Probeer niet het hele CRM op te schonen. Kies de eerste workflow die AI moet ondersteunen, maak een lijst van de velden die hij leest, en schoon die op. AI kan dubbelingen, verouderde deals, ontbrekende velden en inconsistente bedrijfsnamen vinden en correcties voorstellen. De eigenaar van het record of een sales-ops-lead keurt elke batch wijzigingen goed, en nieuwe regels voorkomen dat de rommel terugkomt.
#Belangrijkste punten
- Een volledige CRM-opschoning raakt zelden af; een opschoning die beperkt is tot de velden van één workflow meestal wel.
- AI is nuttig om problemen op schaal te vinden: dubbelingen, tegenstrijdige waarden, verouderde records en vrije-tekstvelden die keuzelijsten zouden moeten zijn.
- Correcties worden in batches voorgesteld en goedgekeurd door de eigenaar van het record of sales ops, nooit ongemerkt doorgevoerd.
- De opschoning houdt alleen stand als je ook verandert hoe data binnenkomt: verplichte velden, keuzelijsten en door AI opgestelde updates na gesprekken.
- Meet het aandeel records binnen de scope dat door je controles komt, vooraf en achteraf.
#Waarom wordt CRM-data zo rommelig?
Elk salesteam heeft hetzelfde verhaal. Het CRM is jaren geleden ingericht in Salesforce, HubSpot, Zoho of Odoo. Verkopers leggen vast wat ze moeten vastleggen om betaald te krijgen, en weinig meer. Bedrijfsnamen staan er op drie manieren in, in het Arabisch en Engels. Contactpersonen zijn van baan gewisseld. De helft van de open deals heeft een sluitingsdatum in het verleden. Marketing heeft een lijst van een beurs geïmporteerd die niemand heeft ontdubbeld.
De meeste teams denken dat het beter is dan het is. In een enquête van Validity, februari 2022 onder CRM-gebruikers beoordeelde 76% de kwaliteit van hun CRM-data als goed of zeer goed, terwijl 44% schatte dat hun bedrijf door slechte datakwaliteit meer dan 10% van de jaaromzet misloopt.
#Houdt slechte CRM-data AI-projecten echt tegen?
Het is een van de meest voorkomende redenen waarom ze vastlopen. Gartner, juli 2024 voorspelde dat 30% van de generatieve-AI-projecten tegen eind 2025 na de proof of concept zou worden stopgezet, en noemde slechte datakwaliteit als eerste oorzaak. Een AI die follow-ups of prognosenotities opstelt op basis van verkeerde contactpersonen en verouderde fases, zit er vol overtuiging naast.
Het antwoord is niet wachten op perfecte data. Het is de data goed genoeg maken voor één workflow, en voorkomen dat ze weer verslechtert.
#Een opschoningsdraaiboek voor één workflow
- Benoem de eerste AI-workflow, bijvoorbeeld de voorbereiding van pipelinereviews of follow-ups op vastgelopen deals.
- Maak een lijst van de velden die hij leest: fase, sluitingsdatum, volgende stap, primair contact, bedrijf, eigenaar, laatste activiteit.
- Schrijf voor elk veld een eenvoudige regel: wat geldt als geldig, ontbrekend of verouderd.
- Voer een controle uit op alle records binnen de scope en tel de fouten per veld en per eigenaar.
- Laat AI correcties in batches voorstellen: voeg deze dubbelingen samen, sluit deze dode deals, maak deze bedrijfsnamen eenduidig.
- Stuur elke batch naar de eigenaar van het record of sales ops om goed te keuren, aan te passen of af te wijzen, en log elke wijziging.
- Voeg invoerregels toe zodat het probleem niet terugkomt: verplichte velden, keuzelijsten en door AI opgestelde updates na gesprekken die de verkoper bevestigt.
#Wat kan AI herstellen en wat vraagt om een persoon?
AI is goed in matchen en lezen. Hij kan zien dat twee accounts hetzelfde bedrijf zijn, in het Arabisch en Engels geschreven, contactpersonen vinden van wie e-mail terugkomt, de laatste e-mails bij een deal lezen om in te schatten of die nog leeft, en een ontbrekende branche of regio van de eigen website van het bedrijf halen.
Mensen beslissen over alles met gevolgen. Een deal sluiten, twee accounts met verschillende eigenaren samenvoegen, wijzigen wie de credits krijgt of een contactpersoon verwijderen: dat moet allemaal door de eigenaar van het record of sales ops worden goedgekeurd. Het NIST AI Risk Management Framework, januari 2023 ziet menselijk toezicht en duidelijke verantwoordelijkheid als onderdeel van het beheersen van AI-risico, en CRM-records voeden commissies en prognoses.
#Wanneer zijn de eigen functies van je CRM genoeg?
Gaat het vooral om exacte dubbelingen en ontbrekende verplichte velden, begin dan met de ontdubbel- en validatieregels die in je CRM zitten, of een speciale add-on voor datakwaliteit. Een sales-ops-medewerker met een duidelijke checklist kan een klein CRM helemaal zonder AI opschonen.
AI verdient zijn plek als de rommel in de betekenis zit en niet in de opmaak: bedrijfsnamen in verschillende talen, vrije-tekstnotities die de echte fase verbergen, of duizenden deals waarbij iemand moet beoordelen of ze nog leven.
#Waar past Stennir in?
Stennir begint met een audit binnen AI-consulting. De audit benoemt de eerste workflow die de bouw waard is, en bepaalt daarmee welke data schoon moet zijn. Je krijgt vijf gerangschikte workflows, elk met een kosten- en terugverdienonderbouwing, en één aanbevolen bouw met de afbakening en de hostingregio. Het rapport is van jou, of je nu met Stennir bouwt of niet.
De afgebakende opschoning wordt daarna de eerste stap van AI-implementatie, met sales ops die elke batch goedkeurt, een log van elke wijziging en de data in je eigen accounts. AI-training leert verkopers de nieuwe invoergewoonten.
We are
Stennir schoont de CRM-data op die één workflow nodig heeft, met je sales ops die elke batch goedkeurt, en bouwt die workflow daarop.
We aren't
Stennir is geen datacleansingbureau dat je hele CRM herschrijft, en wijzigt geen records zonder goedkeuring.
#Wat doet een sales- of RevOps-leider nu?
Kies de ene workflow waarbij je het liefst hulp van AI wilt en tel hoeveel van de bijbehorende records door een eenvoudige controle zakken. Dat getal vertelt je hoe groot de opschoning is. Bekijk AI voor sales, lees over CRM-updates na salesgesprekken en pipelinehygiëne, en doe daarna de gratis gereedheidsscan of boek een gesprek van 30 minuten.
#Veelgestelde vragen
Wat hebben jullie van ons nodig om te beginnen?
Stennir heeft leestoegang nodig tot je CRM in een testomgeving of een export, de sales-ops- of RevOps-medewerker die eigenaar is van de dataregels, en de naam van de workflow waarbij je het liefst hulp van AI wilt. Daarmee schrijven we de veldregels en voeren we de eerste controle uit voordat er een wijziging wordt voorgesteld.
Wijzigt de AI zelfstandig records?
Nee. Hij stelt wijzigingen in batches voor, met de reden bij elke wijziging. De eigenaar van het record of sales ops keurt ze goed, past ze aan of wijst ze af, en elke doorgevoerde wijziging wordt gelogd met wie heeft goedgekeurd. Je kunt een batch terugdraaien, en jij houdt de accounts en de uitknop.
Kan het omgaan met bedrijfsnamen in het Arabisch en Engels?
Ja. Hetzelfde bedrijf herkennen in het Arabisch, in het Engels en in transcriptie is een van de nuttigste onderdelen. Stennir ondersteunt Arabisch en Engels volledig en test het matchen eerst op je eigen records, omdat naamgewoonten sterk verschillen tussen sectoren en teams.
Wat kan er misgaan?
De belangrijkste risico's zijn een verkeerde samenvoeging van twee verschillende bedrijven, het sluiten van een deal die stilletjes nog leefde, of een correctie die een rapport breekt waarop finance vertrouwt. Daarom gaan wijzigingen in beoordeelbare batches, keuren eigenaren goed, wordt alles gelogd en kan een batch worden teruggedraaid.
