Higiene de datos de RevOps: la base poco glamorosa de la orquestación

A nadie lo ascienden por deduplicar cuentas. No hay demo estelar para una lista desplegable bien aplicada ni una diapositiva de junta directiva que celebre que por fin la mayoría de las oportunidades tienen una marca de tiempo de entrada de etapa. La higiene de datos es plomería. Invisible cuando funciona, costosa cuando no, y crónicamente subfinanciada porque su valor es defensivo.

Pero todo proyecto en el que un líder de RevOps realmente quiere trabajar se apoya sobre esa plomería. Atribución, puntuación, pronóstico, próxima mejor acción, la orquestación misma. Ejecuta un buen modelo sobre datos sucios y obtendrás respuestas seguras, precisas y equivocadas. Hemos visto equipos pasar meses en un modelo de puntuación para luego descubrir que una gran parte de sus cuentas eran duplicados, lo cual significaba que el modelo había estado aprendiendo de historiales de actividad divididos todo ese tiempo. La higiene es la capa menos glamorosa de la arquitectura de la plataforma de ingresos moderna, y de la que todo lo demás depende en silencio.

Cuatro formas en que los datos se echan a perder

Los datos de ingresos se degradan de formas predecibles, y cada una tiene una solución distinta, así que ayuda nombrarlas.

Duplicación. "Acme," "Acme Inc" y "Acme Corporation" existen todas porque tres herramientas crearon la cuenta de forma independiente y nada las resuelve. Los conteos de pipeline se inflan, el historial de actividad se divide en tres, y ningún registro individual te dice nada.

Incompletitud. Los campos que necesitas para el análisis están vacíos. Si el 30% de las oportunidades no tiene fuente de lead, la atribución basada en fuente no es 30% incierta. Es inutilizable, porque no tienes forma de saber si ese 30% faltante se parece en algo al 70% que sí puedes ver.

Inconsistencia. El mismo concepto se codifica de forma distinta en cada sistema. "Closed Won" aquí, "Won" allá, "6 - Closed" en el tercero. Cada cruce entre esos sistemas descarta o cuenta mal filas, y lo hace en silencio.

Obsolescencia. El campo estuvo bien alguna vez. El campeón se fue, el nivel cambió, y nadie actualizó el campo. Los datos obsoletos son los más peligrosos de los cuatro porque parecen limpios. Hay un valor en el campo. Simplemente está equivocado.

La mayoría de los simulacros de incendio del tipo "nuestros números no cuadran" se remontan a uno de estos. Averiguar cuál es la mitad del trabajo.

Las limpiezas no perduran

El instinto cuando la instancia es un desastre es programar una limpieza. Traer a un consultor, bloquear un trimestre, construir una hoja de cálculo de fusiones. Funciona exactamente el tiempo que tarda en llegar la nueva suciedad, que suele ser unas pocas semanas. No puedes almacenar limpieza. Solo puedes seguir restaurándola.

Así que el trabajo real ocurre en los puntos donde los datos entran y se mueven entre sistemas.

Valida en el momento de la escritura. Rechaza o marca los datos incorrectos cuando se crean, no meses después. Los campos obligatorios, las restricciones de formato y las listas desplegables forzadas detienen la mayoría de la incompletitud y la inconsistencia en la puerta de entrada.

Resuelve entidades en la ingesta. A medida que los registros fluyen hacia la capa de datos compartida, hazlos coincidir con entidades canónicas en ese mismo momento. Hacerlo una sola vez, de forma centralizada, es mucho más fácil que hacerlo en cada herramienta, y es uno de los argumentos más fuertes a favor de una capa de datos compartida frente a integraciones punto a punto. De lo contrario, cada herramienta deduplica a su manera y terminas con cuatro opiniones distintas sobre cuántas cuentas tienes.

Monitorea de forma continua. Rastrea la completitud, la duplicación y la frescura como métricas continuas con alertas, de la misma forma en que vigilarías el tiempo de actividad. Un panel que diga "el 12% de las oportunidades abiertas no tienen próximo paso" convierte un problema invisible en uno que alguien tiene que responder.

Pasar de la limpieza periódica a un sistema permanente es el cambio individual más útil que la mayoría de los equipos de RevOps puede hacer, y se trata sobre todo de dónde vive la lógica de higiene y no de qué tan ingeniosa sea.

Suficientemente limpio para qué

Los datos perfectos son una fantasía, y perseguirlos es en sí mismo un modo de fallo. La pregunta útil es si los datos están suficientemente limpios para la decisión que alimentan. Los estándares deberían depender del consumidor.

El pronóstico ejecutivo necesita alta precisión en un conjunto reducido de campos (etapa, monto, fecha de cierre) y puede tolerar desorden en el resto.

El enrutamiento automatizado y la escritura de vuelta necesitan consistencia por encima de todo, porque las máquinas no aplican criterio. Un valor de lista desplegable mal escrito rompe la regla y nadie lo nota hasta que una negociación se enruta al representante equivocado. La capa de escritura de vuelta es implacable con la inconsistencia previa precisamente por esta razón.

La atribución necesita completitud en los puntos de contacto y los identificadores, ya que las brechas distorsionan todo el modelo. La columna vertebral de atribución depende de ello por completo.

Escribir estos umbrales evita que despliegues analítica que los datos no pueden sostener, y que pulas campos que ninguna decisión llega a leer.

Por dónde empezar

Si estás frente a una instancia desordenada, ordena por palanca de impacto.

Instrumenta antes de limpiar. Levanta primero las métricas de completitud y duplicación para poder medir el progreso y mostrarle a alguien qué compró el trabajo.

Arregla la entrada antes que el rezago. Detener la entrada de suciedad nueva importa más que limpiar la suciedad vieja, porque un rezago limpiado vuelve a ensuciarse si la entrada sigue abierta.

Estandariza las listas desplegables y los campos obligatorios entre sistemas para que el mismo concepto tenga la misma codificación en todas partes. Es la victoria más barata con el beneficio posterior más amplio.

Y dale un responsable. La calidad de datos sin un responsable no tiene futuro. Una persona o equipo nombrado responsable de las métricas de higiene vale más que cualquier herramienta que puedas comprar.

Nada de esto es técnicamente difícil. Es organizacionalmente difícil, porque compite por atención con trabajo visible y emocionante. Los equipos que se mantienen limpios son los que hacen de la higiene algo aburrido y automático en lugar de heroico y periódico.

Conclusiones clave

• Los datos malos vienen en cuatro sabores: duplicados, vacíos, codificaciones inconsistentes y valores obsoletos. Cada uno necesita una solución distinta, así que diagnostica antes de actuar.
• Las limpiezas trimestrales no perduran. Pon la lógica de higiene en el momento de la escritura y en la ingesta, y monitoréala como el tiempo de actividad.
• Resuelve entidades una sola vez, en la capa compartida, en lugar de dejar que cada herramienta deduplique a su manera.
• "Limpio" depende del consumidor. El pronóstico quiere precisión, la automatización quiere consistencia, la atribución quiere completitud.
• La parte difícil es organizacional. Instrumenta primero, cierra la entrada, estandariza, y dale un responsable.

Las plataformas de orquestación como Revnewo son tan buenas como los datos canónicos sobre los que operan. Antes de invertir en modelos más sofisticados, vale la pena verificar si la base puede sostenerlos.