CRM data quality voor maakbedrijven

Het is weer eind van het kwartaal. De directie vraagt om een forecast, en de sales manager opent Salesforce met een licht ongemakkelijk gevoel. De pipeline zegt 2,3 miljoen euro. Maar hoeveel daarvan is echt?

Die deal van Machinefabriek De Groot staat al zes maanden op 70% kans, maar niemand heeft de klant in weken gesproken. Het contactpersoon bij Van der Berg Techniek — was dat niet de man die vorig jaar is vertrokken? En waarom staan er drie accounts voor “Hendriksen & Zonen” in het systeem, elk met andere informatie?

De sales manager doet wat hij altijd doet: hij halveert de pipeline in zijn hoofd en hoopt dat het klopt. Dit is geen forecast. Dit is gokken.

De stille kosten van slechte data

Slechte CRM data is een van die problemen die iedereen kent maar niemand oplost. Het voelt niet urgent — er brand niets, er klaagt niemand. Maar de kosten zijn er wel, verborgen in elke hoek van je operatie.

Deals die je nooit hoort verliezen

Je sales rep belt een prospect. Het nummer klopt niet. Ze zoekt een ander nummer, vindt het niet, en gaat door naar de volgende lead. Ergens in die verloren minuten heeft de concurrent de deal binnengehaald. Je zult het nooit weten, want er is geen record van wat er is misgegaan.

Dit gebeurt tientallen keren per week in de gemiddelde sales organisatie. Niet dramatisch, niet zichtbaar, maar cumulatief verwoestend. Elke verkeerd nummer, elk oud emailadres, elke gemiste connectie is een kleine lekkage in je pipeline.

Een forecast gebouwd op drijfzand

Het echte probleem met slechte data is niet dat individuele records fout zijn. Het probleem is dat je hele besluitvorming erop gebaseerd is.

Productie plant capaciteit op basis van verwachte orders. Inkoop bestelt materialen op basis van de pipeline. HR maakt hiring plannen op basis van groeiprojecties. Finance rapporteert aan de board op basis van revenue forecasts. En al die plannen zijn gebaseerd op CRM data waarvan iedereen stilzwijgend weet dat het niet klopt.

De ironische situatie is dat hoe meer je investeert in geavanceerde forecasting tools en dashboards, hoe meer je afhankelijk wordt van de onderliggende data. Een mooi dashboard op rotte data is erger dan geen dashboard — het geeft een vals gevoel van zekerheid.

De tijdverspilling die niemand meet

Vraag een sales rep hoeveel tijd ze besteedt aan het CRM, en ze zal zeggen “te veel”. Vraag hoeveel daarvan productief is, en je krijgt een cynische lach.

Het echte probleem is niet data invoeren — dat is tenminste nog werk. Het probleem is data opschonen, duplicaten zoeken, oude informatie corrigeren, missende velden achterhalen. Dit is werk dat geen waarde creëert, alleen de schade beperkt van eerder slordig werk.

In de meeste organisaties besteden sales reps 15-20% van hun tijd aan CRM administratie. Als de helft daarvan naar data cleanup gaat, praat je over bijna een dag per week per sales rep. Voor een team van tien mensen is dat twee fulltime equivalenten aan verspilde tijd, elk jaar opnieuw.

De klant die drie keer dezelfde email krijgt

Dit is misschien wel het meest gênante symptoom. Dezelfde klant staat drie keer in je systeem — eenmaal onder de oude bedrijfsnaam, eenmaal onder de nieuwe, en eenmaal met een tikfout. Ze krijgen drie keer je nieuwsbrief. Drie keer je productupdate. Drie keer je eindejaarskorting.

De klant denkt: als jullie niet eens je eigen database kunnen beheren, hoe goed zullen jullie dan mijn machines onderhouden?

De anatomie van een vervuilde database

Slechte data komt niet vanzelf. Het groeit, langzaam en onopgemerkt, tot het onbeheersbaar is. Begrijpen hoe data vervuilt helpt om het te voorkomen.

Duplicaten: het vermenigvuldigingsprobleem

Duplicaten zijn de meest voorkomende en meest onderschatte vorm van data vervuiling. Ze ontstaan op onschuldige manieren. Een sales rep maakt een account aan voor een nieuw prospect, niet wetend dat een collega datzelfde bedrijf vorige maand al had toegevoegd onder een iets andere naam.

Het probleem is dat duplicaten niet alleen dubbel werk betekenen. Ze fragmenteren je beeld van de klant. Account A heeft de order historie. Account B heeft de recente gesprekken. Account C heeft de technische contacten. Niemand ziet het complete plaatje.

In een typische manufacturing CRM vind je dezelfde patronen:

• “ABC Machinefabriek BV” en “ABC Machinefabriek” en “A.B.C. Machinefabriek B.V.”
• “Hendriksen” en “Hendrikson” en “Hendrixsen”
• “Van der Berg Techniek” en “VDB Techniek” en “Berg Techniek van der”

Elk van deze varianten lijkt uniek voor het systeem, maar representeert dezelfde klant met een gefragmenteerde historie.

Veroudering: de stille rot

B2B contactdata heeft een halfwaardetijd van ongeveer drie jaar. Dat betekent dat na drie jaar de helft van je database verouderd is — mensen die van baan zijn veranderd, bedrijven die zijn verhuisd of gefuseerd, telefoonnummers die niet meer werken.

Dit is geen eenmalig probleem dat je oplost en dan klaar bent. Het is een continue stroom van verval. Elke maand worden duizenden records in je database een beetje minder accuraat. Als je niet actief onderhoudt, verlies je de race tegen de tijd.

De gemiddelde B2B database heeft:

• 25-30% van de contactpersonen werkt niet meer bij dat bedrijf
• 15-20% van de emails bounced of is inactief
• 10-15% van de telefoonnummers is incorrect of buiten dienst

Inconsistentie: het zoekprobleem

Dit is subtieler dan duplicaten of veroudering, maar net zo destructief voor je operatie. Het gaat om dezelfde informatie die op verschillende manieren is ingevoerd.

Industrie velden zijn berucht. “Automotive” staat er bij het ene account. “automotive” bij het volgende (lowercase). “Auto” bij weer een ander. “Automobiel industrie” bij een vierde. Technisch vier verschillende waarden, praktisch dezelfde industrie, maar onmogelijk om op te filteren of te rapporteren.

Hetzelfde geldt voor landen (“Nederland” vs “NL” vs “The Netherlands” vs “Holland”), voor producttypes, voor leadbronnen, voor eigenlijk elk vrij tekstveld waar je ooit consistentie nodig hebt.

Incomplete records: de blinde vlekken

Een deal zonder verwachte sluitingsdatum. Een contact zonder telefoonnummer. Een account zonder industrie. Elk incompleet record is een blinde vlek in je operatie.

Dit lijkt een klein probleem tot je probeert te segmenteren. “Geef me alle prospects in de machinebouw met een verwachte deal boven de 100.000 euro in Q1.” De query draait, maar je weet dat de resultaten onbetrouwbaar zijn omdat de helft van de records niet de benodigde velden heeft.

Data quality meten: je kunt niet verbeteren wat je niet ziet

Voordat je begint met opschonen, moet je weten hoe erg het is. Niet als een eenmalige audit, maar als een continue meting die je in staat stelt om vooruitgang te volgen.

De completeness score

Dit is de eenvoudigste meting: voor elk recordtype, welk percentage van de essentiële velden is ingevuld?

Neem opportunities. De essentiële velden zijn misschien: close date, amount, stage, eigenaar, en competitor. Run een rapport en je krijgt iets als:

Veld	Percentage ingevuld
Close date	95%
Amount	88%
Stage	92%
Eigenaar	100%
Competitor	45%
Next step	62%

Die 45% op competitor is een probleem. Het betekent dat bij meer dan de helft van je deals je niet weet tegen wie je concurreert. Hoe kun je dan winnen?

De accuracy score

Completeness zegt niets over accuracy. Een veld kan ingevuld zijn met verkeerde informatie. Om accuracy te meten heb je een steekproef nodig.

Neem 50 willekeurige accounts uit je database. Bel de telefoonnummers. Mail de emailadressen. Check of de contactpersonen nog steeds bij dat bedrijf werken. Dit kost een middag, maar het geeft je een reality check die geen rapport kan geven.

Als 30% van de telefoonnummers niet werkt, weet je dat je een probleem hebt dat geen dashboard zal tonen.

De duplicate rate

Hoeveel potentiële duplicaten heb je? De meeste CRM systemen hebben ingebouwde duplicate detection, of je kunt een simpele fuzzy match doen op bedrijfsnamen.

Een duplicate rate boven de 10% is een serieus probleem. Onder de 5% is acceptabel. Onder de 2% is excellent.

De decay rate

Dit is misschien wel de belangrijkste meting voor langetermijn planning: hoe snel vervuilt je data?

Meet hoeveel records per maand inactief worden (geen activiteit), incorrect raken (bounce, telefoon werkt niet), of verdwijnen (contact weg). Dit getal bepaalt hoeveel effort je structureel nodig hebt om je database gezond te houden.

De systematische aanpak: van chaos naar controle

Data quality verbeteren is geen project met een einddatum. Het is een discipline die je moet inbouwen in hoe je werkt. Maar je moet ergens beginnen.

Stap 1: De eerlijke inventarisatie

Voordat je gaat schoonmaken, moet je weten wat er mis is. Run de volgende rapporten in je CRM:

• Alle records zonder eigenaar (wezen die niemand onderhoudt)
• Records niet geüpdatet in 6+ maanden (potentieel verouderd)
• Open deals met close date in het verleden (zombie deals)
• Contacten zonder email of telefoon (onbereikbaar)
• Accounts zonder actieve contacten (dode accounts)
• Potentiële duplicaten (fuzzy match op naam)

Dit geeft je een baseline. Hoeveel records zijn problematisch? Waar zitten de grootste problemen? Dit bepaalt je prioriteiten.

Stap 2: De standaardisatie

Het makkelijkste probleem om op te lossen is inconsistentie, want het vereist geen research — alleen beslissingen.

Vervang vrije tekstvelden door picklists waar mogelijk. Industrie is geen tekstveld maar een dropdown met 15 opties. Land is geen tekstveld maar een ISO-code selector. Lead source is een gedefinieerde lijst, niet iets wat iedereen anders invult.

Maak naming conventions en documenteer ze. Bedrijfsnamen: officiële naam zoals bij de KvK geregistreerd. Adressen: straat, huisnummer, postcode, plaats — in die volgorde, consistent geformatteerd.

Dit voorkomt nieuwe inconsistentie. De oude rommel moet je nog steeds opruimen.

Stap 3: De verplichtingen

Sommige velden zijn zo essentieel dat je ze niet optioneel kunt laten. Maak ze required.

Voor opportunities: close date en amount zijn niet onderhandelbaar. Geen close date betekent geen forecast. Geen amount betekent geen pipeline waarde. Een deal zonder deze velden is geen deal.

Voor contacten: minimaal email of telefoonnummer. Een contact dat je niet kunt bereiken is geen contact.

Voeg validatieregels toe: close date mag niet in het verleden voor open deals. Amount moet groter dan nul zijn. Email moet een geldig format hebben. Dit voorkomt de meest voor de hand liggende fouten.

Stap 4: De grote schoonmaak

Nu komt het echte werk. Dit is arbeidsintensief, maar onvermijdelijk.

Voor duplicaten: exporteer de potentiële matches, review ze handmatig, bepaal welk record de master is, en merge of verwijder de rest. Automatisch mergen is risicovol — je kunt informatie verliezen. Handmatige review is trager maar veiliger.

Voor verouderde data: start met je belangrijkste accounts. Zijn de contactpersonen nog actueel? Werken de telefoonnummers? Klopt de adresinformatie? Voor bulk verificatie van minder belangrijke records kun je email verificatie tools gebruiken en bounce-cleaning doen.

Voor incomplete records: dit is teamwork. Organiseer een “data blitz” — een week waarin iedereen zijn eigen accounts en deals up-to-date brengt. Maak het een competitie. Meet wie de meeste completeness winst boekt.

Stap 5: Het onderhoud

Dit is waar de meeste initiatieven falen. De grote schoonmaak is gedaan, iedereen is moe, en langzaam glijdt de kwaliteit weer af.

Onderhoud moet geautomatiseerd en geritualiseerd zijn:

Dagelijks: Automatische alerts voor deals met gepasseerde close dates. Iemand moet actie ondernemen — update de datum of sluit de deal.

Wekelijks: Rapport van nieuwe potentiële duplicaten. Kleine aantallen, dus makkelijk te reviewen voordat ze een groot probleem worden.

Maandelijks: Data quality dashboard review. Is de completeness omhoog of omlaag? Waar zitten de nieuwe gaten?

Kwartaal: Steekproef validatie. Pak 50 records, verifieer handmatig. Dit is je reality check.

Tooling die helpt

Je hebt geen fancy tools nodig om te beginnen, maar sommige tools maken het leven makkelijker als je scaleert.

Wat je al hebt

Elke moderne CRM — Salesforce, HubSpot, Dynamics — heeft ingebouwde functies die je waarschijnlijk niet volledig benut.

Duplicate management in Salesforce kan potentiële duplicaten detecteren en zelfs nieuwe duplicaten blokkeren bij creatie. Validation rules kunnen datafouten voorkomen bij invoer. Required fields dwingen completeness af. Reports en dashboards kunnen data quality metrics tonen.

Begin met wat je hebt voordat je nieuwe tools koopt.

Waar gespecialiseerde tools helpen

Als je database groot is (10.000+ accounts) of ernstig vervuild, kunnen gespecialiseerde tools tijd besparen.

Duplicate management tools zoals Cloudingo of DemandTools kunnen duizenden potentiële duplicaten identificeren en bulk-merge operaties uitvoeren op manieren die de native CRM functies niet ondersteunen.

Data enrichment services zoals ZoomInfo, Cognism of Apollo kunnen missende bedrijfsinformatie automatisch aanvullen en verouderde contactdata verversen. Dit is niet goedkoop, maar het schaalt beter dan handmatig research doen.

De low-tech optie

Voor een eenmalige cleanup is Excel nog steeds je vriend. Export, clean, import. Het is niet elegant, maar het werkt.

Voor team-based data hygiene kan een gedeelde spreadsheet effectiever zijn dan een tool. “Dit zijn de 100 accounts die verified moeten worden. Claim er 10 en werk ze af.” Simpel, transparant, accountable.

Het cultuurprobleem

Tools lossen niets op als de cultuur niet meewerkt. Je kunt de beste validation rules implementeren en de duurste data quality software kopen, maar als het team het niet belangrijk vindt, verandert er niets.

Maak het makkelijk

Elke extra veld dat je vraagt in te vullen is wrijving. Elke extra klik is een reden om het later te doen (lees: nooit). Vraag alleen wat je echt nodig hebt. Automeer waar mogelijk. Maak defaults slim.

Als het invullen van data meer dan 30 seconden duurt na elk gesprek, is het te veel. Pas je proces aan.

Maak het zichtbaar

Wat gemeten wordt, wordt gedaan. Zet data quality metrics op een zichtbare plek — een dashboard in de salesruimte, een slide in de weekly standup, een metric in de performance review.

Maar wees voorzichtig met hoe je dit frameet. Een ranking van “wie heeft de slechtste data” creëert defensief gedrag. Een ranking van “wie heeft deze week de meeste records verbeterd” creëert positieve actie.

Maak consequenties reëel

De ultieme consequentie: deals zonder complete data tellen niet mee voor de forecast. Dit klinkt hard, maar het werkt. Als een sales rep weet dat zijn deal van 200.000 euro niet meetelt omdat er geen close date en competitor in staan, wordt die data snel ingevuld.

Frame het positief

“Jullie data is slecht” helpt niemand. “Betere data betekent een accuratere forecast, wat betekent minder stress aan het eind van het kwartaal” is een verhaal waar mensen achter kunnen komen.

Uiteindelijk is data quality geen doel op zich. Het is een middel tot betere beslissingen, snellere sales cycles, en minder verspilde tijd. Als dat verhaal helder is, volgt de motivatie.

Waar te beginnen

Als dit allemaal overweldigend voelt, begin dan klein. Een paar quick wins om momentum te bouwen:

Vandaag: Run een rapport op open deals met een close date in het verleden. Dit zijn je zombie deals — dood maar nog niet begraven. Sluit ze of update ze. Dit alleen al maakt je pipeline 15% realistischer.

Deze week: Identificeer je top 20 accounts. Dit zijn de klanten die 80% van je omzet vertegenwoordigen. Is hun data compleet en accuraat? Zo niet, fix het nu.

Deze maand: Maak close date en amount required voor alle opportunities. Ja, sales zal klagen. Ja, het is noodzakelijk. Geen uitzonderingen.

Dit kwartaal: Implementeer duplicate blocking rules. Nieuwe duplicaten worden voorkomen bij creatie. De oude duplicaten zijn er nog, maar het probleem stopt met groeien.

Elk van deze stappen is klein genoeg om te doen, maar significant genoeg om verschil te maken. En na het eerste succes is het makkelijker om door te gaan.

Verder lezen

• Pipeline voorspelbaarheid — Hoe je forecast accuraat maakt met betere data
• Salesforce configuratie voor manufacturing — Technische implementatie van data quality regels