Skräp in, skräp ut – fast i skala

Två typer av data – båda lika kritiska

Det är lätt att tänka på datakvalitet som ett CRM-problem. Se till att kundregistret är uppdaterat, att segmenten är rätt och att ingen får fel utskick.
Det är fortfarande viktigt. Men i en AI-driven modell tillkommer en dimension som sällan diskuteras.

Den första typen är historisk innehållsdata – de texter, kampanjer och kommunikationsmönster som AI:n lär sig av eller använder som referens. Om den historiken innehåller inkonsekventa budskap, föråldrade positioneringar eller texter som aldrig borde ha publicerats – lär sig modellen fel saker. Och den lär sig dem konsekvent.

Den andra typen är operativ kunddata – beteendedata, segmentdata och kontextdata som AI:n använder för att anpassa kommunikationen i realtid. Fel här ger fel output direkt, vid varje tillfälle, mot varje mottagare.

Båda kräver aktivt arbete. Ingen av dem sköter sig själv.

Börja med att veta vad som faktiskt matar modellen

Det första steget är inte att rensa data. Det är att kartlägga vilken data AI:n har tillgång till – och varifrån den kommer.

I Optimizely med Opal innebär det att förstå vilka innehållstyper, vilket beteendedata och vilka kundattribut som faktiskt används som underlag. Det är förvånansvärt många organisationer som inte kan svara på den frågan. Inte för att de är slarvig – utan för att det aldrig tidigare spelat någon roll att veta det exakt.

Nu spelar det roll.

Sätt ett ägarskap per datakälla

Varje datakälla som matar AI:n behöver en ansvarig person. Inte ett system, inte en avdelning – en person som kan svara på: Är den här datan aktuell? Är den representativ för hur vi kommunicerar idag? Stämmer den med den positionering vi har nu, inte den vi hade när innehållet skapades?

Utan det ägarskapet försämras datakvaliteten passivt. Ingen fattar ett beslut om att göra den sämre. Den blir bara det med tiden.

Rensa historiken innan ni skalar

Gammalt innehåll som inte längre representerar varumärket är inte neutralt i en AI-modell. Det är aktivt skadligt.

Det innebär ett konkret arbete: gå igenom den historiska innehållsdatabasen, identifiera vad som ska vara tillgängligt som referens och vad som ska exkluderas. Texter från en föråldrad positionering. Kampanjer som byggde på ett erbjudande som inte längre finns. Kommunikation som aldrig var på varumärket från början.
Det är tråkigt arbete. Men det är arbete som måste göras innan ni låter AI:n lära sig av historiken – inte efter att ni märkt att outputen är fel.

Bygg en löpande process, inte ett engångsprojekt

Datakvalitet försämras passivt över tid. Kundsegment förändras. Positioneringen justeras. Nya produkter tillkommer, gamla fasas ut. Om kvalitetsarbetet behandlas som ett projekt med ett slutdatum är datan inaktuell inom tolv månader.

Det praktiska: sätt en rytm för regelbunden genomgång av de datakällor som har störst påverkan på AI:ns output. Kvartalsvis för de mest kritiska, halvårsvis för de mer stabila. Det behöver inte ta lång tid – men det behöver hända regelbundet och med någon som faktiskt ansvarar för att det händer.

Använd outputen för att hitta problemen uppströms

Det effektivaste sättet att identifiera dataproblem är ofta att studera vad AI:n faktiskt producerar.

Om modellen konsekvent skriver fel ton mot ett segment, lyfter fel fokus i en produktkategori eller producerar inkonsekventa budskap över kanaler – pekar det nästan alltid på ett problem i datan, inte i modellen. Modellen gör vad den lärt sig. Problemet är vad den lärt sig av.

Output-analys är inte bara kvalitetskontroll av innehållet. Det är diagnostik av datalagret.

Vem som äger det här

Datakvalitetsarbete för AI-driven marknadsföring är inte ett IT-projekt. IT kan bygga infrastrukturen och hantera de tekniska aspekterna. Men vad som räknas som kvalitativ data i det här sammanhanget – vilken historik som är giltig, vilka segment som är representativa, vad som ska exkluderas – är ett affärsbeslut.
Det beslutet tillhör marknadsorganisationen. Och det behöver fattas aktivt, inte överlåtas åt standardinställningar och tekniska val som aldrig var tänkta att bära det ansvaret.