Elk MKB-bedrijf met een CRM kent het probleem. Een lead komt binnen via het webformulier, maar het telefoonnummer mist een landcode. Een ander contact staat er twee keer in, een keer met een typfout in de bedrijfsnaam. Een derde record heeft een leadstatus die al drie maanden niet is bijgewerkt. Niets dramatisch los gezien, maar bij elkaar kost het je salesteam elke dag tijd.
CRM-opschoning met AI pakt die problemen aan voordat ze de opvolging vertragen. Niet door blind alle velden te overschrijven, maar door patronen te herkennen, data te normaliseren en ontbrekende informatie aan te vullen uit betrouwbare bronnen.
Waarom CRM-data vervuilt
CRM-vervuiling heeft bijna altijd dezelfde oorzaken. Mensen typen namen op verschillende manieren in. Een formulier levert niet alle velden. Een import uit een oude spreadsheet brengt dubbele records mee. En leadstatussen worden handmatig bijgewerkt, wat betekent dat ze vaak niet worden bijgewerkt.
De gevolgen zijn concreet. Sales belt een nummer dat niet blijkt te kloppen. Twee accountmanagers benaderen hetzelfde bedrijf. Een follow-up blijft uit omdat de lead op 'nieuw' staat terwijl er al drie e-mails zijn gewisseld. Voor bedrijven die hun lead-routering hebben geautomatiseerd, is schone data extra belangrijk: een routering is zo goed als de gegevens waarop die beslist.
Wat AI wel en niet kan opschonen
AI is goed in drie dingen: patronen herkennen, data normaliseren en ontbrekende velden aanvullen. Het is niet goed in het vervangen van menselijk oordeel bij twijfelgevallen.
Normaliseren. Telefoonnummers, adressen en bedrijfsnamen in een vaste vorm zetten. Een AI herkent dat 'KVK Nederland', 'Kamer van Koophandel' en 'KvK' hetzelfde bedrijf zijn, en zet ze in hetzelfde formaat. Hetzelfde geldt voor functietitels: 'manager inkoop' en 'inkoopmanager' worden een waarde.
Dedupliceren. Dubbele contacten herkennen op basis van naam, e-mail, telefoon en bedrijf. Niet alleen exacte matches, maar ook varianten zoals 'J. de Vries' en 'Jan de Vries' op hetzelfde bedrijf. De AI markeert de duplicaten en stelt een samenvoeging voor, zonder zelf records te verwijderen.
Aanvullen. Ontbrekende velden invullen uit betrouwbare bronnen. Branchecode uit KvK-data, bedrijfsomvang uit openbare registers, functie uit een e-mailhandtekening. Dit is waar CRM-verrijking en data-opschoning elkaar raken. Zie ook leadverrijking automatiseren met AI voor een diepere uitleg.
Wat AI niet moet doen. Blind gegevens overschrijven zonder bevestiging, conclusies trekken uit onvolledige data, of records verwijderen zonder logboek. Daar gaat het mis.
Menselijke controle bij twijfelgevallen
Niet elke opschoning kun je automatiseren. Bij sommige keuzes wil je dat een medewerker beslist. Bijvoorbeeld:
- Twee contacten met dezelfde naam maar een ander e-maildomein. Zijn het dezelfde persoon of niet?
- Een telefoonnummer dat in een onbekend formaat staat, zonder landcode. Is het een vast nummer of een mobiel?
- Een leadstatus die afwijkt van het patroon. Is de lead echt koud, of staat er een verkeerde waarde?
Een goede aanpak: AI markeert twijfelgevallen met een vertrouwensscore. Alles boven een bepaalde drempel wordt automatisch opgeschoond. Alles eronder gaat naar een wachtrij voor handmatige controle. Dit heet human in the loop en het is een bewezen manier om automatisering betrouwbaar te houden. Meer hierover in human in the loop bij AI-automatisering.
Van schone data naar betere routering en rapportages
Het echte voordeel van CRM-opschoning zit niet in de schone database zelf, maar in wat er daarna mee gebeurt.
Schone data betekent dat lead-routering op basis van branche, regio en bedrijfsgrootte betrouwbaar werkt. Geen leads die bij de verkeerde accountmanager belanden omdat de branchecode ontbreekt. En dat rapportages kloppen, omdat ze gebaseerd zijn op actuele leadstatussen en complete records.
Een voorbeeld: een MKB-bedrijf dat maandelijks rapporteert over leadconversie per branche. Zolang de branchecodes in het CRM niet zijn genormaliseerd, geeft die rapportage een vertekend beeld: 'bouwsector', 'bouw' en 'Bouwbedrijf' verschijnen als aparte categorieën. Na opschoning worden ze samengevoegd en wordt het inzicht pas echt bruikbaar.
Voor een compleet beeld van hoe routing en opschoning samenwerken, lees lead-routering automatiseren: van formulier tot opvolging.
Veelgestelde vragen
Hoe vaak moet ik CRM-data opschonen?
Dat hangt af van je instroom. Bij een paar leads per week is een maandelijkse opschoning voldoende. Bij meerdere bronnen en hoge volumes kun je beter wekelijks controleren. Het mooiste is een continue workflow die nieuwe data direct controleert op kwaliteit.
Wat kost CRM-opschoning met AI?
De kosten hangen af van het aantal records, de bronnen die je wilt gebruiken en de benodigde workflows. Een eenmalige opschoning van een bestaande database vraagt een andere inrichting dan een continue stroom. De terugverdientijd zit hem vooral in tijdswinst voor sales.
Kan ik opschoning en verrijking combineren?
Ja, dat is zelfs de bedoeling. Eerst bestaande data opschonen (normaliseren en dedupliceren), daarna aanvullen met nieuwe bronnen. Zo voorkom je dat je dubbele of foute data verrijkt. Ons artikel over leadverrijking gaat hier dieper op in.
Wat gebeurt er met gewiste data?
Niets wordt echt gewist zonder logboek. Een goede opschoningsworkflow archiveert de oude waarde en linkt die aan het record. Je kunt altijd terugzien wat er veranderd is, door wie (mens of AI), en wanneer.
Werkt dit met elk CRM?
Zolang je CRM een API heeft en gestructureerde velden gebruikt, kun je opschoning inrichten. WerkstroomAI werkt onder andere met Exact, AFAS en HubSpot, en via webhooks met vrijwel elk systeem.