Jakość danych klientów należy ocenić pod kątem ich poprawności, kompletności, spójności, aktualności, zgodności z ustalonymi regułami oraz unikalności. Najpierw trzeba wskazać dane niezbędne w konkretnym procesie, następnie sprawdzić całą bazę lub reprezentatywną próbkę, policzyć udział błędów i ocenić ich wpływ na sprzedaż, obsługę klienta, raportowanie oraz automatyzację.
Najpierw ustal, do czego dane klientów mają służyć
Dobra jakość danych nie oznacza, że każdy rekord zawiera wszystkie pola dostępne w systemie. Dane powinny przede wszystkim nadawać się do wykonania określonego zadania. Inne informacje będą konieczne przy wysyłce zamówienia, inne podczas kampanii e-mailowej, a jeszcze inne przy przygotowywaniu raportu sprzedaży.
Przed rozpoczęciem audytu trzeba więc wybrać proces, którego dotyczą dane. Może to być kontakt handlowy, realizacja zamówienia, wystawianie dokumentów, segmentacja klientów, obsługa zgłoszeń albo analiza sprzedaży. Następnie należy wskazać pola krytyczne, czyli takie, których brak lub błędna wartość uniemożliwiają prawidłowe wykonanie tego procesu.
W kampanii e-mailowej krytyczne mogą być adres e-mail, status zgody i przypisanie klienta do właściwego segmentu. Numer telefonu może być w tym przypadku nieistotny. Przy wysyłce produktu najważniejsze będą natomiast dane odbiorcy i adres dostawy.
Takie podejście pozwala uniknąć błędnego założenia, że każde puste pole ma taką samą wagę.
Określ zakres audytu
Audyt danych klientów powinien mieć jasno wyznaczone granice. Trzeba ustalić:
- które systemy i źródła będą sprawdzane,
- jakie typy rekordów obejmie analiza,
- jaki okres zostanie uwzględniony,
- czy kontrolowana będzie cała baza, czy wybrana próbka,
- które pola są wymagane w analizowanym procesie.
Jeżeli dane klientów znajdują się jednocześnie w CRM, sklepie internetowym, systemie obsługi i narzędziu marketingowym, ich jakość należy oceniać nie tylko w każdym źródle osobno, lecz także podczas porównywania informacji między systemami.
Sześć kryteriów jakości danych klientów
Kryteria jakości danych klientów powinny być mierzone oddzielnie. Rekord może być kompletny, ale nieaktualny. Może też mieć prawidłowo zapisany adres e-mail, który w rzeczywistości nie należy do wskazanej osoby.
Poprawność danych
Dane są poprawne, gdy odpowiadają rzeczywistości. Kontrola powinna więc ustalić nie tylko, czy wartość wygląda wiarygodnie, lecz także czy faktycznie opisuje właściwego klienta.
Przykładowe pytania kontrolne to:
- Czy numer telefonu należy do klienta przypisanego do rekordu?
- Czy nazwa firmy zgadza się z wiarygodnym źródłem?
- Czy adres dostawy odpowiada informacjom podanym przy zamówieniu?
- Czy status klienta odzwierciedla rzeczywisty etap współpracy?
To, jak sprawdzić poprawność danych klientów, zależy od rodzaju informacji. Można porównać je z systemem źródłowym, dokumentem, potwierdzeniem klienta, wynikiem kontaktu albo właściwym rejestrem.
Podstawowy wskaźnik można obliczyć według wzoru:
Wskaźnik poprawności = liczba poprawnych wartości / liczba sprawdzonych wartości x 100%
Kompletność rekordów
Kompletność oznacza obecność informacji niezbędnych do wykonania danego procesu. Nie powinna być oceniana przez liczbę wszystkich uzupełnionych pól, jeżeli część z nich nie jest w danym przypadku potrzebna.
Rekord może być kompletny dla kampanii e-mailowej, mimo że nie zawiera telefonu. Ten sam rekord może być jednak niekompletny z punktu widzenia zespołu, który prowadzi sprzedaż telefoniczną.
Podstawowy wzór wygląda następująco:
Wskaźnik kompletności = liczba uzupełnionych wymaganych pól / liczba wszystkich wymaganych pól x 100%
W większej bazie warto osobno ustalić, jak mierzyć kompletność rekordów, aby wynik uwzględniał znaczenie poszczególnych pól oraz różnice między procesami.
Spójność danych
Spójność można oceniać na dwóch poziomach. Pierwszy dotyczy informacji znajdujących się w jednym rekordzie. Drugi obejmuje dane tego samego klienta zapisane w różnych systemach.
Problemy ze spójnością występują między innymi wtedy, gdy:
- klient ma inny status w CRM i systemie sprzedażowym,
- ta sama firma występuje pod kilkoma nazwami,
- do jednego identyfikatora przypisano różne adresy e-mail,
- kraj nie pasuje do formatu kodu pocztowego,
- daty zapisane w rekordzie przeczą kolejności zdarzeń.
Aby ocenić spójność danych, należy określić, które źródło jest nadrzędne dla danego pola oraz jakie różnice są dopuszczalne. Samo wykrycie dwóch odmiennych wartości nie przesądza jeszcze, która z nich jest błędna.
Przykładowy miernik:
Wskaźnik spójności = liczba rekordów bez wykrytych konfliktów / liczba porównanych rekordów x 100%
Aktualność danych
Dane mogły być poprawne w chwili ich zebrania, ale z czasem stracić przydatność. Klient może zmienić numer telefonu, stanowisko, adres dostawy albo nazwę firmy.
Aktualność należy oceniać na podstawie:
- daty ostatniej weryfikacji,
- rodzaju informacji,
- tempa, w jakim dana wartość może się zmieniać,
- częstotliwości korzystania z rekordu,
- skutków użycia nieaktualnych danych.
Nie należy ustalać jednego okresu ważności dla wszystkich pól. Historia zamówień nie traci aktualności w taki sam sposób jak numer telefonu lub stanowisko osoby kontaktowej.
Przykładowy wskaźnik może pokazywać udział rekordów, które zostały potwierdzone w okresie przyjętym dla danego rodzaju danych.
Zgodność z regułami
To kryterium określa, czy wartość jest zgodna z wymaganym formatem, typem, zakresem lub słownikiem dopuszczalnych wartości.
Kontrola może sprawdzać, czy:
- adres e-mail ma właściwą strukturę,
- numer telefonu zapisano w dozwolonym formacie,
- pole daty zawiera rzeczywistą datę,
- status klienta pochodzi z zatwierdzonej listy,
- identyfikator ma wymaganą długość,
- wartość mieści się w dopuszczalnym zakresie.
Zgodność z regułą nie potwierdza jednak poprawności informacji. Adres e-mail może mieć prawidłowy format, a mimo to nie istnieć albo należeć do innej osoby.
Unikalność rekordów
Unikalność oznacza, że jeden klient nie jest bez potrzeby reprezentowany przez kilka rekordów. Duplikaty mogą różnić się pisownią nazwiska, formatem telefonu, kolejnością członów nazwy firmy albo jednym nieaktualnym polem.
Nie każdy podobny rekord jest duplikatem. Kilku pracowników tej samej firmy może mieć wspólny adres, ale stanowić oddzielne kontakty. Dlatego ocena unikalności wymaga określenia, co w danej bazie reprezentuje pojedynczy rekord.
Podstawowy miernik to:
Wskaźnik duplikacji = liczba rekordów uznanych za duplikaty / liczba wszystkich sprawdzonych rekordów x 100%
Szczegółowe kryteria dopasowania i sposób scalania powinny zostać ustalone dopiero po rozpoznaniu skali problemu.
Jak przeprowadzić audyt danych klientów krok po kroku
Audyt danych klientów powinien być powtarzalnym procesem opartym na wcześniej zapisanych zasadach. Dzięki temu kolejny pomiar będzie można porównać z poprzednim.
1. Wybierz proces i krytyczne pola
Najpierw należy wskazać konkretny proces biznesowy i dane niezbędne do jego wykonania. Dla każdego pola warto określić, jakie konsekwencje powoduje jego brak, błędna wartość lub nieaktualność.
Pozwala to oddzielić błędy krytyczne od niedoskonałości, które nie wpływają na wynik procesu.
2. Zapisz reguły oceny
Dla każdego kontrolowanego pola trzeba określić:
- kiedy uznaje się je za kompletne,
- jaki format jest dopuszczalny,
- z jakim źródłem można sprawdzić poprawność,
- jak długo wartość pozostaje aktualna,
- jakie rozbieżności są niedopuszczalne,
- po czym rozpoznawany jest potencjalny duplikat.
Reguły powinny powstać przed rozpoczęciem kontroli. W przeciwnym razie osoba prowadząca audyt może oceniać podobne przypadki w różny sposób.
3. Zbadaj całą bazę albo reprezentatywną próbkę
Kontrole pustych pól, formatów, zakresów i identycznych rekordów można zwykle wykonać dla całej bazy. Ręczne potwierdzanie poprawności często wymaga natomiast użycia próbki.
Próbka powinna obejmować różne:
- źródła pozyskania danych,
- okresy utworzenia rekordów,
- grupy klientów,
- oddziały lub rynki,
- etapy procesu sprzedaży.
Wybranie wyłącznie najnowszych albo najbardziej aktywnych rekordów może zaniżyć skalę problemów jakości danych w CRM.
4. Zapisuj wykryte błędy i ich źródła
Dla każdego problemu warto zapisać rodzaj błędu, pole, źródło rekordu, zastosowaną regułę oraz sposób potwierdzenia. Sam wynik „poprawne” lub „niepoprawne” nie wystarczy do zaplanowania skutecznych działań.
Jeżeli większość błędów pochodzi z jednego formularza, importu albo integracji, naprawienie źródła problemu będzie ważniejsze niż ręczne poprawianie kolejnych rekordów.
5. Oblicz osobne wyniki dla każdego kryterium
Poprawność, kompletność, spójność, aktualność, zgodność z regułami i unikalność należy raportować oddzielnie. Zwykła średnia może ukryć poważny problem.
Baza może uzyskać wysoki wynik kompletności, a jednocześnie zawierać wiele nieaktualnych telefonów. Może też mieć niewiele braków, lecz dużą liczbę konfliktów między systemami.
6. Oceń wpływ każdego problemu
Priorytet naprawy powinien wynikać z trzech elementów:
- częstotliwości występowania błędu,
- znaczenia pola w danym procesie,
- skutków biznesowych użycia nieprawidłowej wartości.
Niewielka liczba błędów w identyfikatorach łączących klientów z transakcjami może być groźniejsza niż duży odsetek pustych pól pomocniczych.
Karta wyników jakości danych
Prosta karta wyników porządkuje pomiary i pozwala porównać kolejne audyty.
| Wymiar | Co należy sprawdzić | Przykładowy miernik | Znaczenie dla procesu | Priorytet |
|---|---|---|---|---|
| Poprawność | zgodność z rzeczywistością lub źródłem referencyjnym | odsetek poprawnych wartości | wysokie, średnie lub niskie | do ustalenia |
| Kompletność | obecność wymaganych pól | odsetek uzupełnionych pól | wysokie, średnie lub niskie | do ustalenia |
| Spójność | brak konfliktów w rekordzie i między systemami | odsetek rekordów bez rozbieżności | wysokie, średnie lub niskie | do ustalenia |
| Aktualność | weryfikacja w przyjętym okresie | odsetek aktualnych rekordów | wysokie, średnie lub niskie | do ustalenia |
| Zgodność z regułami | prawidłowy format, typ i zakres | odsetek wartości zgodnych z regułami | wysokie, średnie lub niskie | do ustalenia |
| Unikalność | brak powielonych klientów | odsetek potencjalnych duplikatów | wysokie, średnie lub niskie | do ustalenia |
Nie istnieje jeden uniwersalny próg dobrej jakości danych. Wymagany poziom zależy od zastosowania i ryzyka. Dla pola używanego do rozliczeń lub identyfikacji klienta wymagania będą zwykle wyższe niż dla informacji pomocniczej wykorzystywanej sporadycznie.
Łączny wynik można przygotować dopiero po przypisaniu uzasadnionych wag poszczególnym kryteriom. Bez tego średnia ze wszystkich wskaźników może prowadzić do błędnych wniosków.
Jak ustalić kolejność naprawy problemów
W pierwszej kolejności należy usuwać błędy, które uniemożliwiają wykonanie procesu, powodują przypisanie transakcji do niewłaściwego klienta albo zniekształcają raporty i automatyzacje.
Następnie można zająć się masowo występującymi brakami, niezgodnościami między systemami i problemami o mniejszym wpływie operacyjnym.
Jakość rekordów ma znaczenie również przy analizie danych w e-commerce, ponieważ błędne identyfikatory, statusy lub segmenty klientów mogą zniekształcić obliczane wskaźniki i prowadzić do niewłaściwych decyzji.
Dobrym sposobem ustalania priorytetu jest połączenie skali problemu z jego wpływem. Błąd występujący często, ale dotyczący nieużywanego pola, może być mniej pilny niż pojedyncze przypadki błędnego przypisania płatności.
Audyt powinien prowadzić do regularnej kontroli
Jednorazowy audyt pokazuje bieżący stan bazy i źródła problemów, ale nie zabezpiecza danych przed ponownym pogorszeniem. Po wprowadzeniu poprawek trzeba sprawdzić, czy zmniejsza się liczba braków, konfliktów, nieaktualnych rekordów i duplikatów.
Kolejne kontrole powinny korzystać z tych samych definicji oraz mierników. Dopiero wtedy można rzetelnie ocenić trend i skuteczność działań naprawczych. Po pierwszym audycie należy więc ustalić, jak monitorować jakość danych, aby nowe problemy były wykrywane zanim wpłyną na sprzedaż, obsługę klientów lub raportowanie.
