Marketing en creatie in een tijdperk van kunstmatige intelligentie.
Boeken over AI voor creativiteit, marketing en groei
Marketing in een tijdperk van kunstmatige intelligentie. Het hybride handboek behandelt de inzet van AI en digitale marketing, de optimalisatie van de klantbeleving, contentcreatie en data-analyse om zo efficiënter te groeien!
Commissie waarschuwt big techs voor opdringen van AI-diensten
De Europese Commissie heeft een duidelijke waarschuwing afgegeven aan de grote technologiebedrijven die generatieve kunstmatige intelligentie aanbieden, zoals Google, Microsoft, Meta en OpenAI. Volgens Brussel dreigen deze ondernemingen te veel macht naar zich toe te trekken en ontstaat er een oneerlijke dynamiek waarbij kleinere spelers en Europese bedrijven buitenspel worden gezet. De Commissie maakt zich met name zorgen over het feit dat de grote techbedrijven vaak zowel de infrastructuur (zoals cloud-diensten en datacenters) als de AI-toepassingen zelf controleren. Daardoor hebben ze een dominante positie over de hele waardeketen, van toegang tot trainingsdata tot het verdienmodel rond AI-producten.
De website van xAI’s chatbot Grok legt per ongeluk de systeemprompts bloot voor verschillende AI-personages, waaronder een ‘gekke samenzweerder’ die gebruikers in samenzweringstheorieën lijkt te willen meeslepen bijvoorbeeld dat er een geheime wereldwijde cabal aan de touwtjes zou trekken.
Aurora AI-basismodel gaat verder dan alleen weersvoorspellingen #genai
De opvallende weersomstandigheden komen steeds vaker voor en zetten metingen onder druk om zich voor te bereiden op allerlei rampen. Die hebben niet alleen het potentieel om levens te eisen en huizen te verwoesten, maar ook om stroomnetten uit te schakelen, oogsten te vernietigen en scheepvaartroutes te verstoren.
Hoewel steeds krachtigere AI-modellen nieuwe mogelijkheden bieden om het weer beter te voorspellen, beschrijft een recent artikel in Nature hoe een funderingsmodel, genaamd Aurora, gebruikmaakt van de nieuwste AI-ontwikkelingen om niet alleen het weer nauwkeuriger te voorspellen, maar ook een breed scala aan milieugebeurtenissen. Dit blijkt uit een reeks terugblikkende analyses van onder meer orkanen, tyfoons, luchtkwaliteit en oceaangolven. Aurora, ontwikkeld door Microsoft Research, doet dit bovendien met een hogere nauwkeurigheid, grotere snelheid en aanzienlijk lagere rekenkosten dan traditionele numerieke weersvoorspellingen en eerdere AI-methodes.
Datakwaliteit verwijst naar de mate waarin data geschikt zijn voor het beoogde gebruik. Deze geschiktheid wordt bepaald door diverse kenmerken, waarvan het vereiste niveau per situatie verschilt.
Waarom is goede data belangrijk?
Het belang van betrouwbare data staat in veel organisaties buiten kijf. Slechte datakwaliteit leidt vaak tot onnauwkeurige analyses, hogere kosten, onbetrouwbare plannen en operationele fouten. Daarentegen biedt kwalitatieve data aanzienlijke voordelen:
Concurrentievoordeel: Organisaties die beschikken over betere of beter toegepaste data dan hun concurrenten, kunnen sneller kansen benutten en efficiënter opereren.
Meer vertrouwen: Vertrouwen in data is essentieel voor het nemen van datagedreven beslissingen. Betrouwbare data verminderen onzekerheid en verkleinen het risico op fouten.
Betere besluitvorming: Kwalitatieve data vormen de basis voor strategische en operationele keuzes.
Hogere productiviteit: Minder tijd aan het corrigeren van fouten betekent meer tijd voor analyse en waardecreatie.
Efficiëntere processen: Nauwkeurige data voorkomen bijvoorbeeld verkeerde leveringen of miscommunicatie met klanten.
Voorkomen van reputatieschade: Van kleine foutjes zoals verkeerd gespelde namen tot grote publicitaire blunders.
Voldoen aan regelgeving: In gereguleerde sectoren voorkomt goede datakwaliteit boetes en maakt het makkelijker om aan te tonen dat aan de regels wordt voldaan.
Kenmerken van datakwaliteit
De kwaliteit van data wordt gemeten aan de hand van verschillende kenmerken of dimensies. Deze kunnen objectief zijn (zoals het aantal fouten) of subjectief (zoals relevantie voor het doel). De belangrijkste kenmerken zijn:
Relevantie: Data moeten passen bij het doel waarvoor ze worden gebruikt. Bepaal vooraf welke data echt nodig zijn.
Volledigheid: Zijn alle benodigde waarden aanwezig? Dit kan gaan om ontbrekende velden in een record, of hele records die missen.
Betrouwbaarheid: De mate waarin data feitelijk en correct zijn.
Validiteit: Zijn de data in het juiste formaat, type en bereik? Denk aan correcte geboortedata, telefoonnummers en identificaties.
Nauwkeurigheid: Beschrijven de data de werkelijkheid correct? Dit vereist vaak vergelijking met een betrouwbare bron.
Identificeerbaarheid (Uniekheid): Zijn records uniek en vrij van duplicaten?
Consistentie: Data moeten overal dezelfde betekenis, structuur en eenheden hebben.
Actualiteit: Zijn de data nog up-to-date? Verouderde informatie kan misleidend zijn.
Metadata: Informatie over de data zelf (zoals definities, bronnen, eenheden) verhoogt het begrip en gebruiksgemak.
Openheid: Open data bevorderen transparantie, maar botsen soms met privacy- of commerciële belangen.
Toegankelijkheid: Hoe makkelijk kunnen gebruikers bij de data? Moeilijk toegankelijke data zijn vaak al verouderd tegen de tijd dat ze beschikbaar zijn.
Bestaat er een standaardaanpak om datakwaliteit te verbeteren?
Er is geen universele methode om datakwaliteit te garanderen, omdat de eisen afhangen van het specifieke doel. Wel zijn er algemene richtlijnen die bijdragen aan betere kwaliteit:
Dataverzameling: Bepaal welke data nodig zijn, hoe ze worden verzameld en wat de impact is van slechte kwaliteit op je processen.
Normen formuleren: Stel per doel vast aan welke kenmerken data moeten voldoen. Bepaal welke data je bewaart, corrigeert of verwijdert.
Correctiebeleid: Ontwikkel regels voor het opschonen van data. Hoe ga je om met fouten, ontbrekende waarden of uitschieters?
Integratie en distributie: Bij data-uitwisseling tussen afdelingen ontstaan vaak kwaliteitsproblemen. Zorg voor heldere afspraken over het format en beheer.
Kennismanagement: Leg ervaringen, kwaliteitsmetingen en metadata vast in een datacatalogus. Dit voorkomt dubbel werk en versnelt analyses.
Datakwaliteit verbeteren is een doorlopend proces. Het draait om continue evaluatie en bijsturing, zodat data optimaal bijdragen aan de waarde en slagkracht van uw organisatie.
In het kader van AI (kunstmatige intelligentie) speelt een Customer Success Manager (CSM) een cruciale rol bij het zorgen dat klanten succesvol zijn met het gebruik van AI-oplossingen. Hier is een duidelijke uitleg:
Interview Managementboek.nl: ‘AI-selling – AI in het verkoopteam’[/caption]
Over AI bestaan nogal wat misverstanden, zeker als het gaat om klantrelaties. Patrick Petersen pleit in zijn boek ‘AI-selling’ voor nuchterheid én nuance. Wat kan AI echt betekenen voor sales en klantcontact, zonder dat de mens uit beeld verdwijnt? In zijn preview legt Petersen het uit. Lees mee en ontdek hoe je AI inzet zonder klantvertrouwen te verspelen.
|15 juli 2025|3-5 minuten leestijd
Partijen als Klarna en IBM zijn na een AI-klantcontact misstap teruggaan naar ‘de mens’ in de klantrelatie. Ooit kreeg ik zelf, als gerespecteerd zakelijke klant, een mail dat het klantcontact niet meer via de altijd opgewekte Wim verloopt, maar dat je gerust een vraag kunt mailen naar het algemene info@ – mailadres. De glimlach die de invoelende Wim altijd op mijn gezicht toverde als wij ons klantgesprek begonnen met voetbalanekdotes, sloeg om naar een chagrijnig van het moeten wachten op de verheven reply op mijn mailvraag. Inclusief aanhoudende spelfout in mijn achternaam en het feit dat ik geen ‘Patrick Petersen’ meer was, maar #651322_II. De spontane vakkennis van Wim werd vervangen door een online FAQ.
En dan heb ik nog niet eens over al die generieke, zwak getrainde AI-chats die ons 24/7 ‘te woord kunnen staan’.
Ik krijg jeuk van die onzinnigheid over AI.
Doorsnijdende nuchterheid
Het lijkt wel alsof spontaan alles ‘AI’ moet heten en alsof AI op magische wijze alles gaat overnemen. Elk organisatie, elke app en zelfs het koffiezetapparaat en de wasmachine, schijnen tegenwoordig ‘met AI’ te werken. Maar in veel gevallen is het gewoon een slim algoritme, een basisversie van machinetaal, een script of zelfs niets meer dan marketingpraat. Als daarbij wordt verzwegen dat de datalekken aan de orde van de dag zijn, en de output van AI-chats in 50% van de gevallen onjuistheden bevat (bron: BBC.com, chatbot benchmark, maart 2025), wordt het tijd voor wat doorsnijdende nuchterheid.
Het idee dat AI binnenkort al onze banen afpakt, of de mensheid overneemt, is net zo overdreven als zeggen dat de uitvinding van de rekenmachine het einde betekende van het onderwijs. Laten we eerst eens nuchter kijken naar wat AI wél en níét kan in een team binnen een organisatie.
Kritisch en praktisch
Mijn luchtige, compacte en hybride boek AI-selling: AI in het verkoopteam, wordt niet gedreven door snel, snel, snel met de AI-hype geld binnen harken. AI-selling drijft op mijn jarenlange onderzoek.
AI-selling gaat over de mix van robotjes en mensen binnen een vitaal proces in een organisatie. Het gaat om een collega die wél altijd zijn afspraken nakomt en een datagedreven precisie-instrument dat helpt bij elk touchpoint in de klantreis. Wat voorop moet blijven staan is de klantvriendelijkheid en menselijkheid in de relatie. Bovenal stop je al die gevoelige klantdata niet even zomaar in een ‘handig’ AI-tooltje.
Samenwonen
Stel je voor: je hebt een nette klantdatabase. Alles op orde, schoon, geordend. Dan komt AI langs; charmant, slim, indrukwekkend. En meteen wil iedereen dat CRM en AI gaan samenwonen, trouwen en kinderen krijgen in de vorm van voorspellingen, gepersonaliseerde mails en automatische salesfunnels.
Maar ho even. Moeten we echt meteen álle klantdata aan AI voeren alsof het een onbeperkt buffet is?
Alsof AI geen klantmanieren hoeft te leren en privacyregels gewoon suggesties zijn? Het lijkt soms alsof ‘gegevensveiligheid’ vooral iets is voor mensen in hun morele kracht. Tot je ontdekt dat jouw CRM-systeem enthousiast klantgegevens heeft gedeeld met een ‘innovatieve’ AI-tool die ergens op een server in Verweggistan draait.
Gevoelige informatie als namen, aankoopgeschiedenis, interesses (‘houdt van barbecueën en goedkope wijn’); hup, allemaal in de AI-molen. En dan maar hopen dat het systeem geen data-lekkend vergiet blijkt te zijn. Of erger: dat je klant ineens advertenties krijgt voor haarverlies terwijl je hem net probeerde te overtuigen van een wellness-arrangement.
Kortom: AI en CRM?
Ja, AI en CRM kunnen een leuk stel zijn. Maar laat ze eerst even daten, liefst met die sterke partner genaamd ‘privacybeleid’.
Want klantvertrouwen bouw je op met zorg, niet met onbezonnen AI-koppeldrift.
Van de basics van AI-selling en de rol van algoritmes in moderne sales tot scherp klantinzicht, hypergerichte leadgeneratie en marktanalyses waar zelfs je baas van onder de indruk is, alles komt aan bod, mét praktijkvoorbeelden en handige extra’s op de bijbehorende website.
Leer hoe je met AI niet alleen menswaardig in je campagnes slimmer opzet, maar ook je klantgesprekken soepeler laat verlopen en je deals vlotter sluit (zonder gladde praatjes). We duiken in de toekomst van klantrelaties, bespreken ethiek zonder droge kost, en verkennen hoe teamrollen verschuiven in een AI-tijdperk. Daarbij de overkoepelende wijsheid dat het de mens is die voor die warme klantrelatie zorgt.
Markant spreker en docent Patrick Petersen RDM MA MSc is een ervaren senior (AI-)marketintgtech-ondernemer, spreker en docent (aan onder andere Nyenrode Business University, SRM, NIMA, Beeckestijn Business School en EURib) die het nuchtere ‘lachen en leren’ combineert in zijn inspirerende optredens, prijswinnende boeken en energie lessen.
Interview Managementboek.nl: ‘AI-selling – AI in het verkoopteam’[/caption]
