Data quality nel CRM: quanto costa davvero il problema che nessuno misura?

Il CRM è attivo e i dati ci sono. Ma se ogni reparto descrive lo stesso cliente in modo diverso, la pipeline diventa inaffidabile e il forecast un’ipotesi. La data quality non è un problema tecnico: è un problema di governance che precede il go-live.

Nei dieci segnali di un CRM sottoutilizzato due indizi vengono spesso letti come fastidi minori: il segnale 04 — ogni reparto descrive lo stesso cliente in modo diverso — e il segnale 05 — due commerciali contattano lo stesso prospect come se fosse nuovo. Non sono incidenti isolati: sono il sintomo visibile di un problema che lavora in silenzio sotto la superficie, la qualità dei dati. E nella gestione dei clienti un dato sbagliato non resta fermo: si propaga, si moltiplica e corrompe ogni decisione che ne dipende.

Quanto costa davvero un dato sporco

Il costo dei dati di scarsa qualità è quantificabile. Gartner lo stima in media 12,9 milioni di dollari l’anno per organizzazione (Gartner, 2020). Il MIT Sloan calcola che le aziende perdano tra il 15% e il 25% del fatturato annuo a causa di dati inaffidabili. Sono cifre rilevate su grandi imprese, ma la meccanica è identica a ogni scala.

Il costo più visibile è il tempo. Secondo lo studio Forrester condotto su 3.031 commerciali e il Salesforce State of Sales, un commerciale dedica circa il 17% della settimana all’inserimento dati nel CRM - quasi una giornata lavorativa - e passa la maggior parte del tempo in attività che non sono vendita diretta. A questo si somma la riconciliazione manuale: quando il direttore chiede un dato e arrivano tre valori diversi da tre reparti, qualcuno deve correggerli a mano prima di rispondere.

Poi c’è il costo nascosto, quello che non finisce in nessun report. Quando la pipeline è inaffidabile, il forecast diventa una scommessa: il 76% delle organizzazioni dichiara che meno della metà dei dati nel CRM è accurata e completa, e il 44% stima di perdere oltre il 10% di fatturato annuo proprio per questo (Validity, 2025). E c’è il rischio key-man: se la storia del cliente vive nella testa e nella casella mail di una persona, quando quella persona esce, esce anche la relazione.

Le tre cause della cattiva data quality (tutte di processo)

I dati non si sporcano da soli. Degradano per tre ragioni precise, tutte di processo, nessuna di tecnologia.

• Inserimento non guidato. Quando i campi sono liberi e nessuna regola impone formato e obbligatorietà, lo stesso cliente diventa «Acme», «Acme S.p.A.» e «ACME Group». È il segnale 04: il costo quotidiano di non aver definito le regole di inserimento prima del go-live.
• Nessuna regola di deduplicazione. Senza controlli che intercettino i record doppi al momento della creazione, l’anagrafica si riempie di duplicati — il segnale 05. Un’anagrafica in salute tiene il tasso di duplicazione sotto il 5%; senza controlli, quella soglia viene superata in fretta.
• Nessun owner dei dati. Se nessuno è responsabile della qualità di un’anagrafica, nessuno la mantiene. La data ownership non è un ruolo formale in più: è la condizione perché qualcuno noti il problema prima che lo scopra il direttore in riunione.

Come misurare la salute dei dati: i KPI che quasi nessuno tiene

Non serve un progetto di data quality per sapere a che punto siete. Bastano pochi indicatori, misurati con continuità:

• Tasso di duplicazione: percentuale di record doppi sull’anagrafica. Obiettivo: sotto il 5%.
• Completezza dei campi critici: percentuale di record con i campi chiave valorizzati (settore, referente, fatturato, owner
• Tasso di decadimento: i dati di contatto B2B si degradano di oltre il 20% l’anno (stima di settore). Un’anagrafica non manutenuta è già parzialmente falsa dopo dodici mesi.
• Percentuale di record con owner assegnato: misura diretta di chi risponde della qualità del dato.
• Scostamento del forecast: la distanza tra pipeline dichiarata e risultato reale è il termometro indiretto della fiducia nei dati.

La data governance è il prerequisito, non l’optional

Le tre cause hanno una radice comune: la qualità dei dati non è stata governata prima del go-live. Regole di inserimento, deduplica automatica e ownership non sono ottimizzazioni «da fare più avanti». Sono il presupposto perché il CRM sia una fonte unica di verità e non un terzo archivio da riconciliare. È qui che entra l’integrazione del CRM con le altre fonti aziendali in un’unica anagrafica governata — il golden record — che evita a ogni sistema di produrre la propria versione del cliente.

Il problema, se non intercettato, si amplifica nel tempo. Ogni nuovo record sbagliato si somma ai precedenti, ogni integrazione propaga l’errore a valle, ogni automazione lo esegue più velocemente.

E con l’AI il margine di errore si azzera

L’AI rende esplosivo ciò che prima era lento. Gartner prevede che entro la fine del 2027 oltre il 40% dei progetti di AI agentica venga cancellato, per costi crescenti, valore di business poco chiaro e controlli di rischio inadeguati. In una previsione distinta, stima che entro il 2026 il 60% dei progetti di AI venga abbandonato perché non sostenuto da dati pronti per l’uso. Le due cose convergono su un punto solo: un agente che decide su dati sporchi non risolve il problema, lo automatizza.

Per noi la governance non è una rassicurazione da aggiungere a fine progetto. È il modo in cui lavoriamo: regole di inserimento, deduplica e ownership definite prima, non dopo.

In sintesi

I dati sporchi non fanno rumore. Non bloccano il sistema, non generano un alert. Erodono in silenzio la fiducia nei numeri, finché il forecast diventa un’opinione e la pipeline un esercizio di memoria. Il punto di partenza non è un nuovo strumento: è capire dove si rompe la qualità del dato e chi ne risponde.

Un Check-up Operativo analizza configurazione, duplicati, completezza e governance del vostro CRM e vi restituisce una scorecard con i punti deboli e le correzioni a maggior impatto.
→ Prenota il Check-up Operativo

FONTI

• Gartner, Magic Quadrant for Data Quality Solutions, 2020 — costo medio dei dati di scarsa qualità: 12,9 M$/anno per organizzazione (stima auto-dichiarata da grandi imprese).
• MIT Sloan Management Review con Cork University Business School — perdita del 15–25% del fatturato annuo da dati inaffidabili.
• Forrester Activity Study (3.031 commerciali) e Salesforce, State of Sales — tempo dedicato all’inserimento dati nel CRM e alla vendita.
• Validity, State of CRM Data Management, 2025 (602 rispondenti) — accuratezza dei dati CRM e impatto sul fatturato.
• Gartner, comunicato stampa giugno 2025 — oltre il 40% dei progetti di AI agentica cancellati entro la fine del 2027.
• Gartner, comunicato stampa febbraio 2025 — 60% dei progetti di AI abbandonati entro il 2026 se non sostenuti da dati pronti per l’AI.