Tres ofertas contradictorias a la misma persona en una semana

El punto de partida: cuando el equipo vuelve al Excel

> «Nadie se fía de lo que hay en el CRM: hay duplicados, contactos de hace cinco años y campos a medio rellenar. Al final cada uno trabaja con su Excel.»

La última frase es el síntoma que importa. Cuando un equipo comercial vuelve al Excel no es por comodidad ni por resistencia al cambio: es porque el sistema oficial ha dejado de ser fiable y cada uno se construye su propia versión de la verdad para poder trabajar.

Una empresa de servicios con 60.000 registros acumulados durante ocho años. Lo que encontró la auditoría:

• El mismo cliente aparecía hasta cuatro veces. Una entrada por el formulario web, otra por una llamada al teléfono de atención, otra recogida en una feria y otra procedente de un listado importado. Cuatro fichas, el nombre escrito de tres formas distintas, dos correos y ningún vínculo entre ellas. Ninguna de las cuatro contenía el historial completo de la relación.
• El campo «estado» tenía 23 valores, creados sobre la marcha a lo largo de los años. La mitad eran sinónimos: «pendiente», «por contactar», «en espera», «a la espera», «pendiente de contacto». Ningún filtro daba un resultado fiable, porque siempre faltaba algún valor equivalente que alguien había escrito distinto.
• Y el episodio que precipitó el proyecto: una campaña de venta cruzada impactó tres veces a la misma persona con ofertas contradictorias. Tres correos, tres precios distintos para servicios que se solapaban, en la misma semana. El cliente llamó a su comercial para preguntar cuál de las tres era la buena.

A partir de ahí el equipo dejó de confiar en el CRM. Y un CRM en el que nadie confía es peor que no tener CRM: sigue costando dinero, sigue generando trabajo de mantenimiento y ya no genera ningún valor.

Las cuatro salidas que descartamos

• Un CDP, que suelen ofrecer las plataformas comerciales, ante un problema de datos de cliente. Aquí habría sido especialmente inútil: un CDP unifica identidades entrantes en tiempo real para activar audiencias, pero no arregla los 60.000 registros sucios que ya están ahí. Una capa nueva sobre la misma base defectuosa, con la ventaja añadida de una licencia anual considerable.
• Soluciones de Master Data Management o gobierno del dato pensadas para organizaciones con decenas de sistemas y millones de registros. La proporción con este caso es desmedida, y el plazo de implantación superaba el tiempo que el equipo iba a tardar en abandonar el CRM del todo.
• Migrar a un CRM nuevo. Era la salida que el cliente estaba considerando pero la migración no limpia los datos: los traslada. Se acaba con las mismas cuatro fichas duplicadas y los mismos 23 estados, en una herramienta más moderna, tras seis meses de proyecto y con el equipo desorientado por una interfaz nueva. El problema no era el CRM. Era lo que había dentro, y las reglas – inexistentes – sobre cómo entraba.
• Otra limpieza puntual. Es lo que se había intentado dos veces. Se contrata a alguien, dedica unas semanas a depurar, el CRM queda razonablemente bien, y en año y medio está exactamente igual. Sin reglas de entrada, la suciedad vuelve al mismo ritmo al que se generó.

El principio: es más barato impedir la entrada que buscar después

Toda la diferencia entre este proyecto y las dos limpiezas anteriores cabe en una frase: cuesta mucho menos impedir que un dato malo entre que localizarlo después entre 60.000 registros.

De ahí se deriva el orden del trabajo, que es contraintuitivo. Lo primero no es limpiar. Es acordar qué se considera un dato válido, y solo después aplicar ese criterio hacia atrás.

Hacerlo al revés produce una base limpia sin ninguna garantía de que siga siéndolo. Que es exactamente lo que había pasado dos veces.

El trabajo, en cinco pasos

1. Auditar antes de tocar nada

Cuantificar el problema, porque «el CRM está sucio» no es accionable y «el 31% de los registros tiene al menos un duplicado» sí lo es.

La auditoría midió: volumen de duplicados y vía de entrada de cada uno, campos vacíos por tipo de registro, valores inconsistentes por campo, registros sin actividad en más de tres años, y contactos sin base legal documentada.

Ese último punto merece mención aparte. El 14% de los registros procedentes de listados importados no tenía consentimiento verificable. No es solo un riesgo normativo: estaban contaminando las métricas de campaña – aperturas, rebotes, conversión – con una población que nunca iba a responder.

2. Definir las reglas, con quien usa el sistema

Con las personas que abren el CRM a diario, no con el departamento que lo administra:

• Qué campos son obligatorios en cada tipo de registro y en cada punto de entrada.
• Qué valores admite cada campo. El estado pasó de 23 valores libres a 6 valores cerrados, escogidos con el equipo comercial y con una definición escrita de cuándo aplica cada uno.
• Qué define a un contacto único. La combinación de campos que determina si dos fichas son la misma persona. Es una decisión de negocio, no técnica, y tiene consecuencias en ambas direcciones: demasiado estricta deja duplicados, demasiado laxa fusiona clientes distintos.
• Cómo se escribe cada cosa. Nomenclatura de nombres de empresa, formato de teléfonos, tratamiento de mayúsculas.

3. Deduplicar con criterio y supervisión

Con la definición de contacto único acordada, deduplicación por fases.

Las coincidencias claras se fusionaron automáticamente conservando el historial completo de todas las fichas de origen. Esto es innegociable: fusionar no puede significar perder la actividad registrada en la ficha secundaria, o el equipo dejará de confiar en el proceso a la primera pérdida.

Los casos dudosos fueron a una cola de revisión manual. Salieron menos de los previstos – unos 1.800 – y resolverlos aportó información para afinar las reglas.

De 60.000 registros, el CRM quedó en 44.300 contactos reales.

4. Validaciones en los puntos de entrada

La parte que distingue este proyecto de una limpieza: validación de formato en el momento de la captura, detección de posible duplicado antes de crear una ficha nueva, normalización automática de los campos con formato definido, y campos obligatorios que impiden guardar un registro incompleto.

5. Métricas de salud y mantenimiento

El CRM tiene ahora un panel de salud con cuatro indicadores: tasa de duplicados detectados, completitud por campo obligatorio, registros sin actividad reciente y registros sin base legal documentada.

Revisión mensual con responsable asignado, y protocolo trimestral: archivado de inactivos, revisión de la cola de posibles duplicados, comprobación de que las reglas de entrada siguen aplicándose.

Diez minutos al mes evitan volver al punto de partida.

Resultado

De 60.000 registros a 44.300 contactos reales, cada uno con su historial consolidado.

Las campañas dejaron de duplicar impactos. El episodio de las tres ofertas contradictorias no ha vuelto a ocurrir y no puede ocurrir: la segmentación trabaja sobre contactos únicos.

Las métricas de email mejoraron sin cambiar nada del contenido. La tasa de apertura subió del 18% al 27%. No porque los correos funcionaran mejor, sino porque antes se calculaban sobre una base con una parte considerable de destinatarios imposibles. Es el ejemplo más claro de cómo una base sucia distorsiona todas las decisiones que se toman con ella: el equipo llevaba dos años optimizando asuntos y horarios de envío contra un denominador falso.

La segmentación se volvió posible. Con seis estados cerrados en lugar de 23 valores libres, filtrar por fase del ciclo de vida devuelve el resultado correcto. Cuatro campañas que no se habían podido lanzar por falta de segmentos fiables se pusieron en marcha el trimestre siguiente.

Los Excel paralelos desaparecieron. No se prohibieron: dejaron de hacer falta. Es el indicador definitivo de que el proyecto funcionó.

Y quince meses después, el CRM sigue limpia. Es lo único que separa este trabajo de las dos limpiezas anteriores.