Vì sao thuê ngoài dịch vụ làm giàu dữ liệu khi công cụ AI có thể điền mọi trường thông tin?

Một nhóm vận hành doanh thu đưa danh sách tài khoản của mình qua công cụ làm giàu dữ liệu theo chuỗi. Công cụ lần lượt truy vấn một nhà cung cấp dữ liệu, rồi đến nhà cung cấp thứ hai để bổ sung những thông tin còn thiếu, sau đó là nhà cung cấp thứ ba. Một tác nhân nghiên cứu AI điền những trường vẫn còn trống bằng cách đọc website của các công ty và tin tức. Trang tổng quan hiển thị tỷ lệ điền đầy là 97%. Một nhân viên bán hàng mở hồ sơ của một tài khoản mục tiêu hàng đầu và thấy có hai địa chỉ trụ sở chính, số lượng nhân viên chênh lệch 4.000 tùy theo nguồn, cùng thông tin về một giám đốc tài chính đã rời công ty tám tháng trước.

Không có thông tin nào trong hồ sơ đó bị bỏ trống. Nhưng phần lớn thông tin lại sai. Khoảng cách này lý giải vì sao các nhóm vẫn thuê ngoài dịch vụ làm giàu dữ liệu, ngay cả khi công cụ tự động có thể điền mọi trường thông tin. Việc điền dữ liệu đã trở nên ít tốn kém. Nhưng để xác định giá trị nào là chính xác khi các nguồn bất đồng hoặc thông tin đã lỗi thời, vẫn cần đến sự đánh giá của con người. Giá trị của dịch vụ làm giàu dữ liệu có người xác minh nằm ở khả năng xử lý những thông tin mâu thuẫn trong các tài khoản tạo ra doanh thu, chứ không phải ở số lượng ô trống được điền.

Vì sao dịch vụ làm giàu dữ liệu lại trở thành cuộc đua về tỷ lệ điền đầy?

Dịch vụ làm giàu dữ liệu B2B bổ sung thông tin còn thiếu vào hồ sơ công ty và liên hệ: các đặc điểm doanh nghiệp như ngành nghề, doanh thu và số lượng nhân viên; thông tin liên hệ như chức danh, email và số điện thoại; thông tin công nghệ như phần mềm công ty sử dụng; cùng các tín hiệu như vòng gọi vốn, hoạt động tuyển dụng và thay đổi lãnh đạo.

Trong nhiều năm, các nhóm mua dữ liệu từ một nhà cung cấp và chấp nhận những khoảng trống trong phạm vi dữ liệu. Dịch vụ làm giàu dữ liệu theo chuỗi đã thay đổi điều đó. Thay vì phụ thuộc vào một nguồn duy nhất, công cụ này lần lượt truy vấn nhiều nhà cung cấp và lấy giá trị đầu tiên tìm được cho mỗi trường thông tin. Các tác nhân nghiên cứu AI bổ sung thêm một lớp nữa bằng cách tìm kiếm trên web và tóm tắt thông tin tìm được thành các trường dữ liệu có cấu trúc.

Những công cụ này mang lại giá trị thiết thực. Chúng nhanh chóng bổ sung thông tin còn thiếu với chi phí thấp, đồng thời cung cấp thêm dữ liệu để các nhóm bán hàng khai thác. Các tổ chức bán hàng đang nhanh chóng áp dụng chúng: báo cáo State of Sales của Salesforce cho biết 54% nhân viên bán hàng đã sử dụng tác nhân AI, và họ kỳ vọng các tác nhân này sẽ giúp giảm 34% thời gian nghiên cứu khách hàng tiềm năng. Phần lớn thời gian nghiên cứu đó dành cho chính những thông tin về tài khoản và liên hệ mà các công cụ làm giàu dữ liệu cung cấp.

Vấn đề là các công cụ này tối ưu hóa độ bao phủ dữ liệu. Tỷ lệ điền đầy trở thành chỉ số nổi bật, và chỉ cần một trường có bất kỳ giá trị nào là đã được tính là thành công.

Vì sao càng có nhiều nguồn dữ liệu thì càng phát sinh nhiều mâu thuẫn?

Các nhà cung cấp khác nhau có thể sử dụng định nghĩa, lịch cập nhật và hồ sơ công ty khác nhau, dẫn đến thông tin mâu thuẫn. Nếu không có quy trình đối chiếu nguồn và xác minh những điểm bất nhất, việc bổ sung thêm dữ liệu có thể làm giảm độ tin cậy của hồ sơ CRM.

Định nghĩa khác nhau

Một nhà cung cấp tính số nhân viên ở cấp công ty mẹ, nhà cung cấp khác tính ở cấp pháp nhân địa phương, còn nhà cung cấp thứ ba sử dụng ước tính từ hồ sơ công khai. Cả ba con số đều có thể có cơ sở, nhưng chỉ một con số phù hợp với cách phân chia lãnh thổ bán hàng của bạn.

Chu kỳ cập nhật khác nhau

Các nhà cung cấp cập nhật dữ liệu theo lịch trình khác nhau. Một nguồn có thể đã cập nhật chức danh vào tuần trước, trong khi nguồn khác vẫn hiển thị thông tin cũ. Công cụ làm giàu dữ liệu theo chuỗi lấy câu trả lời đầu tiên tìm được có thể chọn phải thông tin lỗi thời.

Nhầm lẫn về pháp nhân

Các công ty con, chi nhánh khu vực và những công ty có tên tương tự thường bị nhầm lẫn với nhau. Một tác nhân AI đọc thông tin trên web có thể gộp dữ liệu của hai công ty khác nhau vào cùng một hồ sơ.

Không có quy trình phân xử

Phần lớn logic làm giàu dữ liệu theo chuỗi tuân theo một thứ tự cố định. Công cụ không đối chiếu giá trị giữa các nguồn hay đánh dấu những điểm bất đồng. Mâu thuẫn bị che khuất trong một trường đã được điền.

Kết quả là một hệ thống CRM trông có vẻ đầy đủ nhưng lại hoạt động thiếu tin cậy.

Độ bao phủ và độ chính xác đối với những tài khoản quan trọng

Không phải hồ sơ nào cũng cần được xử lý cẩn thận như nhau. Một danh sách tiếp thị gồm 200.000 liên hệ phục vụ chiến dịch nâng cao nhận biết trên diện rộng có thể chấp nhận một số sai sót. Nhưng danh sách gồm 300 tài khoản mục tiêu trong một chương trình tiếp thị theo tài khoản thì không thể.

Đối với những tài khoản ưu tiên đó, một thông tin sai sẽ gây tổn thất trực tiếp. Nhóm bán hàng gọi cho một lãnh đạo đã rời công ty sẽ đánh mất cơ hội tạo ấn tượng ban đầu. Kế hoạch phân chia lãnh thổ dựa trên số lượng nhân viên sai sẽ giao tài khoản cho nhầm nhóm. Mô hình định giá dựa trên doanh thu lỗi thời sẽ xác định sai quy mô thương vụ. Các dự báo lập từ những hồ sơ này cũng sẽ mắc phải những sai sót tương tự.

Các tác nhân AI còn làm tăng mức độ rủi ro. Khi một tác nhân tự soạn nội dung tiếp cận khách hàng, chấm điểm khách hàng tiềm năng hoặc phân tuyến tài khoản, nó sẽ hành động dựa trên bất cứ thông tin nào CRM hiển thị. Tác nhân sử dụng dữ liệu làm giàu mâu thuẫn sẽ tự tin đưa ra những quyết định sai ở quy mô lớn.

Khi nào nên thuê ngoài dịch vụ làm giàu dữ liệu?

Dịch vụ làm giàu dữ liệu tự động phù hợp với các cơ sở dữ liệu lớn, nơi có thể kiểm soát những sai sót không thường xuyên, nhưng các tài khoản có giá trị cao đòi hỏi độ chính xác cao hơn. Thuê ngoài trở nên hữu ích khi doanh nghiệp cần xác minh người ra quyết định, xử lý vấn đề về cơ cấu tập đoàn, xác thực thông tin liên hệ thường xuyên thay đổi hoặc hỗ trợ quy trình bán hàng ứng dụng AI. Sau đây là những trường hợp dịch vụ thuê ngoài làm giàu dữ liệu mang lại giá trị lớn nhất:

1. Tài khoản có giá trị cao: Các chương trình tiếp thị theo tài khoản, hoạt động gia hạn hợp đồng chiến lược và danh mục khách hàng doanh nghiệp tiềm năng, trong đó mỗi hồ sơ đều đại diện cho tiềm năng doanh thu đáng kể.
2. Cơ cấu doanh nghiệp phức tạp: Các công ty có nhiều công ty con, đơn vị khu vực hoặc thương vụ sáp nhập gần đây, khiến các công cụ tự động khó phân biệt công ty mẹ với các công ty con.
3. Thông tin liên hệ thường xuyên thay đổi: Các ngành có tỷ lệ luân chuyển lãnh đạo cao hoặc các nhóm ra quyết định mua hàng thường xuyên thay đổi, khiến việc cập nhật thông tin liên hệ và người ra quyết định trở nên khó khăn hơn.
4. Quy trình làm việc do tác nhân AI điều khiển: Các quy trình phân tuyến bán hàng, chấm điểm khách hàng tiềm năng và tiếp cận khách hàng, trong đó tác nhân AI sử dụng dữ liệu CRM mà không cần con người rà soát ở mọi bước.
5. Hoạt động tiếp cận trong các ngành chịu sự quản lý: Các thị trường yêu cầu dữ liệu liên hệ phải có nguồn được ghi nhận và có cơ sở pháp lý cho việc xử lý, sử dụng dữ liệu.

Trong những điều kiện này, chi phí của một giá trị sai còn cao hơn chi phí xác minh giá trị đó. Thuê ngoài dịch vụ làm giàu dữ liệu cũng là lựa chọn hợp lý khi các nhóm nội bộ không có đủ thời gian nghiên cứu để xác minh hồ sơ với tốc độ mà quy trình bán hàng đòi hỏi. Nhân viên phát triển bán hàng có thể kiểm tra một vài tài khoản, nhưng họ không thể vừa tìm kiếm khách hàng mới vừa cập nhật 500 hồ sơ ưu tiên mỗi quý.

Với mọi trường hợp nằm ngoài những điều kiện này, làm giàu dữ liệu tự động bằng các quy tắc nguồn hợp lý thường là khoản đầu tư tốt hơn. Mục tiêu là tập trung công sức xác minh vào những nơi sai sót gây ảnh hưởng đến doanh nghiệp.

Vì sao dữ liệu được con người xác minh lại quan trọng trong thời đại tác nhân AI?

Đây là lúc dịch vụ thuê ngoài làm giàu dữ liệu chứng minh được giá trị tương xứng với chi phí. Một đội ngũ giàu kinh nghiệm bổ sung được ba yếu tố mà các công cụ tự động không có.

Tác nhân AI ngày càng dựa vào dữ liệu CRM để soạn nội dung tiếp cận, chấm điểm khách hàng tiềm năng và phân tuyến tài khoản, khiến thông tin không chính xác trở thành rủi ro cho doanh nghiệp. Dịch vụ làm giàu dữ liệu được con người xác minh giúp bảo đảm các hồ sơ quan trọng chính xác, cập nhật và phù hợp với quy tắc kinh doanh trước khi hệ thống tự động sử dụng chúng.

Giải quyết xung đột dữ liệu

Khi các nguồn thông tin không thống nhất, chuyên viên nghiên cứu sẽ kiểm tra bằng chứng sơ cấp: trang web của chính công ty, hồ sơ công khai, thông cáo báo chí, hồ sơ nghề nghiệp và trong một số trường hợp là gọi điện trực tiếp. Chuyên viên ghi lại giá trị nào là chính xác, lý do vì sao, đồng thời lưu ý nguồn và ngày tháng.

Kiểm tra tính cập nhật

Với các liên hệ ưu tiên, chuyên viên xác nhận rằng những người này vẫn giữ các chức vụ được ghi trong hồ sơ. Thay đổi công việc là một trong những nguyên nhân phổ biến nhất khiến dữ liệu làm giàu trở nên lỗi thời; một bước xác minh nhanh có thể ngăn việc tiếp cận khách hàng vô ích.

Đảm bảo phù hợp với quy tắc kinh doanh

Chuyên viên áp dụng các định nghĩa riêng của khách hàng. Nếu doanh nghiệp tính số nhân viên tại đơn vị khu vực khi xác định địa bàn bán hàng, họ sẽ ghi lại con số đó. Nếu hồ sơ khách hàng lý tưởng của doanh nghiệp loại trừ một số công ty con, họ sẽ đánh dấu các công ty này. Những quy tắc như vậy hiếm khi được đưa vào logic của quy trình waterfall.

Cách tiếp cận hiệu quả nhất là kết hợp cả hai phương pháp. Các công cụ tự động xử lý nhóm bản ghi đuôi dài với chi phí thấp. Đội ngũ con người xác minh và giải quyết xung đột dữ liệu trên những tài khoản và trường thông tin tạo ra doanh thu. Mỗi xung đột được giải quyết cũng có thể cung cấp phản hồi cho hệ thống tự động, giúp điều chỉnh mức độ ưu tiên của nguồn dữ liệu theo từng trường thông tin hoặc khu vực.

Thiết kế quy trình làm giàu dữ liệu kết hợp

Quy trình kết hợp sử dụng tự động hóa để làm giàu các cơ sở dữ liệu lớn và người đánh giá để điều tra những điểm khác biệt quan trọng. Việc ưu tiên tài khoản, phát hiện xung đột, lưu hồ sơ xác minh và thường xuyên rà soát nguồn dữ liệu giúp tập trung công sức thủ công vào những nơi mang lại giá trị cao nhất.

1. Phân cấp tài khoản. Chia cơ sở dữ liệu thành các nhóm ưu tiên dựa trên tiềm năng doanh thu, giai đoạn trong quy trình bán hàng hoặc việc tài khoản có thuộc chương trình tiếp thị theo tài khoản hay không.
2. Phân cấp trường thông tin. Xác định những trường thông tin ảnh hưởng đến việc phân tuyến, chấm điểm, định giá và tiếp cận khách hàng, chẳng hạn như số lượng nhân viên, doanh thu, ngành nghề và thông tin liên hệ của người ra quyết định.
3. Chạy quy trình làm giàu dữ liệu tự động trên tất cả hồ sơ và lưu giữ giá trị từ mọi nguồn, không chỉ giá trị đầu tiên tìm được.
4. Tự động đánh dấu các xung đột khi các nguồn khác nhau vượt quá ngưỡng sai lệch đã đặt hoặc khi giá trị đã cũ hơn khoảng thời gian quy định.
5. Chuyển các hồ sơ ưu tiên đã được đánh dấu để con người xác minh, kèm theo các giá trị và nguồn dữ liệu đang xung đột.
6. Ghi lại giá trị đã xác minh, nguồn và ngày tháng, rồi cập nhật vào CRM với trạng thái rõ ràng.
7. Rà soát độ chính xác của nguồn dữ liệu hàng quý và điều chỉnh thứ tự waterfall theo trường thông tin, khu vực hoặc ngành nghề dựa trên kết quả xác minh.

Thiết kế này tập trung công sức của con người vào những khâu mang lại hiệu quả, đồng thời cung cấp cho hệ thống tự động nguồn phản hồi ổn định. Sau vài quý, dữ liệu xác minh cũng cho thấy nhà cung cấp nào đáng tin cậy nhất đối với từng trường thông tin. Một nguồn có thể cung cấp dữ liệu tốt về số lượng nhân viên ở Bắc Mỹ nhưng kém chính xác về thông tin liên hệ tại châu Âu, trong khi nguồn khác có thể ngược lại. Khi đó, thứ tự waterfall có thể được điều chỉnh theo từng trường thông tin và khu vực, nhờ vậy ít xung đột hơn cần chuyển đến người đánh giá.

Lựa chọn công ty cung cấp dịch vụ làm giàu dữ liệu

Nhiều công ty cung cấp dịch vụ làm giàu dữ liệu hiện nay cam kết tỷ lệ điền đầy cao và nghiên cứu bằng AI. Những câu hỏi hữu ích hơn sẽ kiểm tra cách họ xử lý xung đột và tính cập nhật của dữ liệu:

• Khi hai nguồn không thống nhất, đội ngũ quyết định giá trị nào là chính xác bằng cách nào?
• Có lưu giữ tất cả giá trị nguồn hay chỉ giá trị được chọn?
• Các liên hệ ưu tiên được xác minh lại bao lâu một lần và bằng cách nào?
• Nhà cung cấp có thể áp dụng các định nghĩa riêng của khách hàng về số lượng nhân viên, ngành nghề và cơ cấu phân cấp không?
• Nhà cung cấp báo cáo độ chính xác nào đối với các hồ sơ ưu tiên đã xác minh, được đo riêng với tỷ lệ điền dữ liệu tổng thể?
• Các giá trị đã xác minh được gắn nhãn như thế nào trong CRM để người dùng phân biệt chúng với các giá trị được tự động điền?

Một công ty cung cấp dịch vụ làm giàu dữ liệu chỉ trả lời bằng tỷ lệ điền dữ liệu thì chưa giải quyết được vấn đề. Công ty cho thấy các quy tắc phân xử, hồ sơ nguồn và độ chính xác đã xác minh trên các tài khoản mẫu thì đã sẵn sàng xử lý công việc có tính quyết định đối với doanh thu.

Tuân thủ và nguồn gốc dữ liệu

Quá trình làm giàu dữ liệu liên quan đến dữ liệu cá nhân, vì vậy cần tính đến việc tuân thủ ngay từ khâu thiết kế. Quy định chung về bảo vệ dữ liệu (GDPR) yêu cầu phải có cơ sở pháp lý để xử lý dữ liệu cá nhân của người dân trong Liên minh châu Âu, đồng thời phải minh bạch về các nguồn dữ liệu. Đạo luật Quyền riêng tư của Người tiêu dùng California (CCPA) trao cho cư dân California quyền được biết, chỉnh sửa và xóa thông tin cá nhân. Các quy định về hoạt động tiếp cận khách hàng, chẳng hạn như Đạo luật CAN-SPAM tại Hoa Kỳ, đặt ra thêm các yêu cầu đối với email thương mại.

Nguồn gốc dữ liệu giúp đáp ứng tất cả những yêu cầu này. Khi mỗi giá trị đi kèm nguồn dữ liệu và ngày xác minh, nhóm có thể trả lời yêu cầu của chủ thể dữ liệu, thực hiện việc chỉnh sửa và cho biết thông tin bắt nguồn từ đâu. Các quy trình làm giàu tuần tự chỉ giữ lại giá trị được chọn sẽ làm mất dấu vết đó. Hãy hỏi nhà cung cấp cách họ ghi nhận nguồn dữ liệu, xử lý yêu cầu từ chối nhận thông tin và danh sách chặn, cũng như xóa dữ liệu theo yêu cầu. Trước khi chia sẻ dữ liệu xuất từ CRM, hãy xác nhận các chứng nhận bảo mật còn hiệu lực, chẳng hạn như SOC 2 Type II hoặc ISO/IEC 27001.

Đo lường những gì thực sự quan trọng

Thay tỷ lệ điền dữ liệu bằng các thước đo phản ánh độ chính xác làm chỉ số thành công chính:

• Độ chính xác đã xác minh trên các tài khoản ưu tiên, được kiểm tra bằng cách kiểm toán ngẫu nhiên.
• Tỷ lệ xung đột theo trường dữ liệu và nguồn, cho thấy các nhà cung cấp bất đồng nhiều nhất ở đâu.
• Độ cập nhật của thông tin liên hệ, tức tỷ lệ liên hệ ưu tiên được xác minh trong vòng 90 ngày qua.
• Tỷ lệ email bị trả lại và tỷ lệ liên hệ nhầm người trong hoạt động tiếp cận các liên hệ có dữ liệu được làm giàu.
• Mức độ tin cậy của nhân viên kinh doanh, được đo bằng phản hồi đơn giản về chất lượng hồ sơ.

Các chỉ số này cho thấy hoạt động làm giàu dữ liệu có hỗ trợ đội ngũ bán hàng hay chỉ làm đầy cơ sở dữ liệu. Hãy cùng các lãnh đạo bộ phận bán hàng xem xét chúng mỗi quý.

Ngày nay, các nhóm thuê ngoài dịch vụ làm giàu dữ liệu để có được những giá trị chính xác cho các tài khoản quan trọng nhất. Các công cụ làm giàu tuần tự và tác nhân AI điền dữ liệu vào các trường với chi phí thấp, nhưng cũng chất chồng những giá trị lỗi thời và mâu thuẫn mà không có quy tắc xác định giá trị nào được chọn. Làm giàu dữ liệu có con người xác minh mang lại hiệu quả ở những nơi độ chính xác thúc đẩy doanh thu: xử lý xung đột, xác nhận thông tin còn cập nhật và áp dụng quy tắc kinh doanh cho các tài khoản ưu tiên. Các dịch vụ làm giàu dữ liệu B2B đáng tin cậy kết hợp làm giàu tự động với giải quyết xung đột đã được xác minh cho các hồ sơ có giá trị cao. Khi ngày càng nhiều tác nhân AI hành động dựa trên dữ liệu CRM mà không có người ở giữa, có một câu hỏi cần được trả lời: hiện nay, bạn có tin tưởng giao cho tác nhân hành động dựa trên trường dữ liệu nào đã được điền?