Pentingnya Membersihkan Data Kotor untuk Peningkatan Operasi dan Keberhasilan Pelanggan

Bayangkan mencoba menyeberangi lautan dengan perahu yang berlubang di dalamnya. Anda akan basah. Anda bahkan mungkin tenggelam. Anda pasti tidak akan berhasil melewatinya dengan mulus.

Kemungkinan terjadinya hal ini cukup kecil, karena setiap orang yang berakal akan memeriksa perahu mereka secara menyeluruh sebelum memulai usaha semacam itu.

Tetapi bagaimana dengan data CRM yang digunakan bisnis Anda untuk menghubungi prospek, mengelompokkan pelanggan, dan membuat keputusan strategis? Apakah Anda pernah memeriksa apakah itu memiliki lubang di dalamnya?

Anda harus.

Data kotor berdampak negatif pada alur kerja, upaya pemasaran, dan pengalaman pelanggan Anda. Bahkan bisa membawa Anda ke masalah hukum.

Tapi apa sebenarnya data kotor itu?

Apa itu data kotor?

Data kotor, atau data tidak bersih, adalah data yang dalam beberapa hal salah: mungkin berisi duplikat, atau sudah usang, tidak aman, tidak lengkap, tidak akurat, atau tidak konsisten. Contoh data kotor termasuk alamat yang salah eja, nilai bidang yang hilang, nomor telepon yang kedaluwarsa, dan catatan pelanggan duplikat.

Jika diabaikan, data kotor dapat menyebabkan masalah serius bagi bisnis Anda. Ini dapat membahayakan pengalaman pelanggan, mengarah pada kesalahan penyajian hasil bisnis, dan berdampak negatif pada keputusan strategis.

Untuk menghindari risiko kualitas data yang buruk, pembersihan data secara teratur sangat penting. Kami akan membahas cara membersihkan data lebih lanjut di posting ini. Tapi pertama-tama, mari kita lihat bagaimana data menjadi kotor.

Bagaimana data menjadi kotor

Data bisa menjadi kotor saat dimasukkan, disimpan, atau digunakan secara tidak benar. Seringkali, ini disebabkan oleh kesalahan manusia atau kurangnya aturan standarisasi untuk entri data, tetapi masalah teknis juga dapat menyebabkan data kotor.

Contoh data kotor

Data duplikat

Data duplikat mengacu pada catatan yang sebagian atau seluruhnya berbagi informasi yang sama. Mereka muncul ketika informasi yang sama dimasukkan beberapa kali, terkadang dalam format yang berbeda. Contoh duplikat data kotor yang khas adalah ketika satu pelanggan ada di CRM Anda beberapa kali. Ini sering terjadi karena nama pelanggan ditulis sedikit berbeda setiap kali.

Sebagai contoh:

• Patty J. Greenfield
• Patty Julia Greenfield
• Patricia J. Greenfield
• Patricia Julia Greenfield

Karena informasi pelanggan tersebar di berbagai catatan, duplikat data pelanggan mengarah ke:

• Layanan pelanggan yang buruk
• Pelacakan dan pelaporan salah
• Penargetan pemasaran ganda (atau tiga kali lipat)

Data tidak aman

Data tidak aman adalah data yang tidak dienkripsi atau dikontrol aksesnya. Ini dapat diakses oleh siapa saja di perusahaan Anda dan—dalam skenario terburuk—bahkan oleh pihak ketiga. Data yang tidak aman bukan hanya merupakan risiko privasi, tetapi juga ancaman hukum karena perusahaan berisiko tidak mematuhi undang-undang seperti GDPR dan CCPA.

Data tidak lengkap

Contoh data kotor yang tidak lengkap adalah jika formulir pendaftaran buletin Anda memiliki bidang untuk nama depan prospek, tetapi bidang tersebut bukan bidang wajib. Prospek kemudian dapat mendaftar tanpa meninggalkan namanya, yang akan membuat kampanye email pribadi Anda menjadi kurang efektif.

Data tidak akurat

Data yang tidak akurat adalah data yang mengandung kesalahan. Contoh data yang tidak akurat adalah pelanggan memasukkan nama belakang mereka di salah satu formulir Anda, tetapi salah ketik. Dalam hal ini, Anda memiliki nama belakang pelanggan tetapi tidak akurat. Ini catatan kotor.

Contoh lain adalah jika perwakilan penjualan mencatat nomor telepon yang salah untuk prospek di Salesforce. Dalam hal ini, sangat penting untuk meningkatkan data Salesforce untuk melanjutkan percakapan dengan prospek ini.

Data usang

Data lama tidak akurat bukan karena salah input, tetapi karena dulu akurat dan sekarang tidak lagi. Contoh umum data kotor yang kedaluwarsa adalah jika CRM Anda masih mencantumkan alamat lama pelanggan setelah mereka pindah.

Contoh lain dari data usang adalah:

• Alamat email yang tidak lagi digunakan
• Judul orang yang telah berganti pekerjaan
• Segmen email kedaluwarsa

Data salah

Data yang salah adalah data yang berada di luar parameter yang ditentukan sebelumnya. Dengan demikian, lebih mudah untuk mencegahnya. Contohnya adalah jika pelanggan memasukkan tanggal lahir mereka menggunakan menu tarik-turun. Sistem Anda kemungkinan hanya akan memungkinkan mereka untuk memilih satu dari 12 bulan, satu dari 31 hari, dan mungkin mereka juga tidak akan dapat memilih tahun kelahiran yang akan membuat mereka lebih tua dari 130 tahun.

Data tidak konsisten

Data yang tidak konsisten juga dikenal sebagai redundansi data. Itu terjadi ketika perusahaan menyimpan informasi yang sama di tempat yang berbeda tanpa menyinkronkan informasi itu. Contoh utama adalah perusahaan yang menyimpan informasi pelanggan baik dalam CRM dan alat pemasaran emailnya.

Cara membersihkan data

Semua jenis data kotor di atas menciptakan risiko bagi perusahaan Anda, jadi membersihkan data dan menghindari situasi ini sangat penting.

Berikut cara melakukannya:

Buat pedoman kualitas data

Sebelum Anda mulai membersihkan data, tentukan seperti apa tampilan kumpulan data yang bersih untuk perusahaan Anda dan praktik terbaik mana yang harus diikuti untuk menjaga data Anda sebersih mungkin.

Standarisasi data

Memiliki strategi kualitas data termasuk menentukan cara untuk membakukan data segera setelah memasuki sistem Anda. Buat daftar semua cara Anda mengumpulkan data sekarang, titik masuk apa untuk data itu, dan bagaimana Anda akan memastikan bahwa semua data itu dimasukkan dengan cara yang sama, terlepas dari titik asalnya.

Lakukan audit

Setelah Anda menetapkan aturan kualitas data perusahaan Anda dan yakin bahwa semua data baru akan dimasukkan dengan cara yang terstandarisasi, inilah saatnya untuk melakukan audit terhadap data Anda yang sudah ada. Sayangnya, menemukan semua data kotor tidak mudah, dan meskipun Anda harus menargetkan deteksi 100 persen, ketahuilah bahwa Anda mungkin melewatkan beberapa masalah. Itulah mengapa penting untuk melakukan audit tidak hanya sekali, tetapi secara teratur.

Salah satu cara untuk membuat proses ini lebih mudah adalah dengan terus mengumpulkan umpan balik dari berbagai departemen dalam perusahaan Anda yang bekerja dengan data. Jenis umpan balik ini menunjukkan kepada Anda di mana data kotor menyebabkan masalah dalam aktivitas sehari-hari.

Contoh: Tim pemasaran Anda berbagi bahwa mereka telah melihat bagaimana nama depan dalam email yang dipersonalisasi terkadang kurang huruf kapital. Ini memberi tahu Anda bahwa nilai nama depan tidak selalu diformat dengan cara yang sama—mungkin karena pelanggan email tidak selalu repot menggunakan huruf besar untuk nama mereka sendiri.

Bersihkan data kotor

Setelah Anda memiliki gambaran umum tentang data kotor Anda, mulailah proses pembersihan. Pembersihan data bisa menjadi tugas yang mengerikan dan memakan waktu. Ada berbagai cara untuk melakukannya, masing-masing dengan pro dan kontra sendiri.

1. Secara manual

Membersihkan data secara manual hanya boleh dilakukan dengan hemat. Tidak apa-apa untuk membersihkan catatan yang perlu Anda gunakan sekarang, tetapi membersihkan semua data yang dimiliki perusahaan Anda secara manual adalah tugas yang mustahil.

Tidak hanya akan memakan waktu lama, tetapi Anda juga pasti akan melewatkan banyak hal dan membuat kesalahan, menyebabkan lebih banyak kesalahan.

2. Menggunakan Excel

Menggunakan rumus Excel dapat mempercepat proses pembersihan, tetapi masih cukup manual. Anda perlu membuat rumus sendiri, dan beberapa masalah data mungkin terlalu rumit untuk diselesaikan dengan rumus Excel.

Selain itu, Excel tidak dapat menangani kumpulan data yang sangat besar, jadi Anda harus bekerja sedikit demi sedikit, dengan mencatat kumpulan data mana yang telah Anda bersihkan.

Terakhir, Anda terpaksa mengunggah kumpulan data statis ke Excel. Saat Anda mengimpor data pelanggan pada hari Senin, data tersebut kemungkinan sudah kedaluwarsa pada hari Jumat.

3. Mengandalkan pihak ketiga

Jika Anda tidak ingin mengalokasikan waktu internal untuk pembersihan data Anda, menyewa konsultan data bisa menjadi pilihan yang baik. Konsultan data adalah spesialis yang melakukan lebih dari sekadar membersihkan data kotor Anda. Mereka juga dapat menjalankan audit untuk Anda dan membantu meningkatkan proses data Anda yang ada sehingga kemungkinan data kotor dibuat di masa mendatang lebih kecil.

Kelemahan untuk menyewa konsultan termasuk biaya tinggi dan fakta bahwa Anda mungkin harus memberi mereka akses ke semua data Anda, yang dapat menyebabkan beberapa masalah privasi.

4. Mempekerjakan pengembang khusus

Karena manajemen data adalah proyek yang sedang berjalan, Anda dapat mempekerjakan satu atau lebih pengembang yang mendedikasikan diri sepenuhnya untuk menjaga data Anda tetap bersih. Karena orang-orang ini akan bekerja sendiri, kemungkinan besar mereka akan lebih loyal kepada perusahaan Anda daripada konsultan luar, dan mereka akan dapat lebih mengenal tawaran Anda.

Plus, mempekerjakan seseorang untuk proyek yang sedang berlangsung seperti pemeliharaan data seringkali lebih murah.

5. Menggunakan perangkat lunak

Ada berbagai alat di luar sana yang membantu Anda mengidentifikasi dan membersihkan data kotor. Alat-alat ini seringkali lebih murah daripada menyewa konsultan atau pengembang khusus, dan mereka tidak membuat kesalahan manusia.

Namun, tidak semua alat ini dibuat sama. Pilih satu yang dapat melihat ketidakcocokan data, periksa pemformatan (tanggal, misalnya), dan kenali bidang mana yang akan digabungkan.

Anda juga ingin menjalankan beberapa tes pada sampel data kecil untuk memastikan alat bekerja sebagaimana mestinya. Jika Anda tidak melakukan ini dan membiarkannya lepas di seluruh database Anda, Anda berisiko berakhir dengan masalah yang lebih besar daripada yang Anda mulai.

Siapkan manajemen basis data yang sedang berlangsung

Mudah-mudahan, Anda sudah memiliki manajemen database. Jika tidak, sudah saatnya untuk mengaturnya. Meskipun Anda mungkin perlu membersihkan data secara berkala, adalah praktik yang buruk untuk membiarkan masalah menumpuk sampai merusak kualitas keseluruhan database Anda.

Sebagai perusahaan, Anda terus-menerus mengumpulkan, mengatur, menyimpan, dan memanipulasi data baru. Manajemen basis data yang sedang berlangsung mencakup proses dan praktik yang diperlukan untuk menjaga kualitas data tersebut dan mencegahnya menjadi kotor.

Data kotor membutuhkan manajemen berkelanjutan

Dengan banyaknya data yang dikumpulkan dan ditangani oleh perusahaan saat ini, hampir tidak mungkin untuk menghindari beberapa data tersebut menjadi kotor. Jenis data kotor yang berbeda akan memiliki konsekuensi yang berbeda untuk bisnis Anda. Oleh karena itu, Anda harus membersihkan catatan secara teratur untuk menghindari peningkatan masalah.

Anda dapat membersihkan data secara manual, menggunakan Excel, mempekerjakan pihak ketiga, membangun tim pembersih data internal, dan/atau mengandalkan perangkat lunak khusus.

Ingin belajar lebih banyak?

Untuk panduan langkah demi langkah untuk membersihkan data CRM Anda, lihat eBuku kami: “Kotoran pada Kualitas Data.”