Tutti i dati raccolti possiedono un ciclo di vita ben definito e spesso alcuni di essi risultano obsoleti. Incappare in numeri di telefono sbagliati o indirizzi e-mail inattivi è una prassi purtroppo ben consolidata nell’attività di un rappresentante di vendita.
E’ possibile misurare la qualità dei dati?
La ricerca sulla qualità dei dati è iniziata negli anni '90 e molti studiosi hanno proposto diverse definizioni di qualità. Il gruppo Total Data Quality Management dell'Università del MIT ha svolto diverse ricerche e ha definito la "Data Quality" come "fitness for use" cioè “idonei per essere utilizzati”.
In passato, le aziende utilizzavano solo i dati generati dai propri sistemi aziendali, come i dati sulle vendite e sull'inventario ma ora, i dati raccolti e analizzati dalle imprese hanno superato questo scopo. Le fonti che generano dati sono tantissime, i dati possono provenire dal web, dagli smartphone o dai sistemi IoT (Internet of Things).
E’ possibile distinguere due tipologie di dati. La prima è costituita da dati strutturati cioè tutti quei dati che è possibile conservare in database e organizzare secondo schemi e tabelle, ad esempio i nomi dei clienti, gli indirizzi e-mail e i numeri di telefono. La seconda tipologia è costituita dai dati non strutturati cioè conservati senza alcuno schema come immagini, audio, video e fogli di calcolo. La quantità di dati non strutturati occupa più dell'80% della quantità totale di dati esistenti.
Mentre in passato il volume dei dati raddoppiava ogni tre anni, oggi la quantità globale di informazioni duplica ogni due anni (legge di Moore). È difficile raccogliere, pulire, integrare e infine ottenere dati di alta qualità allo stesso ritmo con cui cresce la loro quantità e questo problema rappresenta la più grande sfida per le tecnologie esistenti di elaborazione dei dati. Se le aziende non sono in grado di raccogliere le informazioni necessarie molto velocemente o non riescono ad aggiornare le stesse per un lungo periodo di tempo, potrebbero incorrere in errori strategici e decisionali.
La ricerca DAMA UK definisce diversi parametri per la qualità dei dati:
Completezza
Il database dell'azienda contenente informazioni su clienti e prospects è il più completo possibile? I dati spesso sono incompleti: un indirizzo senza codice postale, un riferimento personale senza un numero di telefono, una vendita senza data di emissione, record omessi da elenchi e così via. Un dato è completo se tutti i suoi componenti costitutivi sono presenti.
Accessibilità
L'accessibilità si riferisce al livello di difficoltà di ottenimento dei dati da parte degli utenti. I dati accessibili sono raggiungibili facilmente dall'utente interagendo con il software.
Tempestività
La tempestività è definita come il ritardo tra l'acquisizione dei dati e il loro utilizzo. Poiché i dati evolvono e si modificano rapidamente devono essere prontamente disponibili per essere utilizzati quando necessario. I dati sono stati aggiornati? Sono stati recentemente confermati?
Conformità
La conformità individua una sintassi e una codifica specifica per ogni modello di dati (es. “tel.” vs. “telefono”). E’ opportuno domandarsi: i dati memorizzati rispettano il formato stabilito? Sono stati inseriti i dati a sistema seguendo le regole previste?
Coerenza
Dati non coerenti sono ad esempio dati con lo stesso nome ma diversi nel loro contenuto oppure con nomi diversi ma relativi allo stesso contenuto. In sostanza, tutti i dati che hanno lo stesso valore e lo stesso significato sono essenzialmente uguali e devono essere riconosciuti nel database come tali. Un sistema efficiente non contiene record duplicati.
Credibilità
La credibilità viene utilizzata per valutare la consistenza dei dati. Un dato è credibile se emesso da un ente ufficiale o da una persona esperta. La credibilità dei dati ha tre fattori chiave: affidabilità delle fonti, normalizzazione e tempo di acquisizione dei dati.
Autorizzazione
Un individuo o un’azienda deve possedere l’autorizzazione per operare con i dati di interesse.
La Data Quality impatta positivamente non solo sulla tua attività ma anche sui consumatori finali e su tutte le persone coinvolte a valle del processo di acquisto, come i clienti potenziali. Rappresentanti di vendita e marketer devono avere a portata di click le informazioni necessarie per riconoscere i lead pronti all’acquisto, per personalizzare l’esperienza di ogni singolo cliente e per realizzare analisi prospettiche efficaci.
Data Quality: che cos'è e perché è importante per il sales e il marketing?
La Sales Intelligence può intervenire in questo contesto integrando autonomamente dati corretti all’interno dello stack tecnologico in modo tale che un buon rappresentante di vendita possa dedicarsi a quello per cui è stato assunto: vendere. Il data mining manuale di lead e prospects, in un mondo in cui l’intelligenza artificiale è ormai alla portata delle aziende, rappresenta un’attività dispendiosa e inefficiente.
1- Databases “sporchi” sono una perdita di tempo
Si stima che il 30% dei dati complessivi perda consistenza ogni anno causando non pochi problemi ai processi di vendita e ai risultati economici attesi. I tassi di conversione diminuiscono, i contenuti proposti non si adattano al segmento di pubblico di interesse e i KPI crollano.
2- Inefficienza in caso di turnover dei dipendenti
Il "Churn" o turnover dei dipendenti è un aspetto costitutivo di ogni impresa. Se l’accessibilità e la comprensione dei dati dipende da chi li ha gestiti fino a quel momento l’integrità degli stessi risulterà molto debole. E’ necessario aggiornare e mantenere alta la qualità delle informazioni: se un rappresentante di vendita si licenzia o va in pensione deve essere possibile proseguire la sua attività recuperando con precisione ogni singolo dato.
Inoltre, database disorganizzati e poco accurati producono inevitabilmente un grave circolo vizioso. I team di vendita non raggiungono gli obiettivi preposti, l’insoddisfazione cresce, aumenta il churn rate, i nuovi arrivati non riescono a generare lead qualificati e il ciclo riprende. Questo loop si può interrompere intervenendo alla base del problema: la qualità dei dati.
3- Qualità dei dati vs. Quantità
Dati accurati possono essere utilizzati per segmentare i clienti target e personalizzare la customer journey. Strumenti di Sales Intelligence aiutano a raggiungere gli account abbreviando efficacemente il processo di vendita.
Possedere un enorme database non ha alcun valore se tramite esso non è possibile raggiungere direttamente la cosiddetta C-suite cioè coloro che detengono la maggior parte del potere decisionale e di acquisto in un'azienda. I contatti di livello C sono ad esempio il Chief Executive Officer (CEO), il Chief Financial Officer (CFO) e il Chief Marketing Officer (CMO) nonché tutte quelle persone che allineano le strategie e le operazioni con la mission aziendale e le politiche interne. Un dataset ben impostato permette di contattare direttamente un dipendente di livello C riducendo i cycle di acquisto.
4- “Pulire” il database
E’ di fondamentale importanza sincronizzare, aggiungere, arricchire e deduplicare automaticamente le informazioni man mano che nuovi set di dati diventano disponibili. Molte piattaforme di intelligence rendono la gestione dei dati più efficiente e sinergica.
Il vero motore trainante di ogni business sono i dati. Un team di vendita esperto nonostante abbia a disposizione i migliori strumenti CRM e di marketing non raggiungerà gli obiettivi preposti senza dati di qualità.
Quattro effetti causati da dati errati per i team di marketing
Secondo un sondaggio condotto da Gartner il costo sostenuto in media è di 12,9 milioni di dollari. In particolare, ha rilevato che il 60% delle aziende non sa quale sia effettivamente l’impatto in termini economici dei dati di scarsa qualità. Lo studio dipinge quindi una grave realtà: manca consapevolezza all’interno delle imprese.
1. Possibilità di essere inseriti nelle blacklist
L' email marketing è la forma di marketing forse più diffusa ad oggi. Tuttavia, le email spedite con dati errati corrono il rischio di finire nella spam e aumentano il pericolo di essere inserite nelle blacklist del provider del servizio di posta elettronica.
2. Aumento dell'abbandono delle e-mail
Il tasso di abbandono si riferisce alla percentuale di subscriber che rimuovono il loro nominativo in un certo periodo di tempo, si tratta di tutte quelle email che vengono indirizzate a caselle inattive o che non verranno mai aperte. Prendersi cura del proprio database e conservarne l'efficienza riduce il tasso di abbandono.
3. Contenuti errati
Se le informazioni nel database non sono aggiornate si corre il rischio di inviare contenuti inadatti rispetto al punto in cui il cliente si trova nel processo di acquisto.
4. Le Buyer Personas non reggono
La chiave per richiamare l’attenzione è inviare contenuti appropriati al pubblico di interesse nel momento più opportuno. Tuttavia, se il database contiene imprecisioni, le informazioni sul segmento di riferimento possono essere errate. Le campagne di marketing potrebbero fallire, si potrebbero perdere opportunità di vendita e così via.
Tre problemi causati da dati errati per i team sales
Ogni volta che un rappresentante di vendita compone un numero sbagliato o invia un'e-mail a un account inattivo, perde tempo prezioso che potrebbe essere dedicato ad altre attività più remunerative.
Uno studio condotto da LeadJen mostra che i rappresentanti di vendita sprecano in media il 27% del loro tempo a risolvere i problemi legati a dati errati, in termini economici ciò corrisponde ad una perdita media di produttività di oltre 20.000 $ annui.
2. La scarsa qualità dei dati produce esperienze negative per i clienti e i prospects
E-mail non consegnate, scambio di account o di contatti, comunicazioni duplicate sono solo alcuni dei problemi causati da una scarsa qualità dei dati. Sebbene questi sembrino errori minori, possono impedire di raggiungere il pubblico previsto. Nel peggiore dei casi, i clienti potrebbero riscontrare una combinazione di questi problemi, lasciando loro un'impressione negativa del tuo marchio e in generale dell’ impresa.
3. Dati errati danneggiano il morale del team di vendita
La remunerazione dei rappresentanti il più delle volte si basa sul raggiungimento di quote di vendita e i problemi elencati sin qui riducono la produttività danneggiando il morale del team.
Come affrontare la scarsa qualità dei dati
L'utilizzo di dati errati potrebbe rappresentare il motivo per cui i team di vendita e di marketing raggiungono prestazioni inferiori a quelle previste o stanno faticando per raggiungere le quote fissate.
E’ bene concentrare i propri sforzi alla radice del problema migliorando i metodi di raccolta dei dati , è necessario:
Semplificare i moduli web
I moduli web ti aiutano ad acquisire molti dati, rappresentano un importante strumento da sottoporre ad esempio ai prospects durante il download di contenuti, abbonamenti a blog, registrazioni a webinar.
Valutare la qualità di dati se derivati da terze parti
Molte volte i dati vengono acquistati da terzi e devono essere accuratamente controllati prima di essere inseriti nel tuo database.
Ridurre al minimo l'immissione manuale di dati
Gli strumenti di automazione possono ridurre gli errori umani nell'immissione dei dati e consentire ai team di vendita e marketing di svolgere un lavoro più produttivo.
Nessun database aziendale potrà mai essere accurato al 100%, ma assicurandosi che tutti i dati vengano puliti, aggiunti e aggiornati regolarmente, i team di vendita possono fidarsi delle informazioni e dedicare il loro tempo alle attività più profittevoli. Il costo di lavorare con dati di scarsa qualità è molto più alto rispetto all’investimento per acquisire dati accurati e mantenerli aggiornati.
Ulteriori sfide da affrontare
Informazioni come la regione o il codice postale di un lead potrebbero essere fondamentali per condurre una campagna di marketing rivolta ad un pubblico localizzato in un determinato territorio. A causa di dati mancanti o errati, i clienti target potrebbero non essere raggiunti o, ancor peggio, persi. Le imprecisioni nei dati erodono inevitabilmente la fiducia e la connessione che un buon rappresentante di vendita crea con il cliente.
Se il nome di un prospect è stato inserito a sistema in modo inesatto, ad esempio "Jon" al posto di "Jan" o "Janet" al posto di "Jane T", verosimilmente un rappresentante cadrà in errore riducendo l’efficacia comunicativa. O ancor peggio, se il tuo sistema CPQ nega uno sconto ad un cliente perché i dati relativi alla vostra relazione commerciale non sono stati aggiornati allora ciò può effettivamente determinare ingenti perdite economiche.
E' necessario, dunque, condurre frequentemente controlli a campione per identificare gli errori e predisporre un team composto dagli stessi rappresentanti di vendita in modo che ne comprendano l’importanza e implementare strumenti di Sales Intelligence per automatizzare il processo di acquisizione e di aggiornamento dei dati.
