En av våra kunder körde en win-back-kampanj för drygt arton månader sedan. Listan de tog ut innehöll 124 000 kontakter som markerats som inaktiva i CRM:et, och budget samt kapacitetsplan sattes baserat på den volymen.
När vi gick igenom datan visade det sig att 32 000 av kontakterna hade handlat de senaste sex månaderna, men via en kanal som inte var integrerad med CRM:et.
26 000 var dubbletter med variationer i för- eller efternamn. 19 000 hade avregistrerat sig. Och 8000 hade e-postadresser som bouncat upprepade gånger utan att det flaggats. Den faktiska målgruppen för kampanjen blev knappt 39 000 kontakter. Budgeten var satt för tre gånger så många.
Det här är inte ett extremfall. Det är snarare normen i de CRM-databaser vi möter.
Vad är det som gör data värdelös?
Data blir sällan värdelös för att det finns för lite av den. Det är nästan alltid tvärtom: Det finns mycket data, men den är i fel skick, på fel plats eller används på fel sätt. Fyra problem dyker upp i princip varje gång vi gör en CRM Health Check:
- Dubbletter: Samma person finns registrerad flera gånger, ofta med variationer i namn, e-postadress eller organisationstillhörighet. I en medelstor e-handelsdatabas är 8–15% av alla poster dubbletter. Det ger missvisande analys och dubbelkommunikation som riskerar att skada varumärkesuppfattningen.
- Inaktuell information: E-postadresser som inte längre stämmer, roller som ändrats, kontakter som lämnat sin arbetsgivare. I B2B-databaser är detta ett av de mest kostsamma problemen: lead-kvaliteten ser bättre ut än den är, och resurser investeras i relationer som inte längre existerar.
- Inkonsekvent registrering: Fält används olika av olika användare. “Stockholm”, “Sthlm” och “sthlm” blir tre olika värden i din segmenteringslogik. Det gör segmentering opålitlig och tvingar fram manuell rensning inför utskick.
- Oanvända och felanvända fält: Systemet erbjuder tjugo fält. Sju används konsekvent. Resten är tomma, missförstådda eller fyllda med importdata som aldrig kvalitetssäkrats. Det försvårar nästan varje analytisk fråga.
Vad det faktiskt kostar
Bristande datakvalitet är inte ett tekniskt problem i första hand. Det är ett affärsproblem, med konsekvenser som syns i både siffror och kundupplevelse.
RFM-segmentering ger missvisande utfall när köphistorik är inkomplett eller dubblerad. Kunder klassas fel och får kommunikation som inte stämmer med deras faktiska relation: Champions behandlas som Promising, och At Risk-kunder kan missas helt. Det påverkar hur organisationen prioriterar mellan segmenten – om datan är fel riskerar man att investera i fel kunder, vilket direkt påverkar både intäkter och CLV.
Win-back-kampanjer riktas mot fel personer och du spenderar budget på att “återvinna” kunder du fortfarande har, eller på kontakter som aldrig haft en riktig relation med dig. Precis som i exemplet ovan handlar det inte bara om ineffektivitet, utan om en kundupplevelse som blir sämre.
GDPR-risken är reell när kontakter som begärt att bli borttagna men lever kvar i systemet under ett annat ID eller en äldre e-postadress blir en compliance-exponering. Den syns sällan i vardagen, men den dyker upp när någon granskar.
Bristande datakvalitet leder till att organisationen tappar förtroendet för CRM-datan. När tilliten försvinner börjar team fatta beslut utanför systemet, vilket ytterligare minskar värdet av CRM-investeringen. I förlängningen innebär det att beslut fattas med lägre datastöd och högre grad av antaganden.
Tre sätt att diagnostisera din CRM-data idag
Du behöver inte starta ett projekt för att få en korrekt bild. Tre kontrollpunkter räcker långt:
Gör en dubblettanalys på e-postadress och telefonnummer.
Om mer än 5% av posterna matchar en annan post är du i riskzonen. I de flesta databaser vi granskar ligger siffran högre.
Kontrollera andelen kompletta kundprofiler.
Hur stor andel av kontakterna har värden i de fält du faktiskt använder i segmentering och kommunikation? Under 60% är ett tydligt tecken på en systemisk problematik rörande inmatning av data.
Granska bounce- och opt-out-historiken.
Finns det kontakter med upprepade hard bounces som fortfarande är aktiva i systemet? Det tyder på att valideringsrutiner saknas.
Datakvalitet är process, inte projekt
Det vanligaste misstaget är att behandla datastädning som en engångsinsats. Städning sker och man konstaterar att det är “klart” och fortsätter som vanligt. Sex månader senare är man tillbaka på ruta ett.
Hållbar datakvalitet kräver tre saker:
Tydliga regler för hur data registreras
Ett format, ett arbetssätt och ett ägarskap. Inte fyra sätt att skriva Stockholm.
Automatiserade valideringsregler i CRM:et
Så att skräpdata hindras från att komma in från början, istället för att behöva städas bort i efterhand.
Regelbunden granskning som en del av CRM-arbetet
Inte som ett “krispaket” när det blivit akut.
“Vi brukar säga att datakvalitet är grunden för allt annat. RFM-analys och segmentering, personalisering, marketing automation, alla dessa verktyg bygger på att datan de agerar på är korrekt. Det spelar ingen roll hur sofistikerat systemet är om underlaget inte håller måttet.”
— Louise Stenström, e-handelskonsult.
Se inte datakvalitet som ett projekt, utan som en del av vardagen. Gör ni inte jobbet hela tiden kommer er data snart vara värdelös igen, oavsett hur mycket ni städar just nu.
Vill du veta hur din CRM-databas faktiskt mår? Kontakta oss på letstalk@omniarch.se
Din mest lönsamma produkt är kanske inte den du tror.
Omniarch Profit AssessmentRedo att växla upp?
Vi hjälper dig!
Vi är passionerade inför att se, möta och hjälpa dig med dina digitala utmaningar. Ta del av våra beprövade strategier och få hjälp att växa till nya höjder. Vill du vara en del av vår framgångsresa? Boka ett möte så berättar vi mer!
