Sådan vurderer du datakvalitet i marketingdata

Datakvalitet i marketing: et spørgsmål om formål og brug

ISO 25012 – Data Quality Model definerer datakvalitet som »grad af tilfredsstillelse af udtrykte og underforståede behov datas egenskaber giver ved brug under specifikke omstændigheder«. Den fællesoffentlige vejledning »Fælles sprog for datakvalitet« fra 24. september 2021 bygger på W3C's Data Quality Vocabulary og netop ISO 25012 og opsummerer kernen som »fitness for use«: Data, der er velegnede til ét formål og derfor af nogle anvendere anses for at være af høj kvalitet, kan være uegnede til et andet formål, hvor andre anvendere vil anse de samme data for at være af lav kvalitet.

Derfor kan du ikke erklære en kundedatabase for »god« eller »dårlig« i sig selv. Fastlæg først den konkrete marketinganvendelse – fx nyhedsbrev til eksisterende kunder, lead scoring i B2B eller attribuering af kampagner – og vurder derefter, om felterne understøtter præcis den anvendelse. Vejledningen anviser, at den dataansvarlige ud fra sit kendskab til data og det faglige domæne må vurdere, hvilke anvendelser modtagerne især sandsynligt bruger eller vil bruge data til – de væsentligste forventede anvendelser.

For hver anvendelse: Hvilke felter skal være til stede, korrekte og opdaterede, for at opgaven kan løses? Et nyhedsbrev kræver en gyldig e-mailadresse og et lovligt grundlag for udsendelsen, mens en kampagneanalyse kræver, at kilden til trafik og de efterfølgende køb registreres korrekt. Lunde Høj Marketing beskriver samme udgangspunkt: Datakvalitet handler om, hvor præcis og anvendelig en virksomheds data er, og oplysninger om kunder, kampagner og marked skal være korrekte, klare og lette at tolke.

De fem kernedimensioner, du bør vurdere

I B2B-salg og marketing kan datakvalitet beskrives gennem fem dimensioner, som Coherta opstiller. Nøjagtighed (accuracy) afspejler, om data svarer til virkeligheden – er e-mailadressen korrekt, og er omsætningstallene opdaterede? Fuldstændighed (completeness) handler om, hvorvidt vigtige oplysninger mangler, fx branchekoder, telefonnumre eller oplysning om beslutningstagere i leaddatabasen. De to dimensioner kan fejle hver for sig: Et felt kan være udfyldt, men forkert, eller korrekt, men tomt.

Aktualitet (timeliness) handler om, hvor friske data er. B2B-data forældes hurtigt, når virksomheder flytter, fusionerer eller skifter ledelse, og et gammelt telefonnummer eller en forældet adresse giver forkert målretning og spildte ressourcer. Konsistens (consistency) betyder, at data er ensrettet på tværs af systemer, så navne og titler optræder ens i både CRM og e-mailværktøjer. Lunde Høj Marketing giver et konkret eksempel: Hvis en kundes oplysninger viser forskellige telefonnumre i to systemer, skaber det forvirring og fejl i kommunikationen.

Unikhed (uniqueness) betyder, at databasen er fri for duplikater, som skaber forvirring og dobbeltarbejde for sælgerne. Dimensionerne skal vurderes samlet og ikke som en enkelt karakter: En database kan være fuldstændig, men forældet, eller opdateret, men fyldt med dubletter. Den fællesoffentlige vejledning beskriver tilsvarende datakvalitet i forhold til en række kernedimensioner, der repræsenterer kriterier, som er relevante for at vurdere et datasæt – og anbefaler at angive oplysningerne eksplicit, så det er lettere at vurdere, om datasættet er egnet til en given anvendelse.

Vurdering af datakvalitet i marketing: Hvilke dimensioner er afgørende?

Sådan laver du en praktisk datakvalitetsaudit

En audit starter med at analysere den nuværende tilstand af jeres CRM for at identificere huller og fejl – fx forældede e-mailadresser. Gør det felt for felt og system for system, frem for at vurdere databasen som helhed. For hvert felt, der indgår i den konkrete anvendelse, stiller du de fem kernedimensioner som kontrolspørgsmål: Er værdien korrekt (nøjagtighed)? Mangler den (fuldstændighed)? Er den opdateret (aktualitet)? Er den identisk i alle systemer, der bruger feltet (konsistens)? Optræder samme kunde eller virksomhed kun én gang (unikhed)?

Konkrete test: Sammenlign kundens navn, titel og telefonnummer på tværs af CRM og e-mailværktøj for at finde afvigelser. Tæl, hvor mange poster der mangler branchekode, telefonnummer eller beslutningstager. Find poster, hvor der ikke er registreret køb eller engagement, men kun klik. Søg på e-maildomæne og firmanavn for at afsløre dubletter. Kryds virksomhedsdata mod CVR, så du ser, om statusændringer er slået igennem i CRM'et.

Auditten bør også dække databeskyttelsesretlige krav, fordi de sætter grænser for, hvad der må bruges og opbevares. GDPR indeholder et nøjagtighedsprincip om at holde data opdaterede og korrekte, et opbevaringsprincip om at slette data, når de ikke længere er nødvendige, og en ret til at blive glemt, som ifølge Salesbase kræver, at CRM'et kan slette alle data om en person permanent – inklusive relaterede data som e-mails, opkald og noter. Test derfor også, om en kontakt faktisk kan slettes fuldstændigt, og om I har en Data Processing Agreement (DPA) med CRM-leverandøren, når leverandøren behandler personoplysninger på jeres vegne.

Vær opmærksom på, hvad en deklaration ikke kan. Den fællesoffentlige vejledning er først og fremmest beregnet til at lette dialogen mellem den dataansvarlige organisation og dataanvenderne gennem et fælles, entydigt sprog om datakvalitet; den er ikke i sig selv en metode til at forbedre datakvaliteten. Deklarationerne og dialogen kan derimod bruges som redskab til at identificere, hvilke forbedringsindsatser der er behov for.

Sådan gennemfører du en praktisk datakvalitetsaudit

Advarselstegn: Når marketingdata ikke kan stoles på

Data kan ikke stoles på, når de ikke er korrekte eller fuldstændige. Lunde Høj Marketing peger på flere konkrete symptomer. Et af de tydeligste er fejl i tracking: Hvis en webshop har fejl i sin trackingkode og derfor ikke indsamler korrekt information om, hvor kunder kommer fra, kan marketingafdelingen ikke vide, hvilke kampagner der virker, og hvilke der ikke gør. I værste fald tror virksomheden, at en kampagne er succesfuld, når den reelt ikke er.

Forældede kontaktoplysninger er et andet tegn. Indeholder kundedatabasen gamle adresse- eller kontaktoplysninger, risikerer virksomheden at målrette kampagner forkert, og ressourcerne bliver spildt. Det gælder også e-mailadresser til et nyhedsbrev: Er mange af dem stavet forkert eller forældede, når nyhedsbrevet ikke frem, og virksomheden spilder ressourcer.

Manglende registrering er et tredje tegn. Hvis kun nogle kunders køb registreres, mens andre mangler, er datagrundlaget ufuldstændigt. Måler virksomheden kun klik på en annonce uden at følge op med data om køb eller engagement, bliver analysen begrænset og i værste fald misvisende. Dertil kommer uens data på tværs af systemer – fx forskellige telefonnumre på samme kunde – og for mange duplikater, der ifølge Coherta skaber forvirring og dobbeltarbejde. Coherta anslår, at sælgere bruger op mod en tredjedel af deres tid på at rette fejl i data eller lede efter korrekt information.

Fra vurdering til forbedring: datavask, berigelse og standardisering

Når auditten har vist, hvor hullerne og fejlene ligger, følger fire konkrete indsatser, som Coherta beskriver dem. Datavask fjerner forældede oplysninger og sletter duplikater. Berigelse udfylder manglende felter automatisk via databerigelse fra officielle kilder. Standardisering ensretter formater, så alle adresser og telefonnumre følger samme standard. Endelig sikrer løbende monitorering gennem integrationer, at data valideres i realtid, hver gang en ny kontakt oprettes, eller en virksomhed ændrer status i CVR.

Rækkefølgen har betydning: Fjerner du dubletter og forældede poster først, undgår du at berige og standardisere data, som alligevel skulle være slettet. Standardisering bør komme, før data bruges i automation, så formaterne er ens i alle systemer, der udveksler data. Berigelse bør begrænses til de felter, den konkrete marketinganvendelse kræver – typisk branchekode, telefonnummer og beslutningstager i en B2B-leaddatabase.

Forbedringen skal samtidig overholde GDPR's principper, som Salesbase oplister: lovligt grundlag for behandlingen, formålsbegrænsning, dataminimering, nøjagtighed, opbevaring, sikkerhed og gennemsigtighed. Det betyder i praksis, at sletning af forældede data ikke kun er et kvalitetsgreb, men også en opfyldelse af reglen om ikke at opbevare data længere end nødvendigt, og at retten til at blive glemt skal kunne effektueres i CRM'et.

Forbedring af datakvalitet: Fra vurdering til løbende kontrol

Løbende kontrol i marketingflows

Datakvalitet er ikke et engangsprojekt. Kontrollen bør derfor ligge så tæt på registreringen som muligt, så nye kontakter og ændringer i eksisterende data vurderes, mens de opstår. Det flytter fokus fra en periodisk oprydning til et løbende tjek – og kan forhindre, at fejl først opdages, når kampagnen er sendt.

Kontrollen skal dække ændringer i kundedata, ikke kun nye poster. En kontaktperson, der har skiftet job, gør både lead scoring og outreach upålidelig. Følg derfor ændringer i de felter, der bærer beslutningen: virksomhedsstatus, adresse, telefonnummer, titel og beslutningstager. Tilsvarende gælder for validering ved indtastning – et telefonnummer- eller e-mailformat, der ikke kontrolleres ved oprettelsen, bliver et dataproblem, som først viser sig som manglende levering.

GDPR's nøjagtighedsprincip er den lovgivningsmæssige begrundelse for at gøre kontrollen løbende: data skal holdes opdaterede og korrekte. Den danske tilsynsmyndighed på området er Datatilsynet, der er den uafhængige myndighed, som fører tilsyn med reglerne om beskyttelse af personoplysninger, giver vejledning og rådgivning samt behandler klager og gennemfører inspektioner. Dermed kan både forældede og ufuldstændige personoplysninger blive et tilsynsspørgsmål, ikke kun et marketingproblem.

Fakta om GDPR og datatilsyn i Danmark

Hvad dårlig datakvalitet koster i marketing

Konsekvenserne fordeler sig på tre niveauer. For det første beslutningsgrundlaget: Lunde Høj Marketing konstaterer, at uhensigtsmæssig eller fejlagtig data kan føre til forkerte konklusioner og ineffektive marketingstrategier.

For det andet de spildte ressourcer: Når data er forældede eller ufuldstændige, bliver ressourcer brugt på kampagner og opsøgende arbejde, der ikke rammer de rigtige modtagere.

For det tredje den regulatoriske risiko. GDPR-bøder kan ifølge Salesbase være op til 20 mio. euro eller 4 % af årsomsætningen, og siden GDPR trådte i kraft i 2018 er der ifølge samme kilde uddelt bøder for over 2,8 mia. euro i EU.

Konsekvenser af dårlig datakvalitet i marketing