Die versteckten Kosten schlechter Daten in Revenue Operations

Es fängt unauffällig an. Hier ein doppelter Account, dort eine fehlende Telefonnummer. Vertriebler beschweren sich in der Kaffeeküche über "schlechte Leads", und euer Marketing-Team wundert sich, warum die Open Rates unter 15 % rutschen. Unter der Oberfläche dieser kleinen Ärgernisse aber stottert eure Revenue-Operations-Engine.

Im modernen Unternehmen sind Daten nicht bloß ein Protokoll dessen, was passiert ist. Sie sind der Treibstoff für das, was passieren wird. Ist dieser Treibstoff verunreinigt, ruckelt die ganze Maschine. Für CROs und Revenue-Verantwortliche sind schlechte Daten kein IT-Problem, sondern ein direkter Treffer auf die Bilanz, im Mid-Market und im Enterprise oft in Millionenhöhe pro Jahr.

Der unsichtbare Anker

Wir haben kürzlich ein SaaS-Unternehmen in der Series B auditiert, das überzeugt war, ein “Abschlussproblem” zu haben. Die Reps waren gut, das Produkt konkurrenzfähig, der Market Fit belegt. Trotzdem verfehlten sie ihren Forecast Quartal für Quartal um 20 %. Der Board setzte den VP Sales unter Druck, das Team auszutauschen, in der Annahme, es liege an der menschlichen Leistung.

Es lag nicht am Vertriebstalent. Es lag an der Datenintegrität.

Unser Audit zeigte: 30 % ihrer offenen Pipeline hingen an doppelten Accounts. Das hieß in vielen Fällen, dass zwei verschiedene Reps denselben Deal bearbeiteten, ohne voneinander zu wissen, einer telefonierte mit dem VP Sales, der andere mailte mit dem IT-Leiter. Sie boten gegen sich selbst, verwirrten den Interessenten und zersplitterten interne Ressourcen.

Schlimmer noch: Ihre Territory-Logik war kaputt, weil das Feld “Bundesland/Region” fehlte. Hochwertige Leads landeten im “General Pool”, weil das System nicht wusste, dass sie zum Enterprise-East-Team gehörten. Bis ein Mensch sie manuell entdeckte, hatte der Interessent längst beim Wettbewerb gekauft.

“Wenn ihr den Daten in eurem Dashboard nicht traut, trefft ihr keine Entscheidungen. Ihr ratet.”

Die 1-10-100-Regel der Data Quality

Im Data-Quality-Management ist die 1-10-100-Regel ein breit akzeptiertes Konzept, das die eskalierenden Kosten schlechter Daten beschreibt. Sie zeigt: Je länger ihr wartet, einen Datensatz zu korrigieren, desto exponentiell teurer wird er für die Organisation.

1 € (Prävention): Das sind die Kosten, einen Datensatz direkt bei der Eingabe zu prüfen. Dazu gehören Validierungsregeln, Auswahllisten statt Freitextfeldern und Enrichment in Echtzeit. Das kostet eine Sekunde Rechenleistung und, einmal konfiguriert, null menschlichen Aufwand.

10 € (Korrektur): Das sind die Kosten, die Daten zu reparieren, nachdem sie im System sind. Also Lizenzen für Dedupe-Software, ein Datenanalyst, der Cleanup-Skripte fährt, oder teuer bezahlte Vertriebler, die ihren Freitagnachmittag mit dem Mergen von Kontakten verbringen statt mit Verkaufen. Verschwenderisch, aber beherrschbar.

100 € (Scheitern): Das sind die Kosten, nichts zu tun. Die Kampagnenmail an die falsche Person, die einen DSGVO-Verstoß auslöst. Die Rechnung an die falsche Adresse, die die Zahlung um 90 Tage verzögert. Der Vertriebler, der kündigt, weil er wegen kaputter Territories seine Quote nicht erreicht. Hier bluten Unternehmen.

Der Aufstieg des “Shadow CRM”

Wenn das Vertrauen in die Daten erodiert, folgt die Nutzung. Vertriebler sind pragmatisch: Sie nehmen den Weg des geringsten Widerstands zum Abschluss. Ist Salesforce voller Datenmüll, langsam oder unzuverlässig, hören sie auf, es zu benutzen.

Sie ziehen sich ins “Shadow CRM” zurück, in ihre eigenen Excel-Tabellen, Notizen auf dem Handy oder Post-its am Monitor. Sie halten ihre “echten” Kontakte versteckt, damit die wenigstens stimmen.

Für die Führung entsteht daraus ein Datenblackout. Ihr könnt keinen Umsatz forecasten, wenn die Deals in einer Tabelle auf dem Laptop eines Reps leben. Ihr könnt keine Nurture-Kampagnen automatisieren, wenn die Kontakte nicht im System sind. Das “Shadow CRM” ist das deutlichste Symptom einer gescheiterten Datenstrategie.

AI ist ein Verstärker des Chaos

Jeder Board fragt gerade sein Management: “Was ist unsere AI-Strategie?” Unternehmen führen im Eiltempo Einstein GPT, Copilot und andere generative AI-Tools ein, um den Vertrieb zu beschleunigen.

Aber AI ist keine Magie, AI ist Mathematik. Sie stützt sich auf Muster in euren historischen Daten, um Vorhersagen zu treffen und Inhalte zu erzeugen. Sind eure historischen Daten fehlerhaft, liegt eure AI falsch, und zwar selbstbewusst.

Stellt euch einen AI-Agent vor, der automatisch Mails an Interessenten entwirft. Steht bei einem Kontakt der falsche Titel, spricht die AI eine Geschäftsführerin womöglich als “Junior Developer” an und zerstört die Glaubwürdigkeit in einer Sekunde. Steht eine als Closed Lost verlorene Opportunity noch auf “Open”, stupst die AI den Kunden womöglich zu einem Produkt, das er längst abgelehnt hat.

Schlechte Daten + AI = schnellere Fehlentscheidungen. Bevor ihr in AI investiert, müsst ihr in das Datenfundament investieren.

Strategische Sanierung: die Lösung

Das zu reparieren ist kein einmaliger Frühjahrsputz. Datenentropie ist konstant: Leute wechseln den Job, Firmen werden übernommen, Telefonnummern ändern sich. Sanierung erfordert eine strukturelle Verschiebung darin, wie eure Organisation mit Daten umgeht. Wir empfehlen ein Vorgehen in drei Phasen:

1. Das Audit (die Wahrheit)

Stoppt die Blutung. Ihr könnt nicht reparieren, was ihr nicht messt. Scannt eure gesamte Instanz automatisiert nach Dubletten, unvollständigen Feldern und “Zombie”-Datensätzen, die seit 365 Tagen niemand angefasst hat. Klassifiziert die Gesundheit eurer Daten pro Objekt (Lead, Contact, Account, Opportunity).

2. Die Firewall (der Türsteher)

Setzt Validierungsregeln und Dublettenblockaden am Eingang durch. Erfüllt ein Datensatz den Mindeststandard nicht (zum Beispiel Pflicht auf E-Mail, Branche und Land), kommt er nicht rein. Das erzwingt die Verhaltensänderung an der Quelle.

3. Automatisierung (das Enrichment)

Menschen sind schlecht in Dateneingabe. Sie sind langsam, machen Tippfehler und hassen es. Verbindet euer CRM mit Enrichment-Quellen (etwa Clearbit, ZoomInfo oder 6sense), damit die Lücken automatisch gefüllt werden.

Gibt ein Rep eine E-Mail-Adresse ein, sollte das System Job Title, Unternehmensgröße, Branche und Telefonnummer selbst nachladen. Das nimmt eurem teuren Vertriebstalent die Tipparbeit ab und sorgt nebenbei für eine einheitliche Datentaxonomie.

4. Governance (das Gesetz)

Richtet ein Data-Governance-Gremium ein, und wenn es nur zwei Leute sind. Legt fest, wem die Daten gehören. Ist Marketing für Leads verantwortlich? Ist Sales für Contacts verantwortlich? Definiert das SLA für Datenkonflikte. Wenn alle die Daten besitzen, besitzt sie niemand.

Fazit

Datenintegrität ist kein IT-Ticket, das man schließt. Sie ist ein strategischer Umsatzhebel. Wer die Reibung durch schlechte Daten reduziert, beschleunigt die Deal-Geschwindigkeit, verbessert die Forecast-Genauigkeit und baut ein Fundament, das tatsächlich bereit für die AI-Revolution ist.

Lasst eure Revenue-Engine nicht ausgehen, nur weil ihr billigen Sprit getankt habt.