CRM-Datenqualitätsaudit: Probleme vor der Bereinigung messen

Vor dem Start: die Aufgabe der Daten wählen

Stellen Sie sich ein CRM mit Tausenden vollständig ausgefüllter Kontakte und zwölf aktiven Deals ohne Verantwortlichen vor. Die allgemeine Vollständigkeitsquote sieht beruhigend aus. Der Vertriebsleiter, der diese Deals zuweisen muss, dürfte anderer Meinung sein.

Datenqualität hängt von der Aufgabe ab. Eine Lieferadresse braucht eine andere Prüfung als ein ungenutztes optionales Feld. Beginnen Sie mit einer Entscheidung oder einem Ablauf: eingehende Anfragen zuweisen, Prognosen erstellen, Neukunden übergeben oder Verlängerungen verwalten.

Dieser Leitfaden funktioniert mit gespeicherten CRM-Ansichten, erlaubten Tabellenexporten oder vorhandenen Abfragewerkzeugen. Sie brauchen IDs, Felddefinitionen, relevanten Verlauf und einen Fachverantwortlichen, der korrekte Daten bestätigen kann. Ein Bereinigungstool müssen Sie dafür nicht kaufen.

Das britische Government Data Quality Framework unterscheidet Vollständigkeit, Eindeutigkeit, Konsistenz, Aktualität, Gültigkeit und Richtigkeit. Wir verwenden diese Dimensionen und ergänzen CRM-Beziehungsprüfungen. Messverfahren und CRM-Beispiele sind unsere Empfehlungen; sämtliche Beispielzahlen sind illustrativ.

• Britische Regierung: Dimensionen der Datenqualität und Eignung für den Zweck ↗

1. Relevante Datensätze definieren und Momentaufnahme sichern

Beschreiben Sie die Population reproduzierbar. „Deals“ reicht nicht. „Offene Neukunden-Deals der Niederlande-Pipeline um 09:00 Europe/Amsterdam am Audit-Tag, ohne markierte Testdatensätze“ ist ein brauchbarer Ausgangspunkt.

Entscheiden Sie zwischen aktueller Momentaufnahme und in einem Zeitraum erstellten Datensätzen. Die Momentaufnahme zeigt heutige Fehler. Die Erstellungskohorte zeigt, ob ein Prozess weiter Fehler einführt. Bewahren Sie diese Unterscheidung im gesamten Audit.

1. Nennen Sie Geschäftszweck, CRM-Objekt, Pipeline oder Segment, Zeitstempel, Zeitzone und Ausschlüsse. Bestimmen Sie benötigte verbundene Objekte.
2. Sichern Sie Auswahl und erlaubten datierten Export oder Ergebnisstand. Erfassen Sie stabile IDs und benötigte Felder, keine unbeteiligten personenbezogenen Informationen.
3. Zählen Sie eindeutige relevante IDs. Erzeugen Verknüpfungen mehrere Zeilen je Deal, verwenden Sie eine Zeile je geprüftem Deal oder zählen Sie eindeutige Deal-IDs.
4. Dokumentieren Sie Zugriffsgrenzen und fehlenden Verlauf. Sehen Sie nur ein Team, kennzeichnen Sie das Ergebnis entsprechend.

2. „Gute Daten“ in ausdrückliche Regeln übersetzen

Wählen Sie einige prozesskritische Felder oder Beziehungen. Definieren Sie bestanden, fehlerhaft und nicht zutreffend. Ein leeres Aktionsfeld kann fehlerhaft sein; „noch offen“ als Wert macht es nicht unbedingt brauchbar. Vereinbaren Sie die Zählweise für beides.

Trennen Sie Vollständigkeit und Richtigkeit. Ein Betrag kann numerisch gültig sein und dennoch vom unterzeichneten Vertrag abweichen. Ein plausibles Datum kann das falsche Ereignis bezeichnen. Jede Prüfung muss ihre Frage klar benennen.

1. Geben Sie jeder Prüfung ID und verständliche Regel, etwa DQ-01: Relevante offene Deals brauchen einen aktiven Verantwortlichen oder eine genehmigte Warteschlangenausnahme.
2. Definieren Sie die relevante Population dieser Regel. Eine Unternehmensverknüpfung kann für einen anderen Endkundenprozess unzutreffend sein.
3. Beschreiben Sie die Fehlerbedingung: fehlender oder inaktiver Verantwortlicher, Wert außerhalb des Bereichs oder fehlende Pflichtbeziehung. Trennen Sie Kategorien mit unterschiedlichen Korrekturen.
4. Lassen Sie Regel und Ausnahmen vor der Messung vom Fachverantwortlichen bestätigen. Dokumentieren Sie eine Version für spätere Änderungen.

• Britische Regierung: Dimensionen der Datenqualität und Eignung für den Zweck ↗

3. Prüfungen ausführen und Rechnung zeigen

Zählen Sie betroffene relevante IDs und teilen Sie durch alle relevanten IDs. Fehlerquote = betroffene relevante Datensätze ÷ relevante Datensätze × 100. Zeigen Sie Anzahl und Prozentwert. Bei null relevanten Datensätzen melden Sie „nicht zutreffend: keine relevanten Datensätze“, keine Bestnote.

Sichern Sie neben der Summe die zugrunde liegenden IDs für Untersuchung und spätere Kontrolle. Ergänzen Sie Messdatum, Abfrage oder Filter, Regelversion und manuelle Bewertungen.

1. Führen Sie jede Prüfung auf der gesicherten Population aus. Behandeln Sie Leerzeichen und vereinbarte Platzhalter einheitlich; ersetzen Sie Unbekanntes nicht still durch Standardwerte.
2. Speichern Sie je Prüfung betroffene und relevante Anzahl, Fehlerquote sowie erzeugende IDs oder Ansicht.
3. Prüfen Sie einige bestandene und fehlerhafte Datensätze gegen das Sollverhalten. Eine reproduzierbare Abfrage kann trotzdem das falsche Feld prüfen.
4. Halten Sie Fehlerquoten getrennt. Für Datensätze mit irgendeinem Fehler bilden Sie die Vereinigungsmenge betroffener IDs und zählen jeden Datensatz einmal.

4. Richtigkeit und Dublettenkandidaten prüfen

Manche Fehler lassen sich in der Gesamtpopulation filtern. Richtigkeit braucht oft eine vertrauenswürdige Vergleichsquelle. Wählen Sie diese mit dem Fachverantwortlichen: unterzeichneten Vertrag für Konditionen oder bestätigte Kundenangaben für Kontaktdaten.

Eine gezielte Stichprobe erklärt Muster. Für eine breitere Fehlerquotenschätzung brauchen Sie eine zufällige oder dokumentierte gruppenübergreifende Stichprobe. Die Größe hängt von Genauigkeit und gewünschter Sicherheit ab; „20 Datensätze prüfen“ ist keine universelle Regel.

1. Definieren Sie die maßgebliche Quelle je Richtigkeitsprüfung und den Verifikationszeitpunkt. Eine externe Datenbank ist nicht allein deshalb korrekt, weil sie extern ist.
2. Erfassen Sie je geprüftem Datensatz Übereinstimmung, Abweichung oder nicht überprüfbar sowie den Nachweis. Zählen Sie nicht überprüfbare Datensätze nicht als korrekt.
3. Bilden Sie Dublettenkandidatengruppen mit verfügbaren Entitätskennungen. Vereinheitlichen Sie Vergleichswerte und bewahren Sie Originalwerte zur Prüfung auf.
4. Vergleichen Sie Identität, Beziehungen und vorgesehenes Datenmodell. Ähnliche Namen beweisen keine Dublette; Tochtergesellschaften können berechtigt Marke oder Domain teilen.
5. Dokumentieren Sie Ergebnis und zu erhaltenden Datensatz erst nach bestätigter Identität. Trennen Sie Zusammenführungsentscheidung und Ausführung.

5. Den Eintritt jedes Fehlers ins CRM verfolgen

Gruppieren Sie betroffene Datensätze nach Erstellungs- und Aktualisierungsquelle, Importcharge, Team und Zeit. Vergleichen Sie die Fehlerquote innerhalb jeder relevanten Gruppe, nicht nur Fehlerzahlen. Die größte Quelle hat oft die meisten Fehler trotz relativ zuverlässigem Prozess.

Verfolgen Sie Beispiele zum Ursprung. Vielleicht wird ein Pflichtfeld vor Verfügbarkeit der Information verlangt, eine Integration ordnet eine falsche Option zu oder das Team dokumentiert anderswo. Dieselbe leere Zelle kann unterschiedliche Korrekturen brauchen.

1. Gliedern Sie den Ausgangsstand nach relevanter Quelle oder Kohorte mit unveränderter Regel. Bewahren Sie jeden Gruppennenner.
2. Vergleichen Sie den Verlauf betroffener und bestandener Datensätze derselben Quelle. Suchen Sie das erklärende Ereignis oder die Konfigurationsänderung.
3. Lassen Sie die ausführende Person den echten Erstellungs- oder Aktualisierungspfad zeigen. Ist die Regel dort überhaupt erfüllbar?
4. Notieren Sie vermutete Ursache, Belege, Alternativerklärung und nächste Prüfung. Bestätigen Sie die Ursache nur bei ausreichenden Nachweisen.

6. Korrekturen auswählen und definieren

Priorisieren Sie nach gestörter Entscheidung oder Arbeit. Aktive Anfragen ohne Zuständigkeit blockieren heute. Falsche Vertragsdaten verzerren Verlängerungsplanung. Historische Formatabweichungen sind eventuell weniger dringend, sofern keine aktive Integration oder Berichte davon abhängen.

Trennen Sie Datenkorrektur und Eingabeprozessänderung. Zwölf Datensätze zu korrigieren und ihre fehlererzeugende Regel zu ändern sind verschiedene Aufgaben. Beide brauchen Zuständige; die Reihenfolge hängt von Dringlichkeit und bestätigter Ursache ab.

1. Notieren Sie Arbeit, Anzahl, Folge, Sicherheit, Dringlichkeit, Abhängigkeiten und Aufwand. Begründen Sie Prioritäten nicht mit unbelegten Umsatzverlustschätzungen.
2. Bestimmen Sie, woher der korrekte Wert kommt: geprüfte Quelle oder Prüfung durch den Zuständigen. Erfinden Sie keine plausiblen Werte für bessere Vollständigkeitsquoten.
3. Definieren Sie die Behandlung von Ausnahmen und Unbekanntem. Berechtigte Ausnahmen bleiben ausdrücklich prüfbar statt hinter Filtern zu verschwinden.
4. Wählen Sie die kleinste prüfbare Korrekturcharge. Klären Sie bei Dubletten vorab den Umgang mit Beziehungen, Verlauf und Folgesystemen.

• HubSpot: Verhalten und Grenzen beim Zusammenführen von Datensätzen ↗

7. Korrektur testen und ursprüngliche Prüfungen wiederholen

Beginnen Sie mit einer geprüften Teilmenge und Vorher-Nachher-Werten. Behebt die Korrektur auch das Geschäftsproblem? Ein Verantwortlicher ohne Datensatzzugriff besteht womöglich die Nichtleer-Prüfung, während die Übergabe weiter scheitert.

Vergleichen Sie dieselbe Population und Regelversion vor und nach der Korrektur. Benennen Sie Populationsänderungen ausdrücklich. Neue fehlerfreie Datensätze und sinkende Prozentwerte beweisen keine Korrektur ursprünglicher Fehler.

1. Definieren Sie Sollergebnisse und Wiederherstellungsoptionen. Testen Sie Normalfall, gültige Ausnahme, bereits korrekten Datensatz und wiederholtes Update in geeigneter Umgebung.
2. Wiederholen Sie nach genehmigter Korrektur die Prüfungen auf ursprünglichen IDs. Unterscheiden Sie korrigierte, ungeklärte, entfernte und neu betroffene Datensätze.
3. Prüfen Sie abhängige Workflows, Beziehungen und Berichte auf Nebenwirkungen. Bleiben Werte nach dem nächsten relevanten Sync oder Update korrekt?
4. Prüfen Sie eine neue Kohorte mit derselben Regel auf Präventionswirkung. Dokumentieren Sie eigenen Zähler, Nenner und Beobachtungszeitraum.

8. Prüfungen in die Arbeitsroutine aufnehmen

Geben Sie Regeln zum Schutz wichtiger Arbeit einen festen Platz. Ein Dashboard hilft nur, wenn jemand auf Veränderungen reagieren kann. Koppeln Sie Prüfungen an den Ablauf: nach Imports, bei neuen Anfragen oder vor der Verlängerungsplanung.

Leiten Sie Schwellen aus Prozessbedarf und Folgen ab. Eine pauschale „95 % sauber“-Vorgabe kann ernste Fehler kleiner wichtiger Gruppen verbergen. Bei Definitionsänderungen bewahren Sie alte Ergebnisse und erklären fehlende direkte Vergleichbarkeit.

1. Benennen Sie Fachverantwortliche je Regel und technische Verantwortliche je Prüfung. Dokumentieren Sie den Ablageort der Ergebnisse und IDs.
2. Bestimmen Sie Häufigkeit, Schwelle, Ausnahmen und Reaktion: Wer untersucht, wer genehmigt Korrekturen, wann werden offene Probleme eskaliert?
3. Verfolgen Sie Altbestand und neue Fehler nach Quelle. So wird sichtbar, ob das Team Historie bereinigt oder dasselbe Problem immer neu erzeugt.
4. Überprüfen Sie Regeln bei Änderungen an Vertriebsprozess, Integration oder Datenmodell. Entfernen Sie zwecklose Kontrollen und dokumentieren Sie Änderungen aktiver Regeln.