Slechts 21% van marketeers vindt CRM-data zeer goed voorbereid op AI

Onvolledige klantgegevens en dubbele profielen bemoeilijken betrouwbare AI-toepassingen. Onderzoek van Validity laat zien waar marketeers tegenaan lopen.

Slechts 21% van de ondervraagde marketeers vindt de gegevens in hun CRM (Customer Relationship Management) zeer goed voorbereid op het gebruik van artificial intelligence (AI). Dat blijkt uit het rapport State of CRM Data Management in 2026 van Validity, gepubliceerd op 25 augustus. Het onderzoek omvat 500 B2B- en B2C-marketingprofessionals uit de Verenigde Staten, het Verenigd Koninkrijk, Brazilië, Australië en Nieuw-Zeeland.

De uitkomst gaat over het vertrouwen van respondenten in hun gegevens. Het betekent niet dat de overige 79% alle CRM-data ongeschikt vindt voor AI. Wel roept het een praktische vraag op: hoe controleer je of klantgegevens geschikt zijn voor de toepassing die je ermee wilt ondersteunen?

AI-gebruik loopt vooruit op vertrouwen in data

Volgens het onderzoek heeft twee derde van de organisaties het afgelopen jaar meer marketingbeslissingen aan autonome AI-agents gedelegeerd. Tegelijkertijd rapporteert 62% omzetverlies door gebrekkige CRM-datakwaliteit. Bijna een derde van de teams besteedt wekelijks minstens zes uur aan het herstellen en afstemmen van gegevens.

Dit zijn zelfgerapporteerde uitkomsten uit een internationaal onderzoek, geen afzonderlijke meting onder Nederlandse bedrijven. Ze bieden wel aanleiding om binnen de eigen organisatie te onderzoeken hoeveel werk ontstaat door onjuiste of ontbrekende klantinformatie.

Daarbij helpt het om één proces te volgen. Welke gegevens gebruikt marketing voor een campagne? Waar komen die vandaan? En wie controleert of ze nog kloppen? Zo wordt zichtbaar waar datakwaliteit invloed heeft op dagelijkse beslissingen.

Wat betekent datakwaliteit binnen CRM?

Een gevuld klantprofiel is niet automatisch een betrouwbaar klantprofiel. Een contactpersoon kan inmiddels ergens anders werken, een aankoop kan ontbreken of dezelfde organisatie kan onder verschillende namen voorkomen. Welke fouten het zwaarst wegen, hangt af van het gebruik van de gegevens.

Voor een praktische controle kun je naar vijf punten kijken:

• Juistheid: komen de vastgelegde gegevens overeen met de werkelijkheid?
• Volledigheid: zijn de gegevens aanwezig die voor de betreffende taak nodig zijn?
• Actualiteit: wanneer is de informatie voor het laatst gecontroleerd?
• Consistentie: gebruiken afdelingen dezelfde definities en statussen?
• Unieke registratie: staat dezelfde klant onbedoeld meerdere keren in het systeem?

Een ontbrekend telefoonnummer hoeft bijvoorbeeld geen probleem te zijn voor een analyse van aankooppatronen. Een ontbrekende aankoopdatum kan die analyse wel verstoren. Beoordeel datakwaliteit daarom steeds in relatie tot een concrete toepassing.

Hoe verkeerde klantgegevens doorwerken in AI

Stel dat een bedrijf AI gebruikt om klanten te selecteren voor een aanbod voor herhaalaankopen. Een klant heeft vorige week al besteld, maar die bestelling is nog niet verwerkt in het CRM. Als de toepassing alleen de oudere aankoopgegevens gebruikt, kan deze klant alsnog als interessante kandidaat worden aangemerkt.

Dat is een illustratief voorbeeld van een probleem dat bij de gegevensuitwisseling begint. Controleer in zo’n situatie eerst of de bestelling correct wordt aangeleverd en aan het juiste klantprofiel wordt gekoppeld. Alleen de instructie aan de AI aanpassen herstelt die ontbrekende registratie niet.

Hetzelfde aandachtspunt speelt bij lead scoring: het beoordelen en prioriteren van potentiële klanten. Als relevante contactmomenten ontbreken, is het beschikbare beeld onvolledig. Vraag bij een AI-toepassing daarom welke gegevens worden gebruikt en hoe medewerkers een aanbeveling kunnen controleren voordat zij erop handelen.

Dubbele klantprofielen maken het overzicht onvolledig

Een klant kan via verschillende kanalen contact hebben met een organisatie. Denk aan een bestelling in de webshop, een gesprek met een verkoper en een vraag aan de klantenservice. Wanneer die contacten over meerdere profielen verspreid staan, kan een medewerker belangrijke informatie missen.

Met identity resolution proberen organisaties vast te stellen welke registraties bij dezelfde persoon of organisatie horen. Daarbij is zorgvuldigheid nodig. Twee contacten met dezelfde achternaam zijn niet noodzakelijk dezelfde klant. Ook kan één bedrijf meerdere vestigingen of afzonderlijke factuurrelaties hebben.

Maak daarom afspraken over het herkennen en samenvoegen van dubbele profielen. Bepaal welke kenmerken voldoende zekerheid geven en wanneer een medewerker moet meekijken. Controleer na samenvoeging ook of contactmomenten, aankopen en openstaande taken bij het juiste profiel terechtkomen.

Data governance maakt verantwoordelijkheden duidelijk

Data governance gaat over de afspraken, verantwoordelijkheden en controles rond gegevens. Voor een CRM-team begint dat met eenvoudige vragen: wie beheert klantstatussen, wie beoordeelt mogelijke duplicaten en wie bepaalt welke bron leidend is bij tegenstrijdige informatie?

Dat vraagt om afstemming tussen marketing en sales. Wanneer marketing iemand als actieve prospect beschouwt terwijl sales het contact al heeft afgesloten, kunnen beide afdelingen vanuit hun eigen registratie logisch handelen. Leg daarom samen vast wat statussen betekenen en wanneer medewerkers ze aanpassen.

Geef datamanagement vervolgens een vaste plek in het werk. Een foutmelding moet bij iemand terechtkomen die deze kan beoordelen. Spreek ook af hoe terugkerende problemen worden onderzocht, zodat dezelfde onjuiste gegevens niet steeds opnieuw worden ingevoerd of geïmporteerd.

Begin met één toepassing en controleer de hele gegevensstroom

Wie AI in CRM wil gebruiken, kan beginnen met een afgebakende taak, zoals een conceptsamenvatting van klantgesprekken. Bepaal welke informatie daarvoor nodig is en laat medewerkers beoordelen of de uitkomst klopt. Neem ook situaties mee waarin gegevens ontbreken of elkaar tegenspreken.

Werk vervolgens aan de oorzaken van fouten. Data opschonen kan bestaande problemen herstellen. Dataverrijking kan ontbrekende informatie aanvullen, mits de bron betrouwbaar is en gegevens aan de juiste klant worden gekoppeld. Controleer daarnaast de invoer en koppelingen, zodat vervuiling niet direct terugkomt.

Meet tijdens een proef zowel de bruikbaarheid van de uitkomsten als het benodigde controlewerk. Hoeveel voorstellen worden aangepast? Welke fouten keren terug? En hoeveel tijd kost herstel? Daarmee kun je beoordelen of de toepassing voldoende ondersteunt om haar breder te gebruiken.

Wil je klantgegevens, marketing en verkoop beter op elkaar laten aansluiten? Vul je wensen in en start met CRM-software vergelijken.

Bron

Validity – State of CRM Data Management in 2026, 25 augustus 2026.