Fintech-vicepresident Marketing zegt dat de belofte van AI ligt in data-analyse, niet in content

Liam Bartholomew is de VP Marketing bij een financieel technologiebedrijf genaamd Alt21. In deze rol gebruikt hij AI voor wat volgens hem de meest veelbelovende toepassing ervan is: data-analyse over kanalen en datasilo's heen.

We gingen met hem in gesprek om te begrijpen hoe dat er in de praktijk uitziet — en hoe zijn team daardoor anders werkt dan de gemiddelde organisatie. Dit is wat hij vertelde.

De fundamenten leggen

Ik ben Liam Bartholomew, VP Marketing bij Alt21, een B2B-fintechbedrijf dat Britse en Europese bedrijven helpt hun valutawissel- en treasuryactiviteiten te beheren.

Ik werk inmiddels ongeveer tien jaar in B2B-marketing, meest recent als VP Marketing bij Cognism, een platform voor sales intelligence, voordat ik bij Alt21 kwam.

Alt21 is een relatief jong bedrijf. Onze focus ligt op het Verenigd Koninkrijk en Europa, en om te beginnen zijn we voornamelijk digitaal actief. Betaalde zoekadvertenties, betaalde social media en organische SEO zijn de belangrijkste kanalen die we opbouwen.

In deze fase gaat het minder om het beheren van complexiteit en meer om het goed leggen van de fundamenten en begrijpen wat werkt voordat we opschalen.

Waarom de grootste marketingkansen van AI liggen in data-analyse en rapportage

Mijn relatie met AI begon toen ik hier kwam werken. Ik begon als een marketingteam van één persoon, en zonder AI zou ik te langzaam zijn geweest. Dat was de realiteit. Inmiddels zijn we een team van drie: ikzelf, een growthmarketeer en een contentmarketeer. We zijn dus nog steeds klein, maar beginnen vorm te krijgen.

Vanaf nul beginnen is een zeldzame kans. Bestaande teams hebben al systemen, processen en gewoonten, en daar AI bovenop leggen is lastig. Door vanaf nul op te bouwen, kan ik de volledige functie vanaf dag één AI-first maken. Dat voelt als een echt voordeel, en ik wilde daar optimaal gebruik van maken.

Om te ontdekken wat AI kon doen, ben ik gewoon dingen gaan bouwen. Ik uploadde onze klant- en omzetgegevens naar Claude om op basis van bewijs, niet van aannames, te bepalen wie onze beste klanten zijn. Dat had weken moeten duren, maar met AI deden we het in één middag. Vervolgens koppelde ik ons CRM, zodat ik de pipeline kon bevragen en in minuten, in plaats van uren, betrouwbare rapporten kon opvragen. En ik koppelde ons datawarehouse, CRM en onze website om volledig inzicht in de funnel te krijgen, van verkeersbron tot het openen van nieuwe accounts.

Hoe het koppelen van data marketingkanalen optimaliseert

Voor zover ik kan zien, ligt de grootste kans van AI voor marketeers niet in het genereren van content of teksten, maar in data-analyse en rapportage.

De meeste marketingteams hebben nog steeds veel tijd nodig om beslissingen te nemen. Ze halen data uit verschillende tools, brengen niet-overeenkomende cijfers met elkaar in overeenstemming en maken presentaties die al verouderd zijn voordat iemand ze leest. Ik heb teams hier een week per maand aan zien besteden, met maar beperkt inzicht als resultaat.

Die tijd kan nu worden teruggewonnen. Door je CRM, websiteanalyses en betaalde data op een centrale plek samen te brengen en deze met AI te bevragen, wordt het grootste deel van het routinematige rapportagewerk geëlimineerd. Wat overblijft, is wat er echt toe doet: de toelichting, de beslissing en de actie.

Veel marketingleiders zien AI nog steeds als een contenttool en missen dit volledig. De grotere kans is om AI te gebruiken om eindelijk de datagedreven functie te worden die de meesten van ons al jaren zeggen te zijn, maar waarvoor we zelden de infrastructuur hadden om dat ook daadwerkelijk waar te maken.

Daar ligt mijn focus momenteel dus op: alle data met elkaar verbinden. Op dit moment werken onze betaalde zoekadvertenties en betaalde social media op afzonderlijke platforms met verschillende statistieken. Ook websitegedrag, organische en SEO-data en gegevens over de CRM-pipeline en omzet bevinden zich op afzonderlijke plekken. Daarom bouw ik geautomatiseerde rapportage die al deze data op één plek samenbrengt. Hierdoor kan ik zien hoe betaald en organisch elkaar beïnvloeden, welke campagnes omzet opleveren in plaats van alleen klikken, en waar we het budget met echt vertrouwen in de beslissing moeten opschalen of terugschroeven.

AI maakt dit soort synthese over verschillende kanalen heen echt mogelijk op een manier die voorheen niet mogelijk was. En voor een klein team als het onze is dat cruciaal. Een klein team kan het zich niet veroorloven om maandenlang experimenten uit te voeren in afwachting van de resultaten. Het moet sneller en beter geïnformeerde beslissingen kunnen nemen over de verdeling van het budget.

Hoe AI-data-analyse en rapportage er in de praktijk uitzien

Zo ziet dat er in de praktijk uit. Ik heb een koppeling gebouwd tussen Attio, ons CRM, ons datawarehouse en websiteanalyses, en ik bevraag dit alles via Claude. Voorheen betekende inzicht in onze funnel dat ik handmatig data uit meerdere bronnen moest ophalen. We hoopten dat de data consistent was en besteedden veel tijd aan de voorbereiding ervan voordat we de betekenis konden analyseren.

Nu kan ik onze Attio-pipeline rechtstreeks bevragen en rapporten opvragen die ik vertrouw. Ik heb ook een wekelijks websiterapport opgezet dat is gekoppeld aan Microsoft Clarity, Google Search Console en ons CMS. Dit levert een actielijst met rood, oranje en groen op, gebaseerd op echt gebruikersgedrag. In de eerste week dat het rapport draaide, signaleerde het een probleem met een dode klik op onze mobiele registratiepagina, dat we onmiddellijk hebben opgelost. Als we dit probleem handmatig hadden moeten opsporen, zou dat maanden hebben geduurd.

Hier zijn nog een paar andere voorbeelden:

• Voor nieuwe accounts liet het rapport over de volledige funnel, waarin Attio met ons datawarehouse en onze website werd verbonden, zien dat nieuwe accounts ondanks een piek van 157% in het websiteverkeer in maart nauwelijks toenamen en dat het conversiepercentage daalde van 7.2% naar 2.8%. De groei van het verkeer was grotendeels van lage kwaliteit. Dit signaal is gemakkelijk te missen wanneer gegevens op verschillende plaatsen staan.
• Ik had casestudy's, getuigenissen en dergelijke nodig, dus vroeg ik Claude om ons volledige klantenbestand (via Attio) te beoordelen op betrokkenheidssignalen, zodat de beste kandidaten naar voren kwamen. Ik had al enkele signalen in gedachten, zoals handelsactiviteit, klantduur, productgebruik en historische responsiviteit. Ik vroeg Claude ook om andere relevante factoren voor te stellen. Samen ontwikkelden we een scoringskader dat nauwkeurig weergaf hoe een goede ambassadeur eruitziet. Claude paste dat vervolgens toe op het volledige CRM en leverde een gerangschikte lijst op. Ik had de resultaten diezelfde middag en de uitkomst was uitstekend.

Het verbinden van onze gegevens zorgde intern ook voor een culturele verandering, doordat we onze gegevens centraliseerden in Claude voor analyse, in plaats van dat iedereen in afzondering met verschillende tools werkte. Deze verschuiving was waarschijnlijk net zo belangrijk als de technische veranderingen.

Het is nog steeds een werk in uitvoering, maar ik merk nu al dat mijn beslissingen beter onderbouwd zijn dan anders het geval zou zijn geweest. Bovendien bespaar ik tijd met het ophalen en bewerken van gegevens, die ik opnieuw investeer in er daadwerkelijk iets mee doen.

Waarom datakwaliteit belangrijk is

Het nadeel is dat de kwaliteit van CRM-gegevens hoog moet zijn om dit te laten werken, en die van ons is daar nog niet volledig.

Eerste rapporten vereisen een grondige menselijke controle voordat ze bruikbaar zijn. Het is gemakkelijk om het werk te onderschatten dat nodig is om betrouwbare datafundamenten te leggen voordat de resultaten betrouwbaar worden.

Hoe je kiest tussen AI en menselijke inspanning

Bij het bepalen waarvoor ik AI inzet, volg ik enkele richtlijnen.

AI ondersteunt de meeste analytische en onderzoekstaken. Rapportage over de pijplijn, websitegedrag, ICP-analyse en het samenbrengen van gegevens uit verschillende tools om zichtbaar te maken wat er gebeurt. Daar leun ik zwaar op, omdat het de meeste tijd bespaart en eerlijk gezegd beter presteert dan ik dat handmatig zou kunnen.

De inhoudelijke en creatieve kant is genuanceerder. Ook daar gebruik ik AI, maar op een andere manier. AI doet het werk niet volledig; het brengt me in plaats daarvan 80 of 90 procent op weg. Daardoor kan ik mijn energie richten op het unieke element dat er echt toe doet.

De impact van AI op marketing is vergelijkbaar met de impact van fabrieksmachines op productie. Toen het eenvoudig werd om 10.000 identieke chocoladerepen te produceren, was productie zelf niet langer de onderscheidende factor. Het merk werd de onderscheidende factor. Wat de ene reep anders maakte dan de andere, werd wat ertoe deed.

AI doet iets vergelijkbaars voor content. Iedereen kan nu een blogbericht schrijven. Iedereen kan op grote schaal produceren. Daardoor worden deskundige meningen, oprechte commentaren en inzichten uit kennis die anderen niet hebben, waardevolle elementen. Dat deel moet menselijk blijven. Niet omdat AI geen woorden kan produceren, maar omdat het perspectief en de ervaring erachter die woorden de moeite van het lezen waard maken. AI helpt me al het andere sneller te doen, zodat ik bij dat deel kan komen.

Waarom AI teleurstelt bij ontwerp- en websiteprojecten

AI heeft bij ontwerp en websites teleurgesteld.

Velen beweren dat AI ontwerpers, video-editors en webontwikkelaars kan vervangen. Ik heb het geprobeerd en anderen het zien proberen. Net als bij het maken van content brengt het je misschien 80 of 90 procent op weg. Maar in die laatste 10 of 20 procent zit je merk. Dat is wat ervoor zorgt dat je creatieve werk eruitziet als iets van jou en niet als dat van iedereen die dezelfde prompt heeft gebruikt.

Als je tevreden bent met iets algemeens, werkt het waarschijnlijk prima. Maar voor een fintechbedrijf dat vertrouwen bij bedrijven probeert op te bouwen, speelt ontwerp een cruciale rol. Het communiceert geloofwaardigheid voordat iemand ook maar één woord heeft gelezen. Een website met modules die niet helemaal goed werken of een door AI gegenereerde visuele identiteit doet daar afbreuk aan, zelfs als mensen niet altijd kunnen uitleggen waarom.

Voor dat werk vertrouw ik nog steeds op mensen: een ontwerper, een video-editor en een webontwikkelaar. Dat is niet veranderd.

De hype rond AI in de creatieve sector komt nog niet overeen met de realiteit, tenminste niet als je je merk aan een redelijke standaard houdt. Het is een nuttig hulpmiddel, maar geen vervanging, en velen zullen dat op de harde manier leren.

Hoe AI slankere marketingteams creëert

Enorme marketingteams zijn niet langer nodig. Ik ben benieuwd hoe klein we het team kunnen houden.

Een op AI gebaseerd team zal veel meer uitvoeren, en de eerste keer nauwkeuriger, dankzij snelle inzichten.

En naarmate we verdergaan, zal een operationeel ingestelde persoon (d.w.z. AI Ops, MarOps) en een geavanceerde groeimarketeer essentieel worden — zodat je alles correct opbouwt en alle systemen gaandeweg met elkaar verbindt.

Waarom marketingleiders gevestigde processen ter discussie moeten stellen

Dit is mijn advies.

1. Experimenteer en wees niet overdreven gehecht aan processen. Ik heb enkele van de beste dingen gebouwd door bereid te zijn te vragen: "Wat als we hier gewoon helemaal opnieuw mee begonnen op de nieuwe manier?" Dat is ongemakkelijk in gevestigde teams waar processen een geschiedenis hebben en mensen zich ermee identificeren. Maar als iets opnieuw ontworpen zou kunnen worden met AI als uitgangspunt, is het waarschijnlijk de moeite waard om te vragen of dat ook zou moeten.
2. Betrek de juiste persoon erbij. Je hoeft niet alles zelf te bouwen, maar je hebt iemand dicht bij je nodig die dit echt wil uitzoeken. Iemand die er nieuwsgierig naar is, die er thuis mee experimenteert en met ideeën komt. Die energie is moeilijk te creëren en is belangrijker dan welke tool of welk budget dan ook.
3. Deel vroeg en regelmatig wat werkt. De steun van onze CEO opende deuren naar de CTO, waardoor we meer van onze data-infrastructuur konden verbinden en alles krachtiger werd. Dat gebeurde niet omdat ik een grote presentatie had. Het gebeurde omdat ik mensen iets nuttigs liet zien en zij er meer van wilden. Vooruitgang ontstaat door kleine, zichtbare successen.
4. Verwacht niet dat je de behoefte aan mensen kunt wegautomatiseren. De teams die zullen winnen, zijn niet de teams die met AI het personeelsbestand inkrimpen. Het zijn de teams waarin mensen werk met een hogere waarde doen, omdat AI het voorbereidende werk afhandelt. Dat is een andere ambitie en die leidt tot betere resultaten.
5. Wacht ten slotte niet tot je een perfect plan hebt. De beste manier om te begrijpen wat AI in jouw specifieke situatie kan doen, is door iets te gaan bouwen, zelfs als het klein en onvolmaakt is. Ik heb alles geleerd door het te doen — niet door erover te lezen.

Volg de ontwikkelingen

Je kunt Liam volgen terwijl hij de marketingfunctie bij Alt21 uitbouwt op LinkedIn.

Er volgen meer interviews met experts bij The CMO Club!