CRM数据质量怎么控？来，全球500强的经验分享给你！电视剧野葡萄

arvato是全球顶尖的CallCenter。我当年在 arvato 负责奔驰项目的数据管理工作，跟梅森是搭档。他的脑子里全是关系，我脑子里全是数据。所以他是输出，负责砍人；我是肉盾，负责硬抗、背锅，合作一直很融洽。

奔驰项目实际上就是一个呼叫中心项目。主要业务是帮戴姆勒中国接听客户咨询、投诉电话，同时也打迎新、活动邀约、回访电话。

所以场景很简单，就是一帮客服人员接打电话。可能你会说，这么简单的事情，流程清晰、逻辑简单，哪能有什么数据质量问题啊？

你要是这么理解，那指定是对数据质量有啥莫名其妙的自信啊。因为数据质量问题最大的来源，正是人！

呼叫中心所有的数据运转大概是这个流程：

跟其他地方一样，没啥大不了的。但是有一个非常恐怖的地方，就是大量数据在业务系统中产生，并且不断循环。

因为 Call Center 是一个劳动力密集型产业，用人话说就是全靠人堆，接打电话后要录入数据，下次打电话还得靠这次的记录才能继续啊。

而且，为了控制成本、社会地位、工作性质等问题， Call Center 很难招到高学历的员工。而且这个工作，基本上就是不断地机械性的重复、再重复，想不错都难啊！

所以就会导致一个巨大的问题，相比起互联网的日志数据，CRM的数据生产，高度依赖于这些高强度工作的人。那数据质量自然就高不起来了。

所以，当时的我，绝大多数时间都是在跟人高频沟通，找问题然后去优化、解决。刚入职的时候，这些问题跟夏夜田间的蛙鸣一样，那是此起彼伏、连绵不绝，闹的你是左右不是，烦得很！

不过还好，哥们也是练过的，很快就捋顺了。咋捋？方法很多，鱼骨图的“人机料法环”也行，按数据“采集、存储、加工、处理、展示”这样的处理流程也行。我当时是综合了一下，大致梳理出这些大的问题类型：

千头万绪总得有一个线头，上面的图就是线头了。但是这么多线头呢，先从哪里入手？

我现在跟你讲的时候当然是有系统、有条理的讲啊，因为我已经没有那种身在局中的紧迫感了。但是在当时，至少是前半年，优化的优先条件是紧急程度，哪里起火了就往哪里扑，俗称救火队长。

为了方便描述，咱先从三个源头抓起：系统对接的、人工导入的、人工录入的。

其实系统对接的数据问题还好，都是偶发。但是一发就是大批量的出错，而且还不易发现，往往造成的影响比较大。所以我安排一个兄弟对所有的接口进行了梳理，然后扔给IT部门一堆需求，要求增加一个数据校验逻辑，不符合直接发邮件人工检查。

然后再对付人工导入的数据。Call Center 也承接 Leads （销售机会）跟进的工作，所以市场部会不停的做很多市场活动，收集过来的**都会给我们，进行外呼。

这些数据质量参差不齐，太痛苦了。有些都是车展上弄一张纸，让用户填，然后再人工处理的。我们拿到手之后，先在 excel 里各种操作，规整了之后再复制到数据库里，再走存储过程进到 leads 库里的。

这样效率低不说，数据质量还难控制。我给大家培训了2天Kettle，让他们用工具，建立数据校验、自动映射、自动校正、自动修复、自动填补、错误数据输出等一系列数据质量控制的手段，不仅提升了效率，而且还能极大的提升数据质量。

最后呢，就是去啃最难啃的人工录入部分了。讲真，这些客服同学真的很辛苦。因为是外企，服务的客户也是高端客户，所有的流程都必须严格遵守。

比如打电话的时候要按顺序问问题，不能打嗑呗儿、说错字；打完电话还得把刚才通话的所有内容都记录下来，不能遗漏和有错误，任何一件事情做错了，都是要扣钱的。

解决这些问题基本上没啥好办法，但是有一个原则：不相信人，只相信系统。我会去拉数据，看看那个字段错误率高，然后去找对应的页面，看是操作不舒服、容易犯错，或者说本身系统就有问题，然后提系统优化需求。

也有可能是员工培训不到位，如果是大面积的，那就是培训有遗漏，有过是个例，那就是员工本身的问题，重点加强即可。

对于所有人工录入的数据，同样都要开启数据质量监控，随时关注、纠正。

我们总结一下，数据来源主要是手工导入的原始数据、系统对接的数据交换和手工录入的数据。这三方面的问题罗列如上，解决方案说千道万，其实就一条：相信机器。

数据源这边控住了，后面该咋弄？

哈哈，你是不是认为管系统就是IT系统？没那么简单哦！IT系统是系统，但是组织系统是更重要的系统。

换句话说，哪怕现在没有任何IT系统，所有事情都靠手账记录，也是可以做，并且是非常有必要做数据质量管控的。

我见过很多公司，CRM建设的很落后，都是人手一个excel，照着**拨电话。这个时候就得靠组织、机制去管控了。否则人员流失，客户也就流失了。

不过，当年在arvato，CRM建设的还是非常完善的。机制这边就是狠抓培训。

因为前面已经提过人为操作导致数据质量问题及解决方案，所以在机制这边主要的问题其实还是在于各种漏洞的填补。

比如系统更新后，没告诉客服，导致操作错误；客服录入数据后，没有检查；部分未知错误原因穿透了系统校验机制；报表发出去之前没有认真检查等等。

在IT系统层面呢，那问题就更多了。数据交换、处理等各个环节缺乏验证，业务需求总是变化，页面设置不友好、不合理、系统本身的缺陷、N个渠道的数据没打通等等。

怎么解决呢？一点点啃吧。反正线头给你扯出来了，顺着线头慢慢捋，肯定能捋干净。

我们总结一下，系统层面，分组织系统和IT系统。虽然说问题很多，但是核心点其实就是增加流程，让机器多去检查，人工定期复查。

流程也梳理了，系统也管控了，那剩下的就是零碎的事情了。这个没办法，全是人的事儿，也就是非常零碎、琐碎的细节。必须得俯**子，沉到细节里，逐一解决。

人为错误上面已经简单说了一下，但是除了培训、系统、规范等流程和系统层的原因，其实还有客服人员本身的一些问题。但是这些可能不是培训、系统能解决的，比如对方的口音、通话质量、分类界定模糊等等。这些只能慢慢改善，很多不能根治。

另外，在数据汇总层面，也有很多各种细节问题，这个就是老生常谈了。什么统计口径不统一、指标二义性、指标历史版本多、业务逻辑复杂、人为bug等等。

这些问题随便拿一个出来都得单开一篇说。这里就不展开了

毕竟已经过了6、7、8、9年了，很多细节也已经记不太清了，资料也都没有了。但是仍然怀念在arvato的日子，以及各位好朋友，非常想念你们，爱你们哟~~@猫姐、@Lily、@Maple、@Masson、@Lant、@Eric、@Vivi、@Vivian、@Allofmyfriends，比心

感谢阅读，本次分享的内容就结束了。本公众号目前保持日更3000字，为你提供优秀的数据领域的分享。本篇如果有帮助的话，还请点赞、在看分享一波！