści tam, gdzie dokładność wpływa na przychody: przy rozstrzyganiu rozbieżności, potwierdzaniu aktualności danych i stosowaniu reguł biznesowych wobec kont priorytetowych. Zaufane usługi wzbogacania danych B2B łączą automatyczne uzupełnianie danych ze zweryfikowanym rozstrzyganiem rozbieżności w przypadku rekordów o wysokiej wartości. W miarę jak coraz więcej agentów AI działa na danych CRM bez udziału człowieka, warto odpowiedzieć na jedno pytanie: na podstawie których uzupełnionych pól pozwoliłbyś agentowi podjąć dziś działanie?