Varför lägga ut databerikning när AI-verktyg fyller i alla fält?

Ett team inom intäktsstyrning kör sin kontolista genom ett berikningsverktyg med vattenfallsmodell. Verktyget söker hos en dataleverantör, sedan hos en andra efter uppgifter som saknas och därefter hos en tredje. En AI-forskningsagent fyller i det som fortfarande saknas genom att läsa företagswebbplatser och nyheter. Instrumentpanelen visar en ifyllnadsgrad på 97 %. En säljare öppnar ett prioriterat målkonto och hittar två adresser till huvudkontoret, ett antal anställda som skiljer sig med 4 000 beroende på källa och en ekonomichef som lämnade företaget för åtta månader sedan.

Ingenting i den posten är tomt. Mycket av informationen är fel. Det är därför team fortfarande lägger ut databerikning på externa leverantörer, trots att automatiserade verktyg kan fylla i alla fält. Det har blivit billigt att fylla i fält. Men det krävs fortfarande omdöme för att avgöra vilket värde som stämmer när källorna säger emot varandra eller innehåller inaktuella uppgifter. Mänskligt verifierad berikning lönar sig genom att reda ut motstridiga uppgifter i de konton som driver intäkterna, inte genom hur många tomma fält den fyller i.

Hur blev databerikning en fråga om ifyllnadsgrad?

B2B-tjänster för databerikning kompletterar företags- och kontaktposter med saknade uppgifter: företagsdata såsom bransch, omsättning och antal anställda; kontaktuppgifter såsom befattning, e-postadress och telefonnummer; teknikdata såsom programvaran ett företag använder; och signaler såsom finansieringsrundor, rekryteringsaktivitet och förändringar i företagsledningen.

I flera år köpte team in data från en enda leverantör och accepterade luckorna i täckningen. Berikning med vattenfallsmodell förändrade det. I stället för att förlita sig på en enda källa söker ett vattenfallsverktyg hos flera leverantörer i tur och ordning och använder det första värde det hittar för varje fält. AI-forskningsagenter lägger till ytterligare ett lager genom att söka på webben och sammanfatta det de hittar i strukturerade fält.

De här verktygen skapar ett verkligt värde. De fyller i luckor snabbt och billigt och ger säljteam mer att arbeta med. Säljorganisationer tar snabbt till sig dem: Salesforce:s rapport om försäljningens tillstånd visade att 54 % av säljarna redan har använt AI-agenter, och säljarna räknar med att agenter ska minska tiden för prospektundersökningar med 34 %. En stor del av den tiden går åt till att undersöka samma företags- och kontaktuppgifter som berikningsverktygen tillhandahåller.

Problemet är att verktygen optimerar för täckning. Ifyllnadsgraden blir det främsta nyckeltalet, och ett fält med vilket värde som helst räknas som en framgång.

Varför leder fler källor till fler motstridiga uppgifter?

Olika leverantörer kan använda olika definitioner och uppdateringsintervall samt ha olika företagsregister, vilket leder till motstridiga uppgifter. Utan en process för att jämföra källor och kontrollera avvikelser kan mer data göra CRM-poster mindre tillförlitliga.

Olika definitioner

En leverantör räknar anställda på moderbolagsnivå, en annan på den lokala enhetens nivå och en tredje använder en uppskattning från en offentlig profil. Alla tre siffrorna kan vara rimliga, men bara en passar hur era säljdistrikt är indelade.

Olika uppdateringsintervall

Leverantörerna uppdaterar sina uppgifter med olika intervall. En befattning som en källa uppdaterade förra veckan kan fortfarande visas med det gamla värdet hos en annan. Ett vattenfallsverktyg som använder det första svar det hittar kan välja det inaktuella värdet.

Förväxling av företag

Dotterbolag, regionala filialer och företag med liknande namn blandas ihop. En AI-agent som söker på webben kan slå samman uppgifter från två olika företag till en och samma post.

Ingen prövning av motstridiga uppgifter

De flesta vattenfallsmodeller följer en fast ordning. De jämför inte värden mellan olika källor och flaggar inte motstridiga uppgifter. Konflikten döljs i ett ifyllt fält.

Resultatet blir ett CRM som ser komplett ut men är opålitligt i praktiken.

Täckning kontra korrekthet för de konton som betyder mest

Alla poster behöver inte hanteras lika noggrant. En marknadsföringslista med 200 000 kontakter för en bred kampanj som ska öka kännedomen kan tåla vissa fel. Det kan inte en lista med 300 målkonton i ett kontobaserat program.

För de prioriterade kontona har en felaktig uppgift en direkt kostnad. Ett säljteam som ringer en chef som har lämnat företaget får en dålig första kontakt. En områdesplan som bygger på fel antal anställda leder till att kontot tilldelas fel team. En prismodell som bygger på inaktuella omsättningsuppgifter ger fel affärsstorlek. Prognoser som bygger på de här posterna får med sig samma fel.

AI-agenter höjer insatsen ytterligare. När en agent på egen hand skriver utkast till kundkontakter, poängsätter leads eller fördelar konton agerar den utifrån det som står i CRM-systemet. En agent som arbetar med motstridiga berikningsuppgifter kommer att begå självsäkra misstag i stor skala.

När bör du lägga ut databerikningstjänster på externa leverantörer?

Automatiserad berikning fungerar bra för stora databaser där enstaka fel går att hantera, men konton med högt värde kräver större noggrannhet. Det blir värdefullt att lägga ut arbetet på externa leverantörer när företag behöver verifiera beslutsfattare, reda ut frågor kring koncernstrukturer, kontrollera föränderliga kontaktuppgifter eller stödja AI-drivna säljflöden. Här gör utlagd databerikning störst nytta:

1. Konton med högt värde: Kontobaserade marknadsföringsprogram, strategiska förnyelser och företagsaffärsmöjligheter där varje post motsvarar en betydande intäktspotential.
2. Komplexa företagsstrukturer: Företag med flera dotterbolag, regionala enheter eller nyligen genomförda fusioner, vilket gör det svårt för automatiserade verktyg att skilja moderbolag från dotterbolag.
3. Kontakter som byts ut ofta: Branscher med stor omsättning bland chefer eller inköpskommittéer som ändras regelbundet, vilket gör det svårare att hålla kontaktuppgifter och information om beslutsfattare aktuella.
4. Arbetsflöden som drivs av AI-agenter: Processer för säljstyrning, leadbedömning och kundbearbetning där AI-agenter agerar utifrån CRM-data utan mänsklig granskning i varje steg.
5. Reglerad kundbearbetning: Marknader där kontaktuppgifter måste ha dokumenterade källor och en rättslig grund för behandling och användning.

Under dessa förhållanden kostar ett felaktigt värde mer än det kostar att verifiera det. Att outsourca dataanrikning är också rimligt när interna team inte har tillräckligt med tid för research för att verifiera poster i den takt som säljflödet kräver. Säljutvecklingsrepresentanter kan kontrollera en handfull konton, men de kan inte hålla 500 prioriterade poster aktuella varje kvartal och samtidigt prospektera.

För allt som inte omfattas av dessa förhållanden är automatiserad dataanrikning med genomtänkta källregler ofta en bättre investering. Målet är att lägga verifieringsarbetet där verksamheten påverkas av fel.

Varför är mänskligt verifierade data viktiga i AI-agenternas tidevarv?

Det är här outsourcing av dataanrikning fortfarande är värd kostnaden. Ett kunnigt team tillför tre saker som automatiserade verktyg inte kan erbjuda.

AI-agenter förlitar sig allt oftare på CRM-data för att utforma kundkontakter, bedöma leads och styra konton, vilket gör felaktig information till en affärsrisk. Mänskligt verifierad dataanrikning bidrar till att säkerställa att viktiga poster är korrekta, aktuella och förenliga med verksamhetens regler innan automatiserade system agerar utifrån dem.

Lösa motstridiga uppgifter

När källor inte stämmer överens granskar en researcher primärkällor: företagets egen webbplats, offentliga handlingar, pressmeddelanden, yrkesprofiler och i vissa fall ett direkt telefonsamtal. Researchern dokumenterar vilket värde som är korrekt och varför samt anger källa och datum.

Kontrollera aktualiteten

För prioriterade kontakter kontrollerar researchers att personerna fortfarande har de angivna rollerna. Byte av jobb är en av de vanligaste orsakerna till att dataanrikning blir inaktuell, och en snabb verifiering förhindrar bortkastade kundkontakter.

Anpassning till verksamhetens regler

Researchers tillämpar kundens egna definitioner. Om era geografiska områden räknar anställda vid den regionala enheten registrerar de det antalet. Om er idealkundprofil utesluter vissa dotterbolag markerar de dem. Sådana regler finns sällan i logiken för en kaskadordning.

Den bästa metoden kombinerar båda tillvägagångssätten. Automatiserade verktyg fyller på ett stort antal återstående poster till låg kostnad. Ett mänskligt team verifierar och reder ut motstridiga uppgifter för de konton och fält som driver intäkterna. Varje löst konflikt kan också återföras till automatiseringen och påverka vilka källor som prioriteras för specifika fält eller regioner.

Utforma ett hybridarbetsflöde för dataanrikning

Ett hybridarbetsflöde använder automatisering för att berika stora databaser och mänskliga granskare för att undersöka viktiga avvikelser. Prioritering av konton, upptäckt av motstridiga uppgifter, verifieringsdokumentation och regelbundna källgranskningar hjälper till att styra det manuella arbetet dit det ger störst värde.

1. Dela in kontona i prioritetsnivåer. Dela upp databasen i prioritetsnivåer utifrån intäktspotential, var i säljprocessen kontona befinner sig eller om de ingår i ett kontobaserat program.
2. Prioritera fälten. Identifiera vilka fält som påverkar säljstyrning, bedömning, prissättning och kundbearbetning, till exempel antal anställda, intäkter, bransch och kontaktuppgifter till beslutsfattare.
3. Kör automatisk dataanrikning på alla poster och spara värden från varje källa, inte bara det första värdet som hittas.
4. Markera motstridiga uppgifter automatiskt när källorna skiljer sig mer än en fastställd toleransnivå eller när ett värde är äldre än en fastställd tidsgräns.
5. Skicka prioriterade poster som markerats för granskning till mänsklig verifiering och bifoga de motstridiga värdena och källorna.
6. Dokumentera det verifierade värdet, källan och datumet och för tillbaka uppgifterna till CRM-systemet med en tydlig status.
7. Granska källornas träffsäkerhet varje kvartal och justera kaskadordningen efter fält, region eller bransch utifrån vad verifieringen visade.

Den här utformningen riktar det mänskliga arbetet dit det ger bäst avkastning och ger automatiseringen en jämn ström av återkoppling. Efter några kvartal visar verifieringsdata också vilka leverantörer som är mest tillförlitliga för olika fält. En källa kan vara bra på uppgifter om antal anställda i Nordamerika men svag när det gäller kontakter i Europa, medan en annan kan vara bra på det senare men svag på det förra. Kaskadordningen kan då ändras efter fält och region, så att färre motstridiga uppgifter över huvud taget når granskarna.

Välja ett företag för dataanrikning

Många företag inom dataanrikning utlovar nu hög andel ifyllda fält och AI-driven research. Mer användbara frågor handlar om hur de hanterar motstridiga uppgifter och aktualitet:

• Hur avgör teamet vilket värde som är korrekt när två källor inte stämmer överens?
• Behålls alla källvärden eller bara det valda?
• Hur ofta verifieras prioriterade kontakter på nytt, och hur går det till?
• Kan leverantören tillämpa kundens egna definitioner av personalstyrka, bransch och hierarki?
• Vilken träffsäkerhet rapporterar leverantören för verifierade prioriterade poster, mätt separat från den totala fyllnadsgraden?
• Hur märks verifierade värden i CRM-systemet så att användarna kan skilja dem från automatiskt ifyllda värden?

Ett databerikningsföretag som bara svarar med fyllnadsgrader har inte tagit itu med problemet. Ett företag som visar sina regler för hur motstridiga uppgifter avgörs, källposter och verifierad träffsäkerhet för exempelkonton är redo för arbete som är avgörande för intäkterna.

Efterlevnad och dataspårbarhet

Databerikning omfattar personuppgifter, så efterlevnad måste byggas in från början. Dataskyddsförordningen (GDPR) kräver en rättslig grund för behandling av personuppgifter om personer i Europeiska unionen, samt öppenhet om källorna. California Consumer Privacy Act (CCPA) ger invånare i Kalifornien rätt att få veta vilka personuppgifter som samlas in, rätta dem och begära att de raderas. Regler för marknadsföring, som CAN-SPAM Act i USA, ställer ytterligare krav på kommersiell e-post.

Spårbarhet underlättar allt detta. När varje värde åtföljs av sin källa och verifieringsdatum kan ett team besvara en begäran från en registrerad, tillmötesgå en rättelsebegäran och visa varifrån informationen kommer. Vattenfallsmodeller som bara behåller det vinnande värdet gör att den spårbarheten går förlorad. Fråga varje leverantör hur den registrerar källor, hanterar avregistreringar och spärrlistor samt raderar uppgifter på begäran. Kontrollera att säkerhetscertifieringar som SOC 2 Type II eller ISO/IEC 27001 är aktuella innan ni delar CRM-exporter.

Mät det som är viktigt

Ersätt fyllnadsgrad som det främsta framgångsmåttet med mått som speglar korrekthet:

• Verifierad träffsäkerhet för prioriterade konton, kontrollerad genom stickprov.
• Andel motstridiga uppgifter per fält och källa, som visar var leverantörerna oftast är oense.
• Kontaktuppgifternas aktualitet, det vill säga andelen prioriterade kontakter som har verifierats under de senaste 90 dagarna.
• Andel studsade meddelanden och andel meddelanden till fel person vid kontaktförsök med berikade kontakter.
• Säljarnas förtroende, mätt genom enkel återkoppling om posternas kvalitet.

De här måtten visar om databerikningen hjälper säljteamet eller bara fyller databasen. Gå igenom dem med försäljningscheferna varje kvartal.

Team lägger i dag ut databerikning på externa leverantörer för att få korrekta värden för de konton som betyder mest. Vattenfallsverktyg och AI-agenter fyller i fält billigt, men staplar också inaktuella och motstridiga värden utan någon regel för vilket som ska gälla. Mänskligt verifierad databerikning lönar sig där korrekthet driver intäkter: när motstridigheter reds ut, aktualiteten bekräftas och affärsregler tillämpas på prioriterade konton. Betrodda B2B-tjänster för databerikning kombinerar automatiserad berikning med verifierad lösning av motstridigheter för värdefulla poster. I takt med att allt fler AI-agenter agerar utifrån CRM-data utan att någon människa är inblandad finns det en fråga som behöver besvaras: Vilka av de ifyllda fälten skulle du lita på att en agent agerar utifrån i dag?