RevOps-Datenhygiene: Das unglamouröse Fundament der Orchestrierung

Niemand wird befördert, weil er Konten dedupliziert hat. Es gibt keine Keynote-Demo für eine gut durchgesetzte Auswahlliste und keine Board-Folie, die feiert, dass die meisten Opportunities endlich einen Zeitstempel für den Stufeneintritt haben. Datenhygiene ist Sanitärtechnik. Unsichtbar, wenn sie funktioniert, teuer, wenn nicht, und chronisch unterfinanziert, weil ihr Wert defensiv ist.

Aber jedes Projekt, an dem eine RevOps-Führungskraft eigentlich arbeiten möchte, steht auf genau dieser Sanitärtechnik. Attribution, Scoring, Forecasting, Next-Best-Action, Orchestrierung selbst. Lässt man ein gutes Modell auf schmutzigen Daten laufen, erhält man selbstbewusste, präzise, falsche Antworten. Wir haben Teams erlebt, die Monate in ein Scoring-Modell gesteckt haben und dann feststellten, dass ein großer Teil ihrer Konten Duplikate waren – was bedeutete, dass das Modell die ganze Zeit aus aufgesplitteten Aktivitätshistorien gelernt hatte. Hygiene ist die am wenigsten glanzvolle Ebene der modernen Revenue-Plattform-Architektur, und diejenige, von der alles andere still und leise abhängt.

Vier Arten, wie Daten schlecht werden

Umsatzdaten verschlechtern sich auf vorhersehbare Weise, und jede Art braucht eine andere Lösung, deshalb lohnt es sich, sie zu benennen.

Duplizierung. „Acme", „Acme Inc" und „Acme Corporation" existieren alle, weil drei Tools das Konto unabhängig voneinander angelegt haben und nichts sie zusammenführt. Pipeline-Zahlen blähen sich auf, die Aktivitätshistorie wird dreifach gesplittet, und kein einzelner Datensatz sagt Ihnen mehr irgendetwas.

Unvollständigkeit. Felder, die Sie für die Analyse brauchen, sind leer. Wenn bei 30 % der Opportunities keine Lead-Quelle vorliegt, ist die quellenbasierte Attribution nicht zu 30 % unsicher. Sie ist unbrauchbar, weil Sie keine Möglichkeit haben zu wissen, ob die fehlenden 30 % den sichtbaren 70 % überhaupt ähneln.

Inkonsistenz. Dasselbe Konzept wird in jedem System anders codiert. Hier „Closed Won", dort „Won", im dritten System „6 – Closed". Jede Verknüpfung über diese Systeme hinweg verwirft oder verzählt Zeilen, und zwar lautlos.

Veralterung. Das Feld war einmal richtig. Der Champion hat das Unternehmen verlassen, die Kundenstufe hat sich geändert, und niemand hat es aktualisiert. Veraltete Daten sind von den vieren die gefährlichste Art, weil sie sauber aussehen. Im Feld steht ein Wert. Er ist nur falsch.

Die meisten Feuerwehrübungen à la „unsere Zahlen stimmen nicht überein" lassen sich auf eine dieser Ursachen zurückführen. Herauszufinden, welche es ist, ist die halbe Arbeit.

Aufräumaktionen halten nicht

Der Reflex, wenn die Instanz ein Chaos ist, ist eine Aufräumaktion anzusetzen. Einen Berater holen, ein Quartal blockieren, eine Tabelle mit Zusammenführungen erstellen. Das funktioniert genau so lange, bis neuer Schmutz eintrifft, meist nach ein paar Wochen. Sauberkeit lässt sich nicht speichern. Man kann sie nur immer wieder herstellen.

Die eigentliche Arbeit findet also dort statt, wo Daten in Systeme eintreten und zwischen ihnen wandern.

Zum Schreibzeitpunkt validieren. Schlechte Daten bei der Entstehung ablehnen oder markieren, nicht Monate später. Pflichtfelder, Formatvorgaben und erzwungene Auswahllisten stoppen die meiste Unvollständigkeit und Inkonsistenz schon an der Tür.

Entitäten bei der Aufnahme auflösen. Wenn Datensätze in die gemeinsame Datenschicht fließen, sollten sie genau dann kanonischen Entitäten zugeordnet werden. Das einmal, zentral zu tun, ist weitaus einfacher, als es in jedem Tool einzeln zu tun, und es ist eines der stärksten Argumente für eine gemeinsame Datenschicht statt Punkt-zu-Punkt-Integrationen. Andernfalls dedupliziert jedes Tool auf seine eigene Weise, und man erhält vier unterschiedliche Meinungen darüber, wie viele Konten man eigentlich hat.

Kontinuierlich überwachen. Verfolgen Sie Vollständigkeit, Duplizierung und Aktualität als laufende Kennzahlen mit Alarmen, so wie Sie die Betriebszeit überwachen würden. Ein Dashboard, das sagt „12 % der offenen Opportunities haben keinen nächsten Schritt", macht aus einem unsichtbaren Problem eines, für das jemand geradestehen muss.

Der Wechsel von periodischer Bereinigung zu einem dauerhaften System ist die einzelne nützlichste Veränderung, die die meisten RevOps-Teams vornehmen können, und es geht dabei vor allem darum, wo die Hygienelogik sitzt, weniger darum, wie clever sie ist.

Sauber genug wofür

Perfekte Daten sind eine Fantasie, und ihre Verfolgung ist selbst ein Fehlermodus. Die nützliche Frage ist, ob die Daten sauber genug für die Entscheidung sind, die sie speisen. Standards sollten vom Verbraucher abhängen.

Für das Executive-Forecasting braucht es hohe Genauigkeit bei einer schmalen Menge von Feldern (Stufe, Betrag, Abschlussdatum) und kann Unordnung anderswo tolerieren.

Automatisiertes Routing und Rückschreiben brauchen vor allem Konsistenz, weil Maschinen kein Urteilsvermögen anwenden. Ein falsch geschriebener Auswahllistenwert bricht die Regel, und niemand bemerkt es, bis ein Deal an den falschen Vertriebsmitarbeiter geroutet wird. Die Write-back-Ebene verzeiht vorgelagerte Inkonsistenz aus genau diesem Grund nicht.

Attribution braucht Vollständigkeit bei Touchpoints und Identifikatoren, da Lücken das gesamte Modell verzerren. Das Attributions-Rückgrat hängt vollständig davon ab.

Diese Schwellenwerte schriftlich festzuhalten verhindert, dass Sie Analysen ausliefern, die die Daten nicht tragen können, und dass Sie Felder polieren, die keine Entscheidung je liest.

Wo Sie anfangen sollten

Wenn Sie vor einer chaotischen Instanz stehen, priorisieren Sie nach Hebelwirkung.

Instrumentieren Sie vor dem Bereinigen. Richten Sie zuerst Kennzahlen für Vollständigkeit und Duplizierung ein, damit Sie Fortschritt messen und jemandem zeigen können, was die Arbeit gebracht hat.

Beheben Sie den Zufluss vor dem Rückstand. Neuen Schmutz am Eintreten zu hindern, ist wichtiger als alten Schmutz zu bereinigen, denn ein bereinigter Rückstand verschmutzt sich erneut, wenn der Zufluss noch offen ist.

Standardisieren Sie Auswahllisten und Pflichtfelder systemübergreifend, damit dasselbe Konzept überall gleich codiert ist. Das ist der günstigste Gewinn mit dem breitesten nachgelagerten Nutzen.

Und geben Sie ihr einen Verantwortlichen. Datenqualität ohne Verantwortlichen hat keine Zukunft. Eine benannte Person oder ein Team, das für die Hygiene-Kennzahlen zuständig ist, ist mehr wert als jedes Tool, das Sie kaufen könnten.

Nichts davon ist technisch schwierig. Es ist organisatorisch schwierig, weil es mit sichtbarer, aufregender Arbeit um Aufmerksamkeit konkurriert. Die Teams, die sauber bleiben, sind diejenigen, die Hygiene langweilig und automatisch machen statt heldenhaft und periodisch.

Die wichtigsten Erkenntnisse

• Schlechte Daten kommen in vier Varianten: Duplikate, Lücken, inkonsistente Codierungen und veraltete Werte. Jede braucht eine andere Lösung, also erst diagnostizieren, dann handeln.
• Vierteljährliche Aufräumaktionen halten nicht. Verankern Sie die Hygienelogik beim Schreiben und bei der Aufnahme, und überwachen Sie sie wie die Betriebszeit.
• Lösen Sie Entitäten einmal in der gemeinsamen Schicht auf, statt jedes Tool auf seine eigene Weise deduplizieren zu lassen.
• „Sauber" hängt vom Verbraucher ab. Forecasting will Genauigkeit, Automatisierung will Konsistenz, Attribution will Vollständigkeit.
• Der schwierige Teil ist organisatorisch. Erst instrumentieren, dann den Zufluss schließen, standardisieren und einen Verantwortlichen benennen.

Orchestrierungsplattformen wie Revnewo sind nur so gut wie die kanonischen Daten, auf denen sie laufen. Bevor Sie in ausgefeiltere Modelle investieren, lohnt es sich zu prüfen, ob das Fundament sie überhaupt tragen kann.