Verbeter nu de datakwaliteit van CRM om AI te kunnen gebruiken

Om ​​AI in CRM te kunnen gebruiken, is de database cruciaal. We laten u zien hoe u de datakwaliteit in uw CRM-systeem duurzaam kunt verbeteren.

Data is de basis van alles. Iedereen die in de toekomst wil meespelen, moet de mogelijkheid hebben om gegevens te evalueren. De voedingsbodem voor toepassingen van kunstmatige intelligentie is data. En hier doet zich een groot probleem voor.

In het verleden hebben bedrijven maar al te vaak nagelaten om hun gegevens te bewaren. Aangezien een AI de data van CRM nodig heeft om nieuwe kennis op te doen, moeten deze data foutloos en volledig zijn. Anders levert het verkeerde resultaten op.

In dit artikel willen we kijken naar datakwaliteit in CRM-systemen en verduidelijken waarom dit zo belangrijk is voor het gebruik van een AI. We willen je ook laten zien wat je kunt doen om de datakwaliteit duurzaam te verbeteren. Maar eerst willen we kijken naar de algemene werking van kunstmatige intelligentie-applicaties.

Inhoud 
Wat is artificial intelligence? - Een definitie
Waarom is datakwaliteit zo belangrijk?
Hoe zorg je voor datakwaliteit?
Conclusie: datakwaliteit bepaalt de kwaliteit van resultaten

Wat is artificial intelligence? - een definitie

Artificial intelligence is een deelgebied van de informatica, dat zich voornamelijk bezighoudt met methoden voor machine learning en het vervullen van taken die intelligentie vereisen met behulp van een machine of een computer.

Echter, een duidelijke definitie van de term faalt vaak vanwege het concept van intelligentie zelf: het gaat er minder om een ​​machine creatief te laten denken en meer om het automatiseren van menselijke besluitvormingsstructuren met behulp van de machine.

Wat een AI is en wat niet

Een AI moet de best mogelijke beslissingen nemen op basis van gegevens en de evaluaties ervan. Daarom moet dit eerder worden beschouwd als evaluatiemiddel dan als een denkmachine. Er wordt een fundamenteel onderscheid gemaakt tussen sterke en zwakke kunstmatige intelligentie.

Sterke AI's moeten op dezelfde manier kunnen handelen als menselijke intelligentie en hen ondersteunen bij het nemen van moeilijke beslissingen. Zwakke AI's zouden daarentegen specifieke toepassingsproblemen moeten oplossen en mensen op individuele gebieden moeten ondersteunen. Sterke AI is op dit moment vaak nog een utopie, terwijl er de afgelopen jaren veel vooruitgang is geboekt op het gebied van zwakke AI.

AI's zouden moeten leren

Dus als we het over AI hebben, bedoelen we zwakke AI. Precies die applicaties die specifieke applicatieproblemen kunnen oplossen of u kunnen ondersteunen bij het nemen van beslissingen. 
Een basiskenmerk van een AI, zwak of sterk, is het vermogen om te leren. Kennis wordt verkregen uit data, daarom is een kijkje in de database zeker de moeite waard.

Waarom is datakwaliteit zo belangrijk?

Een AI is slechts zo goed als de database waarvan het kan leren. Hierbij spelen twee belangrijke factoren een rol. De kwaliteit van de gegevens en de kwantiteit ervan. In CRM-systemen is de hoeveelheid gegevens uiteindelijk het resultaat van het aantal leads, accounts, contactgegevens en kansen die in het systeem zijn ingevoerd.

Datahoeveelheid helpt AI resultaten te behalen

Om de hoeveelheid duurzaam te vergroten, is het belangrijk om alle relevante data in het CRM-systeem vast te leggen. Bovendien moeten alle gegevens die erin zijn opgenomen via marketinginteracties, zoals sociale media, worden vastgelegd. De datahoeveelheid helpt de AI om belangrijke conclusies te trekken. Op basis van de relevante cases wordt kennis overgedragen naar de algemene cases.

Datakwaliteit cruciaal voor juiste kennis

Uiteindelijk bepaalt datakwaliteit de waarde van de resultaten van een AI. Het zorgt ervoor dat de AI echt het juiste leert. Hoe complex en geavanceerd het algoritme ook is, als de gegevenskwaliteit niet correct is, kan het geen zinvolle resultaten opleveren. Want wat een AI niet kan doen, is kijken of de gegevensbasis waarmee hij leert zinvol is of niet.

Wat gebeurt er als de datakwaliteit slecht is

Om het geheel in de praktijk nader te bekijken, is het de moeite waard om eens te kijken naar twee AI's die in het verleden precies dit probleem hebben ervaren. De gegevens waarop ze waren gebaseerd, brachten de respectieve AI tot twijfelachtige resultaten. 

Bot van Microsoft wordt racistisch

In maart 2016 lanceerde Microsoft een account op Twitter genaamd TayTweets. Deze zou zelf tweets moeten sturen. Terwijl de eerste tweets nog steeds vrij onschuldig waren en beroemdheden, dieren of horoscopen als onderwerp hadden, veranderde het tweetgedrag van de AI na een zeer korte tijd.

Tay was opeens negatief over onderwerpen als Gamergate, racisme en extremisme. Microsoft probeerde nog steeds de AI aan te passen, maar moest na minder dan 16 uur de AI offline halen. Tot die tijd verheerlijkte de AI Hitler, wenste ze dat feministen zouden sterven en maakte Bush verantwoordelijk voor 9/11.

Microsoft legt de schuld bij de twijfelachtige en soms onmenselijke tweets van mensen, die de AI opzettelijk zou hebben aangevallen met gerichte vragen en aanwijzingen. Dit was mogelijk omdat de reacties van de AI gebaseerd waren op eerdere interacties met gebruikers en daardoor beïnvloedbaar waren.

Amazons AI discrimineert vrouwelijke aanvragers

Amazon heeft op ook deze manier negatieve ervaringen. Het doel was om de werving fundamenteel te veranderen door een AI vooraf alle door het bedrijf ontvangen applicaties te laten selecteren. De AI kreeg trainingsgegevens. Deze bestonden uit aanvragen die Amazon de afgelopen tien jaar heeft ontvangen.

Het probleem, de meeste van deze toepassingen kwamen van mannen. De AI herkende hierin een patroon en kwam tot de conclusie dat mannen in feite de voorkeuraanvragers zijn. Amazon probeerde het probleem ook onder de knie te krijgen door negatieve termen als "damesschaakclub" of "vrouwenuniversiteit" te vermijden. Uiteindelijk hielp dit niet veel, want in 2017 heeft Amazon het projectteam volledig ontbonden. Discriminatie is nooit aangetoond maar het project gaf geen goede indruk van Amazon.

Hoe zorg je voor datakwaliteit

Deze twee voorbeelden illustreren heel goed de waarde van de gegevens voor de AI. Hoe eervol de intentie met een AI ook mag zijn, als de database niet correct is, worden er resultaten geproduceerd die onverenigbaar zijn met sociale stelregels. 

De aard van de data speelt een belangrijke rol ongeacht de hoeveelheid. Er zijn in feite vier hoofddimensies die bepalend zijn voor de kwaliteit van de gegevens. Dienovereenkomstig moeten gegevens uniek, volledig, onberispelijk en consistent zijn.

Hieronder willen we deze dimensies bekijken en u laten zien hoe u uw datakwaliteit met betrekking tot deze kenmerken kunt verbeteren.

Dubbel vervormingsresultaat

Duplicaten zijn gegevensrecords in een database die meer dan eens bestaan. Door een andere beschrijving kan deze redundantie echter niet automatisch worden bepaald door een passende controle. Deze duplicaten komen vooral veel voor in CRM-systemen omdat klantgegevens meerdere keren worden ingevoerd of interacties niet correct worden toegewezen. Het probleem is vaak een menselijke fout en niet zozeer het gevolg van het systeem zelf.

Als er veel van dergelijke duplicaten in de database zijn, kan het daadwerkelijke resultaat enorm worden vervormd. Dit kan met name voor opportunity management ernstige gevolgen hebben. De AI classificeert bijvoorbeeld kansen met een hoog potentieel als "laag" en omgekeerd.

Tip: Stel verstrekkende regels vast voor duplicaten en behandel de analyse uitgebreid. Centraal hierbij staat de vraag waar de grens tussen uniek en duplicaat precies ligt. Op deze manier kunt u er uiteindelijk voor zorgen dat de AI de voordelen oplevert die u ervan verwacht.

De volledigheid van de gegevens is doorslaggevend

Onvolledige gegevens leiden tot onvolledige resultaten. De volledigheid van de gegevens is cruciaal voor de algehele gegevenskwaliteit. Als veel belangrijke informatie ontbreekt, moet de AI de waarden voor deze indicatoren schatten en zijn de resultaten uiteindelijk onnauwkeurig.

Uiteindelijk kan de AI alleen ruwe trends produceren in plaats van nauwkeurige en zo scherp mogelijke resultaten te produceren. En dat is precies waarvoor AI wordt gebruikt.

Tip: Train uw medewerkers en maak ze vertrouwd met het probleem. Probeer indien mogelijk alle relevante gegevens in het CRM-systeem op te nemen. Zo kunnen verplichte velden worden gemarkeerd om u te helpen de belangrijkste indicatoren vast te leggen. 

Validatieregels helpen bijvoorbeeld ook bij het maken van een nieuw profiel. Selectievelden met helpteksten helpen bij het invullen en faciliteren van data-onderhoud enorm.

Foutloze gegevens zorgen voor foutloze resultaten

De datakwaliteit hangt natuurlijk af van de geldigheid van de data. Als de gegevens onjuist zijn, kan een AI niet anders dan verkeerde resultaten opleveren. Een AI herkent patronen in de gegevens, maar kan niet beslissen of de gegevens correct of onjuist zijn.

Als dat laatste het geval is, herkent de AI patronen die in werkelijkheid niet bestaan. Dit kan erg gevaarlijk zijn als beslissingen worden genomen op basis van deze verkeerde patronen.

Tip: Enerzijds kunnen processen voor gegevensinvoer beter worden ondersteund via verschillende automatiseringssystemen. Wijzigingen in gegevensrecords kunnen bijvoorbeeld ook rechtstreeks in gekoppelde gegevensrecords worden aangebracht. Dit helpt de gebruikers enorm met data-onderhoud. Aan de andere kant kunnen validatieregels onwaarschijnlijke gegevensinvoer helpen voorkomen.

Dataconsistentie is cruciaal

De uniformiteit van de data is een ander criterium voor de datakwaliteit van databases. Wat wordt bedoeld, is dat een indicator dezelfde oorsprongseenheden heeft als alle andere. Bij valuta's zijn er bijvoorbeeld vaak inconsistenties.

Verschillende valuta leiden tot verschillende waarden. Dit kan natuurlijk tot enorme vervorming leiden als er in het ene record over USD wordt gesproken en in het andere naar EUR. Hetzelfde geldt bijvoorbeeld voor adres- of geboortedata etc.

Tip: inconsistenties treden voornamelijk op als gevolg van vrije-tekstvelden. Door te werken met opgemaakte formulieren kunt u er direct voor zorgen dat de gegevens in het gewenste formaat worden ingevoerd. Een klassiek voorbeeld op dit punt is het invoeren van geboortedata of evenementdata in DD / MM / JJJJ-formaat.

Conclusie: datakwaliteit bepaalt de kwaliteit van resultaten

Als je echt een AI in je CRM-systeem wilt gebruiken, heb je te maken met de kwaliteit van je data. Ze vormen de basis van waaruit een AI leert en patronen probeert te bepalen. Als de gegevens onjuist zijn, zijn de herkende patronen dat ook.

Dan kan het nemen van beslissingen op basis van deze verkeerde patronen gevaarlijk zijn. Zo kunnen klanten ondergewaardeerd worden. Als je daarop reageert en minder moeite doet voor dergelijke klanten, kunnen ze mogelijk verloren gaan.

In zo'n geval doet een AI meer schade dan dat het uiteindelijk het bedrijf helpt. Daarom moeten bedrijven eerst  hun database op orde hebben voordat ze met een AI beginnen.