Vier controles die dubbele klantgegevens uit uw systemen houden

Dubbele klantgegevens zijn geen schoonheidsfoutje

Vrijwel elk bedrijf kent het beeld: in het CRM staat Jansen Techniek BV, in de boekhouding Jansen Techniek B.V. en in de webshop Jansen techniek met een ander e-mailadres. Drie records, één klant. Zolang alles goed gaat, valt dat niemand op. Het valt wel op zodra een factuur naar het oude adres gaat, een aanmaning vertrekt terwijl er al betaald is, of een accountmanager belt over een offerte die een collega vorige week al heeft gestuurd.

Vervuilde klantdata is zelden het gevolg van slordigheid. Het is het gevolg van meerdere invoerpunten zonder onderlinge afspraak. Een klant kan zichzelf aanmelden via de website, een verkoper voert hem handmatig in na een beursbezoek, de administratie maakt een debiteur aan bij de eerste factuur en support legt een contactpersoon vast bij een melding. Vier ingangen, vier manieren van schrijven, nul controle daartussen.

De kosten blijven lang onzichtbaar omdat ze verspreid zijn. Een half uur zoeken naar het juiste dossier, een creditnota omdat de verkeerde debiteur is belast, een klant die twee keer dezelfde nieuwsbrief krijgt, een omzetrapportage die niet klopt omdat één klant over drie records is verdeeld. Opgeteld over een jaar praat u al snel over tientallen uren en over beslissingen die op onjuiste cijfers zijn genomen.

Opschonen helpt maar één keer

De meeste bedrijven lossen dit op met een opschoonactie. Iemand exporteert alles naar een spreadsheet, zoekt dubbelingen op en voegt records samen. Dat werkt, maar alleen op dat moment. Zodra de oude invoerpunten blijven bestaan, loopt de vervuiling gewoon weer op. Binnen een jaar staat u op hetzelfde punt, met dezelfde export en dezelfde verloren middag.

Duurzaam oplossen betekent dat u de instroom aanpakt in plaats van de voorraad. In de praktijk komt dat neer op een beperkt aantal controles die automatisch draaien op het moment dat een klant wordt aangemaakt of gewijzigd. Hieronder de vier die in vrijwel elke organisatie het meeste verschil maken.

• Controle bij invoer. Zodra iemand een nieuwe klant aanmaakt, zoekt het systeem op KvK-nummer, e-mailadres, telefoonnummer en postcode met huisnummer. Lijkt het op een bestaand record, dan krijgt de gebruiker dat meteen te zien met de vraag of hij verder wil met de bestaande klant.
• Normaliseren voordat er wordt opgeslagen. Rechtsvormen, spaties, hoofdletters, landcodes bij telefoonnummers en de schrijfwijze van postcodes worden automatisch gelijkgetrokken. Daarmee verdwijnt de grootste bron van dubbelingen: hetzelfde bedrijf dat net even anders is getypt.
• Eén bronsysteem per gegeven. Spreek af waar de waarheid staat. Bijvoorbeeld: adres- en factuurgegevens leiden uit de boekhouding, contactpersonen en afspraken uit het CRM. Wijzigingen lopen in één richting door via een koppeling, nooit in twee richtingen tegelijk.
• Verrijking uit een externe bron. Bij invoer van een KvK-nummer haalt het systeem bedrijfsnaam, adres en rechtsvorm automatisch op. Niemand typt meer over, en iedereen krijgt dezelfde schrijfwijze binnen.

Een dubbel record ontstaat in drie seconden en kost later uren. De goedkoopste plek om het op te lossen is het invoerscherm, niet de export.

Hoe zo'n aanpak in de praktijk ontstaat

Wij beginnen niet met software, maar met een inventarisatie van de invoerpunten. Welke systemen kunnen een klant aanmaken? Wie doet dat, en op welk moment in het proces? Vaak blijkt er een ingang te zijn waar niemand meer aan dacht, bijvoorbeeld een oud contactformulier of een importbestand van een partner. Die ingangen vormen samen de kaart waarop u controles plaatst.

Daarna stelt u de regels vast. Wat telt als een match? Een gelijk KvK-nummer is hard bewijs, een gelijke achternaam niet. Voor de gevallen die ertussenin zitten, zoals dezelfde straat met een andere bedrijfsnaam, is het verstandig om niet automatisch samen te voegen maar een taak aan te maken voor een medewerker. Automatisering hoeft niet elk oordeel over te nemen; zij moet vooral voorkomen dat niemand het oordeel velt.

Hier voegt AI wel degelijk waarde toe, maar in een bescheiden rol. Een taalmodel is goed in het herkennen van varianten die een strikte vergelijking mist: handelsnamen, afkortingen, spelfouten in straatnamen, een contactpersoon die van naam is veranderd. De uitkomst is een suggestie met een zekerheidsscore, waarna uw eigen regels bepalen wat automatisch gaat en wat iemand nog bekijkt. De harde controles blijven gewoon deterministisch.

Wat het oplevert

Bedrijven die dit inregelen zien drie effecten. Ten eerste minder correcties: minder creditnota's, minder verkeerd geadresseerde post, minder onterechte aanmaningen. Ten tweede snellere medewerkers, omdat zoeken en vergelijken verdwijnt uit het dagelijks werk. Ten derde, en dat is vaak het belangrijkste, rapportages waar u op durft te sturen. Omzet per klant, orderfrequentie en klantwaarde kloppen pas als één klant ook echt één record is.

Begin klein. Kies het systeem waar de meeste klanten binnenkomen, zet daar de controle bij invoer en de normalisatie op, en koppel het aan uw boekhouding. Ruim daarna eenmalig het bestaande bestand op. In die volgorde blijft het resultaat staan, en hoeft u de opschoonactie geen tweede keer te plannen.