Quasi ogni progetto di AI nel CRM parte da una domanda sugli strumenti e si ferma su una domanda sui dati: quanto è affidabile la base? Se la risposta è un'impressione, la data quality CRM resta un giudizio, e un giudizio non si governa.
Qui si propone l'opposto: quattro indicatori con formula esplicita, una dashboard che assegna a ogni numero un responsabile e una soglia di attivazione per automazioni e agenti.
Key takeaways
- La qualità del dato si misura su quattro dimensioni operative: completezza, duplicati, freshness e copertura dei campi chiave.
- Ogni KPI ha una formula dichiarata e un perimetro: un indice calcolato su tutta la base nasconde i problemi dei segmenti che contano.
- La dashboard serve tre livelli di lettura e mostra l'andamento nel tempo accanto al valore corrente.
- La soglia di qualità è la condizione per attivare un agente AI su un processo.
Perché la data quality CRM decide il destino dei progetti AI
Il punto di partenza è poco rassicurante. Nell'indagine 2025 di Validity su 602 utenti e responsabili di CRM, il 76% dichiara che meno della metà dei dati CRM della propria organizzazione è accurata e completa, e il 37% riporta perdite di fatturato causate dalla scarsa qualità dei dati (Fonte).
Sul fronte AI il quadro è coerente. Secondo un'indagine Gartner del terzo trimestre 2024, il 63% delle organizzazioni non ha, o non sa se ha, pratiche di gestione dei dati adeguate per l'AI; la società prevede che fino a tutto il 2026 verrà abbandonato il 60% dei progetti AI non supportati da dati pronti per l'uso (Fonte).
Uno scoring che ordina la pipeline o un agente che prepara un'offerta lavorano sui record esistenti. Se il record è incompleto o duplicato, l'errore si ripete a ogni esecuzione. Per questo un CRM AI-ready mette la qualità del dato fra le fondamenta da costruire prima degli agenti.
Quattro dimensioni da misurare, dagli standard al CRM
Gli standard offrono un vocabolario condiviso. ISO/IEC 25012 definisce 15 caratteristiche di qualità dei dati, classificate come inerenti al dato, dipendenti dal sistema o entrambe le cose; la completezza è il grado in cui i dati di un'entità hanno valori per tutti gli attributi attesi in uno specifico contesto d'uso (Fonte). DAMA UK ne sintetizza sei (accuratezza, completezza, univocità, coerenza, tempestività, validità), adottate anche dal Government Data Quality Hub britannico (Fonte).
Per un CRM B2B quattro dimensioni coprono la maggior parte del rischio operativo:
- Completezza: i campi attesi sono valorizzati.
- Univocità: ogni azienda e ogni persona compaiono una volta sola.
- Freshness: il valore è stato verificato o aggiornato di recente.
- Copertura dei campi chiave: il record contiene tutto ciò che serve a un processo specifico.
Accuratezza e validità si controllano meglio a campione e in ingresso. Un confine va tenuto netto: questi KPI misurano lo stato del record, chiunque lo abbia prodotto. Quanto le persone usano la piattaforma è materia dei KPI di adozione.
Che cosa rende un campo "chiave"
Un campo è chiave quando un processo si ferma o sbaglia in sua assenza: il settore per la segmentazione, il ruolo per lo scoring, il consenso per l'invio, valore e data di chiusura per il forecast. L'elenco discende dal CRM data model: oggetti, proprietà e relazioni definiscono quali informazioni il sistema si aspetta.
I KPI della data quality CRM, con formula e lettura
| KPI | Formula | Cosa segnala | Cadenza |
|---|---|---|---|
| Completezza ponderata | Σ (campi valorizzati × peso) / Σ (campi attesi × peso) | Quanto della scheda attesa esiste davvero | Mensile |
| Tasso di duplicati | (record nei gruppi duplicati − numero di gruppi) / record totali | Record in eccesso che disperdono storico e attività | Mensile, e dopo ogni import |
| Freshness | Record verificati o aggiornati entro la finestra stabilita / record del perimetro | Quota di base ancora attendibile | Mensile |
| Copertura dei campi chiave | Record con tutti i campi chiave di un processo valorizzati e validi / record del processo | Se un processo può girare in automatico | Prima di ogni attivazione, poi mensile |
| Validità (supporto) | Valori conformi a formato e dominio / valori presenti | Errori di inserimento e di integrazione | Continua, in ingresso |
Tre regole rendono questi numeri utilizzabili. Il perimetro: un indice su tutta la base media i clienti attivi con i contatti dormienti, quindi si calcola per segmento, paese e fonte di ingresso. Il peso: una completezza che conta il fax come la partita IVA premia il riempimento, non l'utilità. La soglia: non si copia da un benchmark, si fissa sulla baseline misurata e sull'uso del dato, più alta per i campi che alimentano decisioni automatiche. Anche la freshness richiede finestre diverse: il ruolo di un contatto invecchia prima della sede legale.
Duplicati: contare i gruppi, non i record
Se tre record descrivono la stessa azienda, i record in eccesso sono due: per questo la formula sottrae il numero di gruppi. Il criterio di confronto va dichiarato prima del calcolo (partita IVA e dominio per le aziende, email per le persone) con regole di normalizzazione per maiuscole, spazi e forme giuridiche.
Come costruire la dashboard di governance
La dashboard di data quality è diversa da una dashboard di vendita: quella misura i risultati commerciali, questa la salute dei dati su cui quei risultati vengono calcolati. Funziona se serve tre letture.
- Direzione: un indice per dominio (aziende, contatti, opportunità), con trend e stato rispetto alla soglia. Risponde a una domanda: la base è pronta per le iniziative in programma?
- Owner di dominio: i quattro KPI per segmento e fonte di ingresso, per capire dove nasce il problema: un form, un import, un'integrazione, un team.
- Operativo: l'elenco dei record da correggere, con collegamento alla scheda e priorità.
Il trend conta più del valore assoluto: una completezza che scende dopo ogni campagna indica un punto di ingresso senza regole.
Ogni indicatore ha un responsabile nominato, con la stessa logica di un solo sistema di record per campo: chi possiede il campo risponde del suo KPI. Una base misurata e presidiata è anche ciò che rende credibile una single source of truth per i dati cliente.
L'effetto più visibile sul business riguarda la CRM segmentation. Una segmentazione costruita su un campo coperto per metà esclude dal target metà delle aziende giuste. Prima di una campagna conviene leggere la copertura dei campi usati come filtro, come nelle regole di gestione e segmentazione dei contatti.
Dalla misura all'intervento: regole in ingresso, deduplica e data enrichment
Le leve sono tre, in quest'ordine. La prima agisce in ingresso: campi obbligatori legati alla fase, valori da elenchi chiusi, controlli di formato su email e partita IVA. La seconda è la deduplica periodica, con criterio dichiarato e una regola di fusione che stabilisce quale valore sopravvive.
La terza è il B2B data enrichment, che completa i campi mancanti con informazioni esterne. Gli approcci si combinano: arricchimento in ingresso, appena il record nasce; arricchimento a lotti da fonti ufficiali come i registri delle imprese, per i dati societari; arricchimento da segnali di interazione, che aggiorna ruolo e interesse a partire da email ed eventi. Ogni approccio si misura con gli stessi KPI: riempire campi senza migliorare la freshness sposta il problema.
La soglia diventa infine una regola di attivazione. Un agente parte su un processo solo se la copertura dei campi chiave supera il livello stabilito, e si ferma se scende. Qui la misura si collega ai guardrail per gli agenti AI nel CRM: fra i criteri di escalation trova posto anche il dato insufficiente.
Digital360 Connect imposta i progetti di Data Foundation partendo da una misura iniziale della base, perché la soglia raggiunta su un processo indica da dove ha senso far partire l'automazione.
In sintesi
La data quality CRM smette di essere un'opinione quando ha quattro numeri, una formula, un perimetro e un responsabile. I KPI dicono se la base regge, la dashboard dice dove si rompe e chi interviene, la soglia decide quando un processo è pronto per l'AI. Il primo passo è una misura onesta dello stato attuale, prima di qualunque scelta di strumento.
Domande frequenti sulla data quality nel CRM
Quali sono le dimensioni della data quality in un CRM?
Per un CRM B2B le più operative sono completezza, univocità, freshness e copertura dei campi chiave; accuratezza e validità si controllano a campione e in ingresso.
Come si calcola il tasso di duplicati nel CRM?
Si individuano i gruppi di record che descrivono la stessa entità secondo un criterio dichiarato, per esempio partita IVA e dominio. Il tasso è dato dai record nei gruppi meno il numero di gruppi, diviso per il totale dei record.
Ogni quanto vanno misurati i KPI di data quality?
Nella data quality CRM completezza, duplicati e freshness si misurano ogni mese, con un controllo dopo ogni import massivo. La copertura dei campi chiave si misura prima di attivare un'automazione o un agente, poi ogni mese.
Che differenza c'è fra KPI di data quality e KPI di adozione del CRM?
I primi misurano lo stato dei record, qualunque sia la loro origine. I secondi misurano se il lavoro reale passa dal CRM: quante trattative entrano nel sistema prima della chiusura, quanto sono aggiornate, se il processo viene rispettato e se le decisioni si prendono sui suoi dati. Il numero di accessi, da solo, non basta. Un'adozione alta non garantisce dati di qualità.