När en säljchef säger att CRM:et inte går att lita på är det sällan ett teknikproblem. Det är ett intäktsproblem. Representanter arbetar på fel konton, marknad optimerar mot volym i stället för affärspotential och ledningen får prognoser som ser precisa ut men vilar på lösa antaganden. Datakvalitet i CRM avgör om er go-to-market-motor driver framåt eller bara dokumenterar aktivitet.
För B2B-bolag med långa säljcykler blir konsekvensen större än en felstavning eller en dubblett. Om ett konto saknar rätt köprupp, aktuell omsättning eller koppling till pågående affär kan ni missa signalen som hade förkortat säljcykeln. När ni expanderar till nya marknader, där varje prioriterat konto kräver mer research och samordning, blir den kostnaden snabbt synlig.
Problemet löses inte genom en engångsstädning. Ni behöver bestämma vilken data som faktiskt behövs för att fatta bättre kommersiella beslut, hur den ska komma in i systemet och vem som äger kvaliteten när verkligheten förändras.
Många team beskriver datakvalitet som ett administrativt problem. Det är för snävt. CRM-data styr vem som får uppföljning, vilka segment marknad riktar kampanjer mot, hur pipeline bedöms och var ledningen väljer att investera tid och budget.
Ta ett vanligt exempel: samma bolag finns i CRM:et under flera namn, med olika bransch, olika land och olika ansvarig säljare. En kontakt har laddat ner innehåll och bokat ett möte, men aktiviteten ligger på en annan kontopost än den öppna affären. Marknad ser låg påverkan på pipeline. Sälj ser en kall kund. Ledningen ser ett svagt segment. Ingen av slutsatserna behöver stämma.
I komplex B2B-försäljning finns sällan ett enda datapunkt som förklarar köpintention. Ni behöver kunna se relationen mellan konto, köprupp, produktintresse, säljaktivitet, affär och kundstatus. Saknas den strukturen får ni inte en sammanhållen bild, oavsett hur många dashboards ni bygger.
Det är därför kvalitetsarbetet måste börja med affärsfrågor, inte fältlistor. Vilka konton ska teamet prioritera? Vad skiljer en kvalificerad möjlighet från ett tidigt intresse? Vilka indikatorer visar att en affär riskerar att stanna? Kan CRM:et inte ge tillförlitliga svar på de frågorna, samlar ni sannolikt in fel data eller hanterar rätt data på fel sätt.
Det vanligaste misstaget är att försöka göra varje fält komplett för varje kontakt och varje konto. Resultatet blir formulär som ingen vill fylla i och data som ser fullständig ut men är gammal, inkonsekvent eller gissad.
Börja i stället med de beslut som ska bli bättre. För ett bolag som säljer mot större internationella konton kan det handla om att välja rätt ICP-konton, se vilka roller som saknas i köpruppen och prioritera affärer med verklig framdrift. Då kan följande data vara avgörande: bolagsstruktur, marknad, segment, strategisk potential, definierade kontaktroller, nästa steg och tydliga kriterier för affärsstadium.
För ett annat bolag kan det mest värdefulla vara en korrekt bild av befintliga kunder: vilka produkter de använder, hur adoptionen utvecklas och vilka signaler som motiverar expansion. Det beror på affärsmodell, säljcykel och hur ansvar är fördelat mellan marknad, sälj och kundteam.
Det relevanta måttet är alltså inte hur många fält ni har. Det är om fälten leder till bättre prioriteringar. Om informationen aldrig används i segmentering, automatisering, pipeline-review eller kundarbete bör den inte vara obligatorisk. Varje extra fält har en kostnad i form av sämre följsamhet och fler tolkningsproblem.
Ett fält med namnet ”bransch” räcker inte om olika användare kan skriva vad som helst. Ett team väljer ”SaaS”, ett annat ”mjukvara” och ett tredje lämnar fältet tomt. Då går segmentering och rapportering sönder, trots att alla har gjort något som verkar rimligt.
Kritiskt data behöver en enkel definition: vad värdet betyder, vilka värden som är tillåtna, när det ska uppdateras och vem som gör det. Det kan låta grundläggande, men det är just här många CRM-initiativ tappar effekt. Tekniken är konfigurerad, men arbetssättet är inte bestämt.
Använd standardiserade val där ni behöver jämföra och rapportera. Använd fritext där kontexten är viktig, exempelvis i anteckningar inför ett kundmöte. Försök inte tvinga fram mänskliga nyanser i en dropdown, men låt inte centrala affärsdefinitioner leva fritt i fritext heller.
Det är sällan realistiskt att förvänta sig att säljare ska ägna fredagseftermiddagar åt att städa gamla poster. Datakvalitet måste säkras där data skapas och används. Annars blir den ett sidoprojekt som alltid förlorar mot kundarbete.
När en ny lead kommer in ska systemet exempelvis kontrollera om kontot redan finns, använda konsekventa regler för ägarskap och fånga de attribut som behövs för kvalificering. När en affär flyttas till nästa steg ska teamet registrera den information som bevisar att den faktiskt har avancerat. När en kund byter ägare, marknad eller bolagsstruktur ska det finnas en tydlig rutin för uppdatering.
Automation kan hjälpa mycket, men bara efter att processen är tydlig. Automatisk berikning kan komplettera företagsdata. Valideringsregler kan stoppa uppenbara fel. Dubblettregler kan fånga problem innan de sprids. Men automatisering kan också skapa skräp i högre hastighet om era definitioner är otydliga eller källorna inte är relevanta för er marknad.
En bra princip är att låta systemet göra det maskiner gör bäst - validera, föreslå, matcha och påminna. Låt människan avgöra sådant som kräver affärsbedömning, till exempel om ett konto verkligen passar er ICP eller om en möjlighet har tillräckligt stöd i köpruppen.
Pipeline-data är ofta den dyraste formen av dålig CRM-data, eftersom den påverkar prognoser, kapacitetsplanering och styrelsediskussioner. Om ”demo genomförd” eller ”förslag skickat” betyder olika saker för olika säljare, är affärsstadierna i praktiken bara etiketter.
Varje steg bör ha tydliga exitkriterier. Inte för att skapa kontroll för kontrollens skull, utan för att separera aktivitet från progression. Ett möte är inte automatiskt ett kvalificerat case. Ett skickat förslag betyder inte att rätt beslutsfattare är engagerad eller att tidplan och budget är kända.
Här behövs balans. För mycket detalj gör CRM:et tungt och driver fram kosmetiska uppdateringar. För lite struktur gör pipeline omöjlig att styra. Välj några få indikatorer som ger ledningen ett ärligt underlag: affärsproblem, identifierade beslutsfattare, överenskommet nästa steg, kommersiell process och realistisk tidslinje.
CRM-teamet kan inte ensamt äga datakvaliteten. De kan sätta regler, följa upp avvikelser och bygga processer, men sälj, marknad och kundteam skapar och använder datan varje dag. Om bara en funktion ser nyttan kommer kvaliteten att falla så fort trycket ökar.
Förankra därför ansvaret i de återkommande arbetssätten. I säljmötet granskar ni inte bara pipelinevärde, utan också nästa steg och saknade köprupper. I marknadsmötet tittar ni inte bara på leads, utan på hur många som kan kopplas till rätt konto och segment. I RevOps-arbetet följer ni upp vilka integrationer, importflöden eller automatiseringar som skapar avvikelser.
Sätt också tydliga ägare för de viktigaste datadomänerna. Marknad kan äga definitioner och kvalitet för inflöde och kampanjdata. Sälj kan äga uppdateringar kring möjligheter och kontostrategi. Kundteamet kan äga kundstatus, användning och expansionssignaler. RevOps eller CRM-ansvarig äger styrmodellen, reglerna och den samlade uppföljningen.
Det betyder inte att allt måste centraliseras. Tvärtom fungerar kvalitet bäst när ansvaret ligger nära användningen, medan definitionerna hålls gemensamma. Ett nordiskt bolag som bygger marknad i USA behöver ofta lokala nyanser i sin bearbetning, men kan inte ha lokala versioner av vad en kvalificerad affär eller ett strategiskt konto betyder.
En hög ifyllnadsgrad är ett dåligt slutmål. Ett fält kan vara ifyllt i 98 procent av posterna och ändå vara värdelöst om värdena är gamla eller inkonsekventa. Följ hellre kvalitet på fyra nivåer: fullständighet, korrekthet, aktualitet och koppling.
Fullständighet visar om nödvändig information finns. Korrekthet visar om den är sann. Aktualitet visar om den speglar nuläget. Koppling visar om kontakt, konto, affär, aktivitet och kundrelation hänger ihop. Den sista nivån är ofta mest underskattad, trots att den avgör om ni kan förstå den faktiska kundresan.
Koppla sedan måtten till affärsutfall. Har konton med definierad köprupp högre konvertering? Går affärer med tydligt nästa steg snabbare framåt? Får kampanjer mot korrekt segmenterade konton bättre mötesgrad? Då blir datakvalitet inte ett krav från systemägaren, utan ett arbetssätt som hjälper teamet att vinna mer relevant affär.
Börja mindre än ni tror. Välj ett flöde där dålig data skapar en tydlig flaskhals - exempelvis kvalificering, pipeline-prognos eller account-based bearbetning. Definiera rätt data, bygg in den i processen och mät effekten under några veckor. När teamet ser att bättre CRM-data sparar tid och gör prioriteringarna skarpare, blir kvalitet en del av hur ni arbetar, inte ännu ett projekt som ska genomföras.