Fradrag: Bedste fremgangsmåder til at undgå eller korrigere duplikerede kundedata

Bedste fremgangsmåder til datadeflikering af CRM

Kopierede data reducerer ikke kun nøjagtigheden af ​​forretningsindsigt, men det kompromitterer også kvaliteten af ​​din kundeoplevelse. Selvom konsekvenserne af duplikatdata står over for alle - it-ledere, forretningsbrugere, dataanalytikere - har det den værste indvirkning på en virksomheds markedsføringsoperationer. Da marketingfolk repræsenterer virksomhedens produkt- og servicetilbud i branchen, kan dårlige data hurtigt ødelægge dit brandomdømme og føre til at levere negative kundeoplevelser. Kopierede data i virksomhedens CRM sker på grund af en række årsager.

Fra en menneskelig fejl til kunder, der giver lidt forskellige oplysninger på forskellige tidspunkter i organisationsdatabasen. For eksempel viser en forbruger sit navn som Jonathan Smith på den ene form og Jon Smith på den anden. Udfordringen forværres af en voksende database. Det er ofte mere og mere vanskeligt for administratorer at holde styr på DB og såvel spore de relevante data. Det bliver mere og mere udfordrende at sikre, at organisationens DB forbliver nøjagtig ”.

Natik Ameen, marketingekspert hos Canz Marketing

I denne artikel vil vi se på de forskellige typer duplikatdata og nogle nyttige strategier, som marketingfolk kan bruge til at dedupere sine virksomhedsdatabaser.

Forskellige typer duplikatdata

Kopierede data forklares normalt som en kopi af originalen. Men der er forskellige typer duplikatdata, der tilføjer kompleksitet til dette problem.

  1. Præcise duplikater i samme kilde - Dette sker, når poster fra en datakilde overføres til en anden datakilde uden at overveje at matche eller flette teknikker. Et eksempel kunne være at kopiere oplysninger fra CRM til et e-mail-marketingværktøj. Hvis din kunde har abonneret på dit nyhedsbrev, er deres rekord allerede til stede i e-mail-marketingværktøjet, og overførsel af data fra CRM til værktøjet vil skabe duplikater af samme enhed. 
  2. Præcise duplikater i flere kilder - Nøjagtige duplikater i flere kilder opstår normalt på grund af data backup-initiativer hos en virksomhed. Organisationer har tendens til at modstå udrensningsaktiviteter og er tilbøjelige til at gemme alle kopier af data, som de har ved hånden. Dette fører til forskellige kilder, der indeholder duplikatoplysninger.
  3. Varierende duplikater i flere kilder - Duplikater kan også eksistere med forskellige oplysninger. Dette sker normalt, når klienter gennemgår ændringer i efternavn, jobtitel, firma, e-mail-adresse osv. Og da der er bemærkelsesværdige forskelle mellem gamle og nye poster, behandles de indgående oplysninger som en ny enhed.
  4. Ikke-nøjagtige duplikater i samme eller flere kilder - Et ikke-nøjagtigt duplikat er, når en dataværdi betyder det samme, men det er repræsenteret på forskellige måder. For eksempel kunne navnet Dona Jane Ruth gemmes som Dona J. Ruth eller DJ Ruth. Alle dataværdier repræsenterer den samme ting, men når de sammenlignes gennem enkle datatilpasningsteknikker, betragtes de som ikke-matchende.

Fradrag kan være en meget kompleks proces, da forbrugere og virksomheder ofte ændrer deres kontaktdata over tid. Der er variation i, hvordan de indtaster hvert felt af data - fra deres navn, e-mail-adresse (r), boligadresse, forretningsadresse osv.

Her er en liste over 5 bedste fremgangsmåder til deduplikering af data, som marketingfolk kan begynde at bruge i dag.

Strategi 1: Få valideringskontrol af dataindtastning

Du skal have streng valideringskontrol på alle dataindtastningssteder. Dette indebærer at sikre, at inputdataene stemmer overens med den krævede datatype, format og ligger mellem acceptable områder. Dette kan gå langt med at gøre dine data komplette, gyldige og nøjagtige. Desuden er det afgørende, at din arbejdsgang til dataindtastning ikke kun er konfigureret til at oprette nye poster, men først søger og finder ud af, om datasættet indeholder en eksisterende post, der matcher den indgående. Og i sådanne tilfælde finder og opdaterer det kun snarere end at oprette en ny post. Mange virksomheder har indarbejdet checks til kunden for også at løse deres egne duplikatdata.

Strategi 2: Udfør deduplicering ved hjælp af automatiserede værktøjer

Brug selvbetjening data deduplication software der kan hjælpe dig med at identificere og rense duplikerede poster. Disse værktøjer kan standardisere data, finde nøjagtigt og ikke-nøjagtigt match nøjagtigt, og de reducerer også det manuelle arbejde med at kigge gennem tusinder af rækker med data. Sørg for, at værktøjet understøtter import af data fra en lang række kilder såsom excel-ark, CRM-database, lister osv.

Strategi 3: Brug dataspecifikke fradragsteknikker

Afhængig af dataens art udføres deduplicering af data forskelligt. Markedsførere skal være forsigtige med at fratage data, fordi den samme ting kan betyde noget forskelligt på tværs af forskellige datatributter. For eksempel, hvis to dataposter stemmer overens med en e-mail-adresse, er der stor sandsynlighed for, at de er dubletter. Men hvis to poster matcher på adresse, er det ikke nødvendigvis en duplikat, fordi to personer, der tilhører den samme husstand, kunne have separate abonnementer hos din virksomhed. Så sørg for at implementere data deduplikering, fletning og udrensning af aktiviteter i henhold til den type data, dine datasæt indeholder.

Strategi 4: Opnå Golden Master Record gennem data berigelse

Når du har bestemt listen over match, der findes i din database, er det afgørende at analysere disse oplysninger, før beslutninger om fletning eller udrensning af data kan træffes. Hvis der findes flere poster for en enkelt enhed, og nogle repræsenterer unøjagtige oplysninger, er det bedst at rense disse poster. På den anden side, hvis duplikater er ufuldstændige, er datafletning et bedre valg, da det vil muliggøre berigelse af data, og flettede poster kan tilføje mere værdi til din virksomhed. 

Uanset hvad, skal markedsførere arbejde for at opnå et samlet overblik over deres markedsføringsoplysninger, kaldet gylden mesterrekord.

Strategi 5: Overvåg datakvalitetsindikatorer

En løbende indsats for at holde dine data rene og deduperede er den bedste måde at udføre din data deduplikationsstrategi på. Et værktøj, der tilbyder dataprofilering og kvalitetsstyringsfunktioner, kan være til stor nytte her. Det er bydende nødvendigt for marketingfolk at holde øje med, hvor nøjagtige, gyldige, komplette, unikke og konsistente de data er, der bruges til markedsføringsoperationer.

Da organisationer fortsætter med at tilføje dataprogrammer til deres forretningsprocesser, er det blevet nødvendigt for hver marketingmedarbejder at have datadupliceringsstrategier på plads. Initiativ såsom at bruge data deduplication værktøjer og designe bedre validerings workflows til at oprette og opdatere dataposter er nogle vigtige strategier, der kan muliggøre pålidelig datakvalitet i din organisation.

Om datastige

Data Ladder er en datakvalitetsstyringsplatform, der hjælper virksomheder med at rengøre, kategorisere, standardisere, deduplicere, profilere og berige deres data. Vores brancheførende datatilpasningssoftware hjælper dig med at finde matchende poster, flette data og fjerne dubletter ved hjælp af intelligente fuzzy matching- og maskinindlæringsalgoritmer, uanset hvor dine data bor, og i hvilket format.

Download en gratis prøveversion af Data Ladder's Data Matching Software

Hvad mener du?

Dette websted bruger Akismet til at reducere spam. Lær, hvordan dine kommentardata behandles.