NNEKOVU

Data hygiene en el CRM: por qué tu forecast miente

Data hygiene en CRM: protocolos, reglas y automatizaciones para limpiar datos sucios y que tu forecast deje de mentir. Con ejemplos y checklist práctico.

Equipo NEKOVU··11 min de lectura

TL;DR

La data hygiene en el CRM no es limpieza cosmética: es la base sobre la que se construyen forecast, coaching y automatizaciones. Cuando los datos están sucios, cada modelo que corre encima amplifica el error. Limpiar es menos sexy que implementar IA, pero es el prerrequisito de que cualquier IA funcione.

Hay una frustración universal en los equipos de RevOps: implementás una herramienta nueva, un dashboard nuevo, un modelo predictivo nuevo, y los números no cuadran. Volvés al CRM y descubrís que "Nombre de la empresa" tiene tres variantes del mismo cliente, dos owners distintos, y un campo "industria" vacío en el 40% de los contactos. El problema no era el modelo. El problema era el combustible.

Qué es data hygiene en el CRM

Data hygiene es el conjunto de prácticas y controles que mantienen los datos del CRM limpios, completos, consistentes y actualizados. En un CRM de B2B eso implica:

  • Limpieza: sin duplicados, sin registros huérfanos, sin valores placeholder tipo "TBD" o "N/A".
  • Completitud: campos críticos (industria, tamaño, próximo paso) con valores reales, no vacíos.
  • Consistencia: una sola forma de escribir cada cosa. "Argentina" y "AR" y "Rep. Argentina" son el mismo país, pero el CRM no lo sabe si los datos entraron así.
  • Frescura: la última interacción tiene fecha real, el stage refleja el estado actual, los contactos bounce-ados están marcados.

Sin estas cuatro, cualquier cosa que corras encima del CRM (forecast, coaching, scoring) va a producir output engañoso.

Por qué el forecast miente cuando los datos están sucios

Un forecast es una función que toma deals del pipeline y produce una proyección. Si los deals están duplicados, el forecast dobla el número. Si tienen stage incorrecto, el forecast aplica probabilidades incorrectas. Si el close date es placeholder, el forecast no puede pronosticar cuándo entra la plata.

Un ejemplo común. El CRM tiene 480 deals activos. El forecast proyecta US$3.2M para el trimestre. Después de limpieza:

  • 72 eran duplicados (el cliente pasó por dos AE).
  • 55 tenían stage "Qualified" desde hace 90+ días (deberían estar en "Stalled" o cerrarse como lost).
  • 38 tenían owner inactivo (AE que ya no trabaja en la empresa).
  • 94 tenían close date a fin del mes siguiente por default, sin evidencia.

Al limpiar, el pipeline real baja a 221 deals y el forecast a US$1.4M. La proyección nueva es más baja, pero cumplible. La anterior era ficción.

Ver pipeline real vs pipeline optimista para el mapa completo de cómo un pipeline inflado arrastra al forecast.

Los cinco tipos de suciedad más comunes

No toda suciedad se limpia igual. Identificar el tipo ayuda a priorizar.

1. Duplicados

El mismo cliente aparece dos o tres veces, con ligeras variaciones ("ACME Inc", "Acme", "ACME S.A."). Causa: lead captura sin deduplicación, imports masivos, integraciones mal configuradas. Impacto: infla el pipeline, corrompe el reporting de cobertura de mercado y vuelve imposible saber con quién hablar.

2. Campos vacíos críticos

Industria sin valor, tamaño de empresa sin valor, próximo paso sin valor. Causa: campos marcados como opcionales cuando deberían ser obligatorios. Impacto: segmentación imposible, personalización genérica, scoring sin fundamento.

3. Valores inconsistentes

"USA" vs "Estados Unidos" vs "US" vs "United States". "VP Ventas" vs "Vice President Sales" vs "VP Sales". Causa: sin picklists, sin validación. Impacto: filtros rotos, dashboards que muestran categorías ficticias, analytics que subcuenta todo.

4. Datos obsoletos

El contacto cambió de empresa hace 8 meses pero sigue asignado al mismo deal. El AE ya no trabaja acá pero sus deals siguen asignados a él. Causa: falta de refresh automático, sin integración con fuentes de verdad (LinkedIn, herramientas de enrichment). Impacto: trabajás sobre gente y deals que no existen más.

5. Placeholder hell

Campos que dicen "TBD", "a confirmar", "x", "123", "test@test.com". Causa: AE bajo presión crea el registro rápido y promete volver a llenar, nunca vuelve. Impacto: el registro no se puede usar para nada real.

Qué pasa cuando la IA corre sobre datos sucios

Cuando instalás un copiloto, un sistema de scoring o un modelo de forecast sobre un CRM sucio, la IA no te salva: amplifica el problema.

Un ejemplo concreto. Un modelo de propensión a comprar usa features como "industria", "tamaño", "último contacto", "stage". Si industria está vacía en el 40% de los registros, el modelo aprende a ignorar esa señal y baja su accuracy. Si stage es inconsistente ("Qualified" vs "Qualificado" vs "Qualifiying"), el modelo trata cada variante como categoría distinta y diluye la señal.

El principio es antiguo pero sigue vigente: garbage in, garbage out. La IA no invierte esa ley. Solo la hace más cara.

Protocolo de limpieza en 6 pasos

La limpieza no es un proyecto único: es un ciclo. Pero el primer ciclo sí es un proyecto. Este es el protocolo que funciona en equipos de 5 a 200 AE.

Paso 1: diagnóstico

Antes de limpiar, medí. Corré queries que cuenten: duplicados por dominio, registros con campos críticos vacíos, deals con última actividad >60 días, contactos con emails bounce-ados. Sin baseline, no podés reportar progreso.

Paso 2: deduplicación

Definí una clave canónica (por ejemplo: dominio + país, o RFC + país). Usá herramientas nativas del CRM o un MDM externo. Lo importante es mantener el registro con más actividad y fusionar los demás, no borrar por fecha.

Paso 3: campos obligatorios

Convertí en obligatorios los 3 a 5 campos que realmente importan: industria, tamaño, próximo paso con fecha, champion, buy_intent. No más. Si hacés obligatorios 15 campos, el AE pega "TBD" en todos y volvés a cero.

Paso 4: picklists y validación

Reemplazá texto libre por picklists en países, industrias, cargos y stages. Agregá validación en email (formato válido) y fechas (no pasadas para close date futuros). Bloqueá el guardado si no pasa validación.

Paso 5: degradación automática

Configurá reglas: si un deal en Stage 3 no tiene actividad en 30 días, baja a Stage 2. Si un contacto tiene email bounce-ado, se marca como inválido. Si el owner fue desactivado, el registro va a un pool de reasignación. Esto mantiene limpio el CRM sin intervención manual.

Paso 6: enrichment y refresh

Integrá con una fuente externa (LinkedIn Sales Navigator, Clearbit, ZoomInfo) para mantener títulos, tamaños y industrias actualizados. El enrichment no reemplaza la data manual, la complementa.

Herramientas y automatización: cuándo usar qué

La diferencia entre limpieza manual y automatizada es el tiempo de vida útil del esfuerzo.

Limpieza manual (hojas de cálculo, sesiones de limpieza)

Sirve para la primera gran limpieza. Útil porque fuerza al equipo a ver los problemas a la cara. Insostenible a mediano plazo: la suciedad vuelve en semanas.

Automatización dentro del CRM

Reglas nativas: validación, campos requeridos, workflows. Funciona pero tiene techo: no detecta duplicados semánticos ni inconsistencias complejas.

Plataformas de RevOps y MDM

Herramientas como Syncari, Coefficient o sistemas propios detectan patrones complejos y hacen deduplicación semántica. Costo más alto pero ROI claro en equipos grandes.

Copilots con data-awareness

NEKOVU va un paso más allá: no solo detecta suciedad, sino que la usa como señal. Si un deal no tiene próximo paso, el copilot se lo pide al AE después de la llamada. Si el contacto no tiene cargo, lo enriquece automáticamente. Higiene como subproducto del uso, no como proyecto separado.

Comparativa: enfoques de data hygiene

EnfoqueCosto inicialCosto continuoCoberturaSostenibilidad
Limpieza manual trimestralBajoAlto (horas-persona)SuperficialBaja, la suciedad vuelve
Reglas nativas del CRMMedioBajoMediaMedia, requiere mantenimiento
MDM externoAltoMedioAltaAlta, pero fricción con usuarios
Copilot con data-awarenessMedioBajoAltaAlta, la limpieza se integra al flujo
Todo combinadoAltoMedioCompletaMuy alta

Para equipos sin madurez de RevOps, empezá por reglas nativas + copilot. MDM solo si ya superaste los 100 AE o tenés integraciones complejas.

Las métricas de data hygiene que importan

Medir la suciedad es tan importante como limpiarla. Estas cinco métricas, revisadas semanalmente, mantienen al equipo honesto:

  1. Tasa de completitud de campos críticos: % de registros con los 5 campos obligatorios llenos. Target: >95%.
  2. Ratio de duplicados: duplicados / registros totales. Target: <1%.
  3. Edad de la última interacción del pipeline: mediana de días desde la última actividad en deals activos. Target: <14 días.
  4. Tasa de deals huérfanos: deals sin owner activo. Target: 0%.
  5. Precisión de contactos: % de emails válidos (no bounce-ados). Target: >97%.

Un dashboard con estas cinco métricas es lo primero que debería ver el líder de RevOps cada lunes. Más útil que el dashboard de revenue, porque el dashboard de revenue depende de estas cinco.

Señales de que tu CRM necesita limpieza urgente

NEKOVU Fit · Checklist

¿Esto te aplica?

  • ✓
    Necesitas evidencia operativa, no solo notas de llamada.NEKOVU encaja mejor cuando ventas, coaching y compliance deben compartir el mismo rastro auditable.

Si marcaste 3 o más, la prioridad del trimestre es limpieza, no nueva tooling. Cualquier inversión nueva va a amplificar la suciedad existente.

El rol del equipo de ventas en la higiene

Una pregunta frecuente: ¿esto es responsabilidad del AE o de RevOps? Respuesta: ambos, pero con roles distintos.

RevOps es dueño del sistema: define qué es un dato limpio, configura las reglas, mantiene las integraciones. El AE es dueño del dato individual: llena los campos después de cada llamada, confirma próximos pasos, actualiza stages con evidencia.

El error común es que RevOps ponga reglas que sienten fricción para el AE (15 campos obligatorios, validación agresiva) y el AE responda poniendo basura para cumplir formalmente. Ese tug-of-war quema datos.

La solución es diseñar las reglas para que el AE gane al cumplirlas. Por ejemplo: si el AE marca próximo paso con fecha, el copilot le prepara un recordatorio automático. Si el AE completa la industria, el scoring mejora y le llegan leads mejores. La higiene se vuelve útil, no punitiva.

Privacidad y compliance: limpieza no es limpieza solo de duplicados

La data hygiene también implica limpieza de compliance. Contactos que pidieron borrado, datos sensibles que no deberían estar en campos abiertos, audios que violan la política de retención. Este ángulo se ignora en la mayoría de los equipos hasta que llega una auditoría.

NEKOVU resuelve parte de esto con un consent ledger donde cada inferencia queda trazada, y el cliente puede revocar su consentimiento con efecto inmediato sobre los datos derivados. Ver Revenue OS vs CRM para la discusión completa sobre auditabilidad.

Preguntas frecuentes

¿Cuánto tiempo toma la primera limpieza de un CRM con 5 años de uso?

Para un CRM con 50.000 a 200.000 registros, la primera limpieza profunda toma entre 3 y 6 semanas si se combina automatización y trabajo manual selectivo. Menos si el equipo está dispuesto a ser agresivo y marcar como archivados los registros sin actividad reciente.

¿Qué pasa con los registros antiguos sin actividad? ¿Borrar o archivar?

Archivar, casi siempre. Borrar pierde historia útil para análisis de tendencias y compliance. Archivar los saca del pipeline activo y del forecast pero los deja consultables.

¿Cuánto cuesta no limpiar?

En equipos observados, la diferencia en accuracy del forecast entre un CRM limpio y uno sucio es de 20-30 puntos porcentuales. En un equipo que factura US$5M anuales, eso es US$1-1.5M de error en proyecciones cada año. El costo de limpiar es una fracción.

¿Puedo usar IA para limpiar en lugar de reglas manuales?

Sí, y conviene para tareas como deduplicación semántica (detectar que "ACME" y "Acme Inc." son el mismo cliente). Pero la IA no decide: marca candidatos y un humano aprueba. Automatizar la aprobación en masa genera daño irreversible.

¿Con qué frecuencia hay que limpiar?

Un ciclo continuo (reglas automáticas diarias, reportes semanales) más una revisión profunda trimestral. No dejes pasar un año entre revisiones: la deuda crece cuadráticamente.

Conclusión

La data hygiene en el CRM es el trabajo menos glamoroso de RevOps y el que más impacto tiene. Cada dashboard, cada forecast, cada automatización y cada modelo de IA se apoya en los datos del CRM. Si los datos mienten, todo lo que corre encima miente también, y a mayor sofisticación tecnológica, mayor amplificación del error.

Invertir en higiene es invertir en el piso sobre el que se construye todo lo demás. No es atractivo para mostrar en board meetings, pero es lo que hace que los números del board meeting sean creíbles.

Ver también: CRM mejores prácticas, pipeline real vs optimista, forecast de ventas con evidencia y el cluster CRM Best Practices.

Lectura relacionada

CRM

Campos obligatorios del CRM: menos es más

Cuáles campos del CRM deben ser obligatorios y cuáles son legacy. El anti-pattern de obligar todo, el costo cognitivo del vendedor y cómo proteger la data hygiene.

Comparación

NEKOVU vs CRM tradicional: cuándo necesitás más que un pipeline

NEKOVU no reemplaza a un CRM tradicional: se pone encima. Comparación honesta de cuándo un CRM clásico es suficiente y cuándo conviene un Revenue OS.

Recurso · Checklist

Checklist de implementación de un Revenue OS

Checklist de 45 puntos para implementar un Revenue OS sin romper la operación: integraciones, consent, forecast firmado, scorecards, compliance y ritmo operativo.

Solución

Dashboard para RevOps

Un tablero donde el forecast, la cobertura y el ramp viven juntos.