Je CRM heeft 100.000 contacten. Maar hoeveel zijn er echt bruikbaar?
Je hebt geïnvesteerd in een CRM, contacten verzameld, integraties gebouwd en campagnes opgezet. En toch vallen de resultaten tegen. Campagnes presteren onder verwachting, personalisatie lukt niet en sales klaagt dat ‘de data niet klopt.’
Toch komt dat niet omdat je te weinig data hebt. Het probleem is dat je niet weet hoeveel van die data je daadwerkelijk kunt gebruiken. Uit onderzoek blijkt dat slechte (klant)datakwaliteit organisaties jaarlijks gemiddeld 12,9 miljoen dollar kost (Gartner, 2020). Mensen wisselen van baan, bedrijven fuseren en e-mailadressen veranderen. Zonder actief onderhoud wordt je database dus ieder jaar een kwart minder waard. Simpelweg omdat het niet wordt bijgehouden.
In een ander blog introduceerden we het PPIT-framework (People, Process, Information, Technology), waarbij Information de factor is waar automation-trajecten vaak vastlopen. Dit blog gaat hier dieper op in: hoe maak je datakwaliteit meetbaar, wat doe je ermee en hoeveel data is bruikbaar voor het behalen van je doelen?
)
)
Beschikbaar versus bruikbaar
Er is een groot verschil tussen data hebben en data kunnen gebruiken. Een contactrecord met een naam en e-mailadres is beschikbaar. Een contactrecord met een valide e-mailadres, gekoppeld aan het juiste bedrijf, inclusief ingevulde functie, bekende bron en een recente interactie is bruikbaar. Dat onderscheid bepaalt of je kunt automatiseren of niet.
Datakwaliteit is de voorwaarde waar alles op rust: een hoofdzaak in plaats van een technisch detail. Organisaties die automation succesvol inzetten, beginnen met eerlijk inventariseren wat ze hebben in plaats van meer data te verzamelen.
Om te bepalen of data bruikbaar is, helpt het om zes concrete criteria te hanteren:
Validiteit: is het e-mailadres deliverable?
Volledigheid: zijn de essentiële velden gevuld?
Actualiteit: is de informatie recent genoeg?
Consistentie: worden de velden op dezelfde manier ingevuld?
Koppelbaarheid: kan dit record gekoppeld worden aan andere systemen?
Herkomst: weet je waar dit record vandaan komt?
)
Wat er misgaat als je datakwaliteit niet meet
Een internationaal bedrijf wilde personalisatie implementeren op basis van hun "rijke klantdata" in BigQuery. Ze hadden geïnvesteerd in een modern dataplatform en waren overtuigd dat de technische basis aanwezig was.
Bij analyse bleek een ander beeld. Het industry-veld, cruciaal voor segmentatie, was bij 34 procent van de records leeg. Het company size-veld had 847 unieke waarden, inclusief varianten als "klein", "small", "1-10", "<10", "minder dan 10" en onbedoelde entries als "ja". De e-mail bounce rate op de bestaande database was 23 procent, wat betekent dat bijna een kwart van de e-mails niet zou aankomen.
Voordat er geautomatiseerd kon worden, was er drie maanden dataopschoning en standaardisatie nodig. Veelzeggend, want een dergelijk traject vind je nooit in de oorspronkelijke projectplanning. Het is ook zelden een proces waar budgetten voor worden vrijgemaakt, maar zonder die investering zou iedere automation op dit fundament wankel zijn.
)
De automation-realiteit die we vaker tegenkomen
Helaas is het voorbeeld hierboven is geen uitzondering. We zien dezelfde patronen keer op keer terugkomen. Enkele voorbeelden:
Niet inzetbare data in het warehouse. Het zit erin, maar in een formaat dat niet rechtstreeks te gebruiken is voor automation. Er is een data-team nodig om elke query te bouwen. Realtime is niet mogelijk.
Definities die per team verschillen. Wat is een ‘actieve klant’? Marketing zegt: iemand die in de afgelopen 90 dagen een e-mail heeft geopend. Sales zegt: iemand die in de afgelopen 12 maanden iets heeft gekocht. Finance zegt: iemand zonder openstaande facturen ouder dan 60 dagen. Drie definities, drie waarheden. Toch ontbreekt vaak de afstemming tussen de teams.
Historische data met wisselende veldstructuren. Twee jaar geleden heette het veld ‘industry’, vorig jaar ‘sector’ en nu ‘branche’. Technisch drie velden, semantisch één. Een query over vijf jaar data? Die vereist mapping die niemand heeft gedocumenteerd.
Match rates die tegenvallen. Systeem A en systeem B zijn geïntegreerd, maar slechts 60 procent van de records matcht. Dit komt bijvoorbeeld door e-mailadressen die niet consistent zijn of bedrijfsnamen die vaak anders of verkeerd gespeld worden.
)
Vijf stappen om je datakwaliteit meetbaar te maken
Datakwaliteit verbeteren begint niet met een groot opschoonproject. Er zit nog een essentiële stap voor de grote schoonmaak: meten. Daarna volgt een realistische aanpak om de database structureel te onderhouden. Hieronder volgt een stappenplan voor een opschoonproject.
Stap 1: Meet voordat je automatiseert.
Voer een audit uit op de velden die kritiek zijn voor je automation: e-mailvalidatie, volledigheid van velden, het percentage aan duplicaten, recentheid van updates. Dit geeft een baseline en voorkomt verrassingen halverwege een implementatie.
Stap 2: Schoon op voordat je bouwt.
Dataopschoning is niet sexy, maar het is wel de fundering waarop gebouwd moet worden. Verwijder bijvoorbeeld duplicaten, valideer e-mailadressen en standaardiseer veldwaarden. Dit kost tijd, maar die win je terug door effectieve automation te draaien op data die daadwerkelijk bruikbaar is.
Stap 3: Definieer en documenteer kernbegrippen.
Wat is een lead? Een opportunity? Een klant? Leg het vast. Zorg dat alle systemen dezelfde definities hanteren en update de documentatie wanneer definities veranderen. Dit klinkt bureaucratisch, maar het voorkomt de chaos van vijf waarheden naast elkaar.
Stap 4: Richt governance in.
Wie mag records aanmaken? Wie mag velden aanpassen? Wat zijn de verplichte velden en de toegestane waarden? Governance is niet leuk, maar wel noodzakelijk. Zonder governance vervuilt data sneller dan je het kunt opschonen.
Stap 5: Plan doorlopend onderhoud.
Data veroudert, want mensen wisselen van baan, bedrijven fuseren en e-mailadressen veranderen. Pak dit aan door periodiek onderhoud in te plannen. Denk dan aan het verwijderen van bounced e-mails, het archiveren van inactieve records en het controleren van de veldconsistentie. Behandel je database als een levend systeem dat aandacht en onderhoud nodig heeft, niet iets dat je eenmalig inricht.
)
Van volume naar waardevolle data
De vraag die in veel organisaties leeft is: "Hoe krijgen we meer data in het systeem?" Zij zien volume als een doel op zich. Het is geen ingewikkeld doel, want je kan gewoon meer velden toevoegen, meer integraties bouwen of meer bronnen aansluiten.
De vraag die je zou moeten stellen, is: "Hoe zorgen we dat we onze beschikbare data bruikbaar maken?" Kwaliteit boven kwantiteit. Liever 100.000 schone records dan één miljoen vervuilde. Liever vijf velden die consistent zijn ingevuld dan vijftig velden die leeg of inconsistent zijn.
Concreet betekent dit dat datakwaliteit structureel moet worden gemeten in plaats van het eenmalig te doen. Definieer welke data je nodig hebt voor automation en focus daarop. Schrap velden die niet worden gebruikt. Bouw opschoning in als doorlopende activiteit en durf data te verwijderen die niets bijdraagt.
Datakwaliteit is geen IT-vraagstuk. Het is een businessvraagstuk
De organisaties die automation succesvol inzetten, behandelen datakwaliteit niet als een technisch bijproduct. Ze behandelen het als een strategische voorwaarde. Ze meten, definiëren, schonen op en onderhouden. Niet eenmalig, maar continu. Wil je sparren over de datakwaliteit in jouw organisatie? Neem gerust contact met ons op. Onze experts denken graag met je mee.
)
Ga aan de slag met datakwaliteit
Wil je een volledige aanpak voor datakwaliteit en business automation, inclusief het PPIT-framework en een readiness check? Download dan de whitepaper CTRL+SHIFT: De vier factoren die bepalen of business automation slaagt of faalt.
Download de whitepaper