Hva er dataforfall? Årsaker, konsekvenser og forebygging

B2B-databasene nedbrytes med omtrent 22.5% hvert år, Og det tallet er selv omstridt, med andre estimater som går mye høyere eller lavere avhengig av hva som måles. Det alle versjoner er enige om, er mekanismen: en database som var nøyaktig den dagen den ble bygget begynner å bli gammeldags fra samme dag fremover. stille, uten en eneste hendelse markerer når.

Dette bildet beskriver typer forfall, hva som forårsaker det, hvorfor noen felt aldrer raskere enn andre, den virkelige kostnaden for å ignorere det, og hvordan man bremser det. Underveis ser den på hva forfallne poster gjør til Leverpunkt og salgsprospektering: En representant som jobber med gamle salgsdata utfører ikke en strategi, de gjetter med tillit.

Get thousands of leads in 4 minutes.

Stop stitching tools together.
Start with verified sales data, delivered in minutes.

SCALE SALES NOW

No contracts · No setup · No sales call

Hva er dataforfall?

Dataforfall er gradvis tap av nøyaktighet i lagret data mens den virkelige verden fortsetter å bevege seg og rekorden bare sitter der. Noen bytter jobb. Et selskap restrukturerer. Et telefonnummer blir gitt til en fremmed. Ingenting av det pings din CRM. Rekorden er ikke ødelagt og ingenting mangler, den bare stille sluttet å være sann, og ser ikke annerledes ut enn dagen den var nøyaktig.

Folk samler dette inn med to ting det ikke er. Dataforurensning Det er en stor sammenheng, gamle poster ingen har ryddet ut. Sårt import, sløype formatering, en hastet migrasjon, en ødelagt integrasjon, det er en Datakvalitetsproblem, og det har ingenting å gjøre med tiden som går. Forfall er smalere: data som en gang var riktig og gikk galt av nøyaktig én grunn, tid.

Hvorfor bry seg om å skille dem? Fordi din Leadscore-programvare kan ikke skille ferske salgsdata fra utdaterte salgsdata. Programvaren utfører bare beregningen og er like sikker i begge tilfeller.

Typer av dataforfall

Det er ikke på samme måte at det går ned i alle plater, og å behandle det som et problem er grunnen til at så mange strategier for generering av potensielle kunder stille slutte å jobbe uten at noen merker hvorfor. En langsom lekkasje og et sprøyt rør begge etterlater deg stå i vann, men du ikke fikse dem med de samme verktøyene, og dataforfall fungerer ikke annerledes.

1. Naturlig (aldring) forfall

Naturlig forfall er gradvis, passivt. Data var nøyaktige den dagen det ble tatt, og sakte, uten en eneste hendelse som markerer øyeblikket, Det er ikke sant bare fordi tiden går og ingen har sjekket.

Dette er langt den vanligste type forfall, Det er også vanskeligst å fange, fordi rekorden ikke ser ødelagt ut. Alle felt er fylt. Ingenting kaster en feil. Det sluttet å matche virkeligheten, og CRM din har ingen måte å vite det på.

2. Logisk (semantisk) forfall

Logisk forfall er det mest lumske. E-posten leveres fortsatt. Telefonen kobles fortsatt. Ingen meldinger spretter tilbake, ingenting blir flagget, og alle automatiske kontroller ser fine ut.

Men personen bak disse feltene er ikke den rekorden sier de er lenger. Deres rollen har endret seg, deres - Aldersnivået har endret seg., eller deres relevansen til hvorfor du la dem i første omgang er stille forsvunnet. Dataene er teknisk gyldig og funksjonelt feil samtidig, Og ingen automatisk sjekk bygget for å fange ødelagte felt vil noen gang flagge det, fordi ingenting om selve feltet er ødelagt.

3. Mechanisk (system) forfall

Det er ikke mekanisk forfall som forandrer den ytre verden, det er selvtilførte skader fra de systemene som håndterer dataene. En ødelagt integrasjon, dårlig massiv import, en feil migrering, en synkronisering som stille faller halv felt, Og plutselig er opptegnelser som var bra i går ødelagt eller feilutdelt i dag.

Det urolige er hvordan den ser ut som en naturlig forfall fra utsiden. Et felt er feil uansett. Men naturlig forfall skjer fordi virkeligheten gikk videre uten rekord, mens mekanisk forfall oppstår fordi noe i din egen stab slo rekorden mens virkeligheten forble nøyaktig den samme. Denne forskjellen er viktig, fordi å fikse en synkroniseringsfeil og å fiksiere en utdatert jobb er ikke det samme arbeidet. selv om begge vises som "dårlige data" på et instrumentbrett.

4.Uttvendig (strukturell) forfall

Utenriksforfall krøller ikke, det rammer. En fusjon, en masse avskedigelse, et markedsskift eller en lederskift kan gjøre hele segmentet av poster ugyldig på en enkelt ettermiddag snarere enn enn å ødelegge dem gradvis over måneder. En hendelse, og plutselig hele kontoens verdi av kontakter, titler, og rapporteringslinjer er feil på samme tid.

Det er det som gjør den strukturelt forskjellig fra de tre andre typene: Det handler ikke om en plate som sakte drømmer ut av dato, det handler om et helt segment som blir foråldret på en gang, Og ingen kontinuerlig oppfriskningssyklus bygget for gradvis nedgang vil fange den raskt nok.

Hver type bryter seg forskjellig, så fixeringen er også forskjellig. Naturlig forfall trenger kontinuerlige oppfriskningssykluser. Logisk forfall trenger manuell gjennomføring, ingen automatisering tar det. Det mekaniske forfallet kommer ned til integrasjonshygiene og importvalidering. Det eksterne forfall er det de fleste team overlater, det trenger aktiv overvåking for store konto-nivå hendelser, ikke rutine vedlikehold.

Hva forårsaker dataforfall

Ingenting av dette skjer ved en tilfeldighet. Det sporer tilbake til fem spesifikke utløsere, og de fleste poster blir truffet av mer enn en samtidig.

• Jobbsendringer: regnes generelt som den største årsaken til forfall i B2B-kontaktdata. En ny rolle kan gjøre en persons e-postadresse, telefonnummer, stillingstittel og selskapstilknytning ugyldige på én gang, og dette skjer hele tiden i enhver database av en viss størrelse. Derfor Leivprospekt En liste som er noen måneder gammel, brenner timer før en ekte samtale skjer.
• Bedriftsendringer: Fusioner, oppkjøp, ommerkelser og restrukturering endrer eller fjerner selskapsnivådata, domene, størrelse, struktur, at alle kontaktregister avhenger av, skader alle kontakter knyttet til det selskapet på en gang.
• Kontaktdetaljer endrer seg uavhengig av jobbendringer: telefonnumre blir re-tildelte og e-postleverandører endres uten at noen bytter arbeidsgiver, Så tilgjengeligheten går i stykker på måter som aldri registreres som en jobbskift.
• Teknologi og atferdsendringer: Teknografiske og atferdsmessige eller intensjonsdata alder raskere enn noen andre, siden de fange et øyeblikk i stedet for en stabil fakta. Mange av disse dataene kommer fra nettskrapingverktøy Først og fremst, så det er et øyeblikk det lander på, og verktøy blir byttet raskere enn de fleste databaser noensinne oppdaterer.
• Passiv rekordforfall: Registre ingen har rørt eller verifisert på et stykke tid mister pålitelighet bare fra å sitte der, forfall av forsømmelse i stedet for forfall ved hendelse.

Disse årsakene virker sjelden alene. En jobbskift utløser ofte en bedriftsskift i samme pust, og en enkelt plate kan ta opp flere av disse på en gang, som er en del av hvorfor forfall forbindelser.

Hvorfor noen data forfaller raskere enn andre

Ikke alle felt forfaller med samme hastighet, og mønsteret holder seg over nesten alle kilder, selv når de nøyaktige tallene ikke gjør det. Feltet på enkeltnivå, jobbstitel, direkte e-post, direkte telefon, forfall raskere enn feltet på selskapsnivå, industri, hovedkontor plassering, selskapets navn. Det er ikke en tilfeldighet.

Persons omstendigheter endres konstant: de skifter roller, skifter nummer, flytter selskaper helt. En virksomhets kjennskap går i et helt annet tempo. Industrier endres ikke over natten, hovedkvarter flytter ikke på en kaprize, og et selskaps navn er en av de mest stabile tingene om det. Det enkelte er et bevegelig mål, selskapet er en langsommere.

Adferd og intensjonsdata forfaller raskere enn begge. Det beskriver ikke et stabilt atribut, det er å fange et øyeblikk, hva noen klikket på, søkt etter eller viste interesse i, Og det øyeblikket har vanligvis gått etter at du handler på det. Å behandle et tre måned gammelt intensjonssignal som aktuelt er som å lese gårsdagens værrapport for å bestemme hva man skal ha på seg i dag.

Her blir det rotet: De spesifikke nedgangsratsene du finner på nettet varierer enormt etter kilde, metodikk og industri. Et artikkel nummer for jobb tittelen nedgang vil ikke matches med en annen, og ingen av dem bør behandles som en universell referanse du kan bare bruke til din egen database.

Hvis et bestemt tall vises noe sted i denne artikkelen, er det tilskrevet den primære forskningen bak det, ikke presentert som en fast lov om hvordan data oppfører seg. Musteren er pålitelig. Det nøyaktige tallet er sjelden.

Dataforfall har stor innvirkning på virksomheten

Ingenting av dette forblir teoretisk lenge, det vises i reelle tall på en instrumentbrett, bare ikke slik du forventer.

Ulykket utbredelsesarbeid er den nærmeste kostnaden, og også den enkleste å gå glipp av. Representanter bruker tid på å jakte kontakter som har gått videre, samtaler som kobles til feil person, e-poster som hopper før noen åpner dem. Ingen av disse anstrengelsene gir noe.

Leveranseskade forverrer problemet. En økende støtning fra forurenset adresse ikke bare sløser den ene e-post, det skader avsenders rykte. Den skaden følger hver melding etterpå, inkludert til gyldige kontakter som sitter på nøyaktig samme domene som aldri gjorde noe galt.

Utillitlige prognoser og rapporter Det er der forfall blir farlig i stedet for irriterende. Pipeline- og kontodata basert på forfallende informasjon gir prognoser som ser trygg ut på et instrumentbrett, mens de stille hviler på poster som ikke lenger gjenspeiler virkeligheten. En prognose annonserer ikke at en del av det den er bygget på er feil, det ser bare galt ut senere, vanligvis i det verste mulige øyeblikket.

Den sammensatte effekten på automatisering og AI er den nyeste versjonen av et gammelt problem. Enhver arbeidsflyt som scorer, rutter eller personaliserer basert på CRM-data arver hvilken feil som allerede lever i disse dataene. Automatisering løser ikke forfall, den handler bare raskere og med mer tillit enn dataene noensinne har tjent seg.

Hvordan måle dataforfall

Du trenger ikke en leverandørrapport for å vite hvor dårlig din egen database er, du trenger en ettermiddag og litt disiplin.

• Ta en tilfeldig prøve av poster som ikke har blitt rørt i seks måneder: Ikke dine beste spor, ikke de du har jobbet aktivt med. Å samle nye eller høye engasjementer gjør databasen din se sunnere ut enn den faktisk er.
• Sjekk mer enn ett signal: Utfør e-postleveransje, og sjekk deretter manuelt jobbopplysninger eller selskapsdetailer mot et profesjonelt nettverk. Bare ett signal vil lyve for deg.
• Beregne en enkel nedbrytningsrate: delen av den prøven som viste seg feil. Det tallet er vanskelig, men det er ditt, og det slår å låne et bransje gjennomsnitt som aldri ble bygget for databasen din i første omgang.
• Gjenta det regelmessig: En enkelt sjekk er et øyeblikksbilde. Gjør det hver kvartal eller to og du får en trend, Det er det eneste som faktisk forteller om forfallet accelererer eller er under kontroll.

Hvordan bremse nedgang av data

Du kan ikke komme unna forfall, men du kan slutte å jakte det blindt, og det begynner med cadence, ikke verktøy.

Møt frysningsfrekvensen til nedbrytningshastighet: Feltet som beveger seg raskt, direkte kontaktinformasjon, atferdsdata, trenger hyppig oppmerksomhet. Stående felt som industri eller selskapets navn trenger ikke den samme babysitter.

Bruk triggerbaserte oppdateringer når du kan: En tilbaketrukket e-post, et svar som nevner en ny rolle, disse bør flagge en rekord for gjennomgang når de skjer. Å vente på en planlagt batch-vurdering betyr at du alltid tar forfall sent.

Segmenter vedlikeholdsprosess etter verdi: Høyt prioriterte kontoer og aktive salgsmuligheter fortjener hyppigere oppmerksomhet. Inaktive poster eller poster med lavt engasjement fortjener ikke like mye tid; å behandle dem likt sprer bare innsatsen tynt der den betyr minst.

Aksept at forfall ikke kan elimineres, bare håndteres: En permanent "ren" database er ikke et realistisk mål, det er en fantasi solgt av folk som aldri har kjørt en. Det virkelige målet er å holde forfall inne gjennom konsekvent vedlikehold, ikke jakte etter en mållinje som ikke eksisterer.

Get thousands of leads in 4 minutes.

Stop stitching tools together.
Start with verified sales data, delivered in minutes.

SCALE SALES NOW

No contracts · No setup · No sales call

Vanlige spørsmål om dataforfall

1. Hva mener du med dataforfall?

Dataforfall er hva som skjer når nøyaktig lagret data stille blir unøyaktig bare fordi tiden går og registreringen aldri får oppdatert. Det er ikke en systemfeil eller dårlig datainnføring, det er virkelige endringer som rekorden aldri tok opp til.

2. Hva er et eksempel på dataforfall?

Noen blir promotert, deres gamle tittel forblir i CRM-en din, og hver e-post eller samtale du sender referanser til en rolle de forlot for måneder siden. Rekorden ser bra ut. Det er bare ikke sant lenger.

3. Hvordan går data ned?

Den forverres gjennom en rekke forskjellige mekanismer: langsom passiv aldring, stille semantisk drift, selvpåført systemfeil, og plutselige strukturelle sjokk som en fusjon eller oppsigelse. Hver brytes rekorder forskjellig, og derfor dekker ikke én fix alt.

4. Forringes data over tid?

Ja, det er det definerende trekk av forfall spesielt. Selv en database med null feil og perfekt formatering vil fortsatt bli gammeldags, Fordi folk og selskaper bak registreringene fortsetter å endre seg mens registreringen selv forblir frosset.

5. Hvor vanlig er dataforurensning?

Det er vanlig, men det er et annet problem enn forfall, roden i stedet for stans. En database som er borte et år eller mer uten aktiv listehygiene har nesten sikkert noen.