RevOps-datahygiëne: Het Onaantrekkelijke Fundament van Orchestration

Niemand wordt gepromoveerd voor het dedupliceren van accounts. Er is geen keynote-demo voor een goed gehandhaafde picklist en geen bordslide die viert dat de meeste opportunities eindelijk een stage-entry-timestamp hebben. Datahygiëne is loodgieterswerk. Onzichtbaar als het werkt, duur als het niet werkt, en chronisch onderbenut omdat de waarde ervan defensief is.

Maar elk project waar een RevOps-leider daadwerkelijk aan wil werken, rust op die leidingen. Attributie, scoring, forecasting, next-best-action, orchestration zelf. Draai een goed model op vuile data en u krijgt zelfverzekerde, precieze, foute antwoorden. We hebben teams maanden zien besteden aan een scoringmodel, om vervolgens te ontdekken dat een groot deel van hun accounts duplicaten waren, wat betekende dat het model de hele tijd had geleerd van gesplitste activiteitsgeschiedenissen. Hygiëne is de minst glamoureuze laag van de moderne revenue-platformarchitectuur, en degene waar al het andere stilzwijgend van afhangt.

Vier manieren waarop data slecht wordt

Revenue-data verslechtert op voorspelbare manieren, en elk heeft een andere oplossing, dus het helpt ze te benoemen.

Duplicatie. "Acme," "Acme Inc" en "Acme Corporation" bestaan alle drie omdat drie tools het account onafhankelijk van elkaar hebben aangemaakt en niets ze samenvoegt. Pipelinecijfers inflateren, activiteitsgeschiedenis wordt in drieën gesplitst, en geen enkel record vertelt u nog iets.

Onvolledigheid. Velden die u nodig heeft voor analyse zijn leeg. Als 30% van de opportunities geen lead source heeft, is source-based attributie niet 30% onzeker. Het is onbruikbaar, omdat u geen manier heeft om te weten of de ontbrekende 30% ook maar enigszins lijkt op de 70% die u wel kunt zien.

Inconsistentie. Hetzelfde concept wordt in elk systeem anders gecodeerd. "Closed Won" hier, "Won" daar, "6 - Closed" in het derde. Elke join tussen die systemen laat rijen vallen of telt ze verkeerd, en dat gebeurt zonder waarschuwing.

Veroudering. Het veld klopte ooit. De champion vertrok, de tier veranderde, en niemand werkte het bij. Verouderde data is de gevaarlijkste van de vier omdat het er schoon uitziet. Er staat een waarde in het veld. Die is alleen fout.

De meeste "onze cijfers kloppen niet"-brandjes zijn tot een van deze terug te leiden. Uitzoeken welke is het halve werk.

Opschoningen houden geen stand

De instinctieve reactie wanneer de instantie een puinhoop is, is een opschoning inplannen. Een consultant inhuren, een kwartaal vrijmaken, een spreadsheet met samenvoegingen bouwen. Het werkt precies zo lang als het duurt voordat nieuw vuil arriveert, meestal een paar weken. U kunt netheid niet opslaan. U kunt hem alleen blijven herstellen.

Dus het echte werk gebeurt op de punten waar data systemen binnenkomt en tussen systemen beweegt.

Valideer op het moment van schrijven. Wijs slechte data af of markeer haar zodra ze wordt aangemaakt, niet maanden later. Verplichte velden, formaatbeperkingen en gehandhaafde picklists stoppen de meeste onvolledigheid en inconsistentie al bij de deur.

Los entiteiten op bij ingestie. Terwijl records de gedeelde datalaag binnenstromen, koppel ze op dat moment aan canonieke entiteiten. Dit eenmalig, centraal doen is veel makkelijker dan het in elke tool apart te doen, en het is een van de sterkste argumenten voor een gedeelde datalaag boven point-to-point-integraties. Anders dedupliceert elke tool op zijn eigen manier en krijgt u vier verschillende meningen over hoeveel accounts u heeft.

Monitor continu. Volg volledigheid, duplicatie en versheid als doorlopende metrics met alerts, zoals u uptime zou volgen. Een dashboard dat zegt "12% van de open opportunities heeft geen volgende stap" maakt van een onzichtbaar probleem iets waar iemand verantwoording voor moet afleggen.

De overstap van periodieke opschoning naar een staand systeem is de meest nuttige verandering die de meeste RevOps-teams kunnen maken, en het gaat vooral om waar de hygiënelogica zit, niet om hoe slim ze is.

Schoon genoeg waarvoor

Perfecte data is een fantasie, en die najagen is zelf een faalmodus. De nuttige vraag is of de data schoon genoeg is voor de beslissing die ze voedt. Normen moeten afhangen van de afnemer.

Executive forecasting heeft hoge nauwkeurigheid nodig op een smalle set velden (stage, bedrag, closedatum) en kan rommel elders tolereren.

Geautomatiseerde routing en terugschrijving hebben vooral consistentie nodig, omdat machines geen beoordelingsvermogen toepassen. Een verkeerd geschreven picklistwaarde breekt de regel en niemand merkt het tot een deal naar de verkeerde rep wordt gerouteerd. De terugschrijflaag is om precies deze reden onvergeeflijk voor inconsistentie stroomopwaarts.

Attributie heeft volledigheid nodig op contactmomenten en identifiers, omdat hiaten het hele model vervormen. De attributieruggengraat hangt er volledig van af.

Deze drempels opschrijven voorkomt dat u analytics uitlevert die de data niet kan dragen, en dat u velden poetst die nooit door een beslissing worden gelezen.

Waar te beginnen

Als u naar een rommelige instantie staart, sequentieer op hefboomwerking.

Instrumenteer voordat u opschoont. Zet eerst metrics voor volledigheid en duplicatie op, zodat u voortgang kunt meten en iemand kunt laten zien wat het werk heeft opgeleverd.

Repareer de instroom vóór de achterstand. Voorkomen dat nieuw vuil binnenkomt is belangrijker dan oud vuil opschonen, omdat een opgeschoonde achterstand opnieuw vervuilt als de instroom nog openstaat.

Standaardiseer picklists en verplichte velden over systemen heen, zodat hetzelfde concept overal dezelfde codering heeft. Dit is de goedkoopste winst met het breedste stroomafwaartse voordeel.

En geef het een eigenaar. Datakwaliteit zonder eigenaar heeft geen toekomst. Eén met naam genoemde persoon of team dat verantwoordelijk is voor de hygiënemetrics is meer waard dan welke tool u ook zou kunnen kopen.

Niets hiervan is technisch moeilijk. Het is organisatorisch moeilijk, omdat het concurreert met zichtbaar, spannend werk om aandacht. De teams die schoon blijven, zijn degenen die hygiëne saai en automatisch maken in plaats van heroïsch en periodiek.

Belangrijkste inzichten

• Slechte data komt in vier smaken: duplicaten, lege velden, inconsistente coderingen en verouderde waarden. Elk heeft een andere oplossing nodig, dus diagnosticeer voordat u handelt.
• Kwartaalopschoningen houden geen stand. Leg de hygiënelogica bij het schrijfmoment en bij ingestie, en monitor het als uptime.
• Los entiteiten eenmalig op, bij de gedeelde laag, in plaats van elke tool op zijn eigen manier te laten dedupliceren.
• "Schoon" hangt af van de afnemer. Forecasting wil nauwkeurigheid, automatisering wil consistentie, attributie wil volledigheid.
• Het moeilijke deel is organisatorisch. Instrumenteer eerst, sluit de instroom, standaardiseer, en geef het een eigenaar.

Orchestratieplatforms zoals Revnewo zijn slechts zo goed als de canonieke data waarop ze draaien. Voordat u investeert in geavanceerdere modellen, loont het de moeite te checken of het fundament ze kan dragen.