Revenue leakage door dataproblemen

Revenue leakage door dataproblemen ontstaat op twee manieren. Direct: een verkeerde prijs in de stamgegevens, een dubbele klant waarvan één record het contract mist of een leeg veld dat een factuurregel blokkeert, kost rechtstreeks geld. Indirect: slechte data maakt alle andere lekken onzichtbaar, omdat je CRM, facturatie en contracten niet betrouwbaar naast elkaar kunt leggen. Het tweede is meestal het grootste probleem. Wie datakwaliteit niet op orde heeft, kan de andere lekken niet eens vinden.

Waarom data een eigen lekcategorie is

Bij de meeste vormen van revenue leakage is de oorzaak een proces: een indexatie die niemand toepast, een werkbon die blijft liggen, een contract dat afloopt. Bij dataproblemen is de oorzaak de informatie zelf. Het proces kan perfect zijn, maar als de input niet klopt, klopt de output ook niet.

Dataproblemen zijn bovendien een versterker. Een factuurfout die je met goede data in een minuut had gevonden, blijft met slechte data jaren onopgemerkt. Daarom is datakwaliteit geen IT-onderwerp, maar een financieel onderwerp. Het is de voorwaarde voor elke controle.

De vijf dataproblemen die het meeste kosten

1. Dubbele klanten. Dezelfde klant staat twee of drie keer in het CRM of het facturatiesysteem, onder net andere namen: "Bakker BV", "Bakker B.V." en "Bakker Installatietechniek". Het contract hangt aan het ene record, de facturen aan het andere, het gebruik aan het derde. Elke vergelijking op klantniveau faalt. Kortingen die voor één record gelden, worden soms op alle records toegepast. Volumekortingen worden berekend op een deel van de omzet in plaats van het geheel, of juist dubbel.

2. Lege of onbetrouwbare velden. Het veld "contractwaarde" in het CRM is bij een derde van de deals leeg. Het veld "einddatum" is bij de helft ingevuld met de datum waarop iemand het veld aanmaakte. "Deal-eigenaar" verwijst naar een medewerker die twee jaar geleden is vertrokken. Elk rapport dat op die velden rust, is onbetrouwbaar, en elke automatische controle die ze gebruikt, geeft vals alarm of juist geen alarm.

3. Verkeerde stamgegevens. De prijs van een artikel in het ERP is nooit bijgewerkt na de laatste prijsverhoging. Een klant staat op de verkeerde prijslijst. Een btw-code is verkeerd ingesteld. Omdat stamgegevens bij elke transactie worden gebruikt, vermenigvuldigt één fout zich over honderden facturen.

4. Geen gedeelde sleutel tussen systemen. Het CRM kent klant 10482, het boekhoudpakket kent debiteur 3317, het supportsysteem kent een e-maildomein. Er is geen veld dat de drie aan elkaar verbindt. Elke vergelijking begint dan met handmatig koppelen, en wat handmatig wordt gekoppeld, wordt zelden bijgehouden.

5. Tegenstrijdige definities. Sales rapporteert omzet als de waarde van gewonnen deals. Finance rapporteert gefactureerde omzet. Het management kijkt naar een dashboard dat een derde definitie gebruikt. In de directievergadering noemen drie mensen drie cijfers, en niemand weet welk verschil een lek is en welk verschil een definitie. De vraag welke databron leidend is voor omzet moet dus beantwoord zijn voordat je iets kunt vergelijken.

Hoe dataproblemen andere lekken verbergen

Stel, je wilt weten of alle gewonnen deals zijn gefactureerd. Je legt de gewonnen deals uit het CRM naast de facturen uit het boekhoudpakket. Door dubbele klanten en ontbrekende koppelsleutels blijven er 300 deals over zonder match. Daarvan zijn er misschien 20 echt niet gefactureerd. De andere 280 zijn gefactureerd onder een andere klantnaam, een ander dealnummer of samengevoegd op één factuur.

Niemand gaat 300 regels handmatig uitzoeken. Dus de controle wordt niet gedaan, of één keer gedaan en daarna niet meer. De 20 echte lekken blijven verborgen achter 280 valse meldingen. Dat is het indirecte effect: slechte data maakt controles zo duur dat ze niet gebeuren.

Dit hangt nauw samen met handmatige administratie. Handwerk veroorzaakt dataproblemen, en dataproblemen maken het handwerk om ze te vinden groter.

Rekenvoorbeeld

Rekenvoorbeeld: stel, een groothandel met EUR 8 miljoen omzet ontdekt bij een opschoonronde:

• 60 dubbele klantrecords. Bij 5 daarvan had iemand de klant op het ene record een staffelkorting op de totale afname gegeven, terwijl het andere record nog een eigen klantkorting had. De klant kreeg dus twee kortingen waar er één was afgesproken. Gemiddeld verschil per klant: EUR 1.500 per jaar, samen EUR 7.500 per jaar. Bij 8 andere viel de klant door de splitsing juist in een lagere staffel en betaalde hij te veel. Dat is geen lek, maar wel een klacht die op je ligt te wachten.
• 45 artikelen met een verouderde prijs in het ERP, gemiddeld 6 procent te laag, met een gezamenlijke jaaromzet van EUR 400.000: EUR 24.000 per jaar.
• 3 klanten op een verouderde prijslijst met een gezamenlijke omzet van EUR 250.000, gemiddeld 4 procent te laag: EUR 10.000 per jaar.

Samen ruim EUR 41.000 per jaar aan directe lekkage. Dat is exclusief wat de opschoning mogelijk maakt: een vergelijking tussen CRM en facturatie die nu wél werkt, en de lekken die daarmee zichtbaar worden.

Waar je begint

Datakwaliteit kan een eindeloos project worden. Begin daarom niet bij "alle data op orde", maar bij de velden die je nodig hebt om geld te controleren.

1. Bepaal de vijf tot tien velden die elke omzetcontrole nodig heeft. Meestal: klant-ID, contractwaarde, startdatum, einddatum, prijs, product of pakket, eigenaar.
2. Meet per veld hoe vaak het leeg of onlogisch is. Een einddatum vóór de startdatum. Een contractwaarde van nul bij een gewonnen deal. Een eigenaar die niet meer in dienst is.
3. Maak één gedeelde klantsleutel. Kies het systeem dat leidend is, meestal het boekhoudpakket of het CRM, en zet dat ID in de andere systemen. Dit is het belangrijkste enkele datawerk dat je kunt doen.
4. Voeg dubbelingen samen. Begin bij klanten met de hoogste omzet. Controleer bij het samenvoegen welke contracten, kortingen en afspraken aan welk record hingen.
5. Controleer de stamgegevens die bij elke transactie worden gebruikt. Prijslijsten, artikelprijzen, kortingsstructuren, btw-codes. Vergelijk ze met de laatst vastgestelde prijzen.
6. Leg definities vast. Wat is omzet, wat is een actieve klant, wat is een gewonnen deal? Schrijf het op, en gebruik dezelfde definitie in elk rapport. Hoe je naar één definitie toe werkt, staat in hoe je één waarheid over omzet krijgt.

Hoe je het schoon houdt

Een opschoonronde is na een halfjaar weer vervuild als er niets verandert aan hoe data binnenkomt.

• Verplichte velden bij de bron. Een deal kan niet op gewonnen zonder contractwaarde, startdatum en klant-ID. De meeste CRM's, zoals HubSpot, Salesforce en Pipedrive, ondersteunen dit met validatieregels.
• Dubbelingencontrole bij het aanmaken. Waarschuw als een nieuwe klant lijkt op een bestaande, op naam, KvK-nummer of e-maildomein.
• Periodieke kwaliteitsmeting. Meet maandelijks hetzelfde lijstje: percentage lege kernvelden, aantal mogelijke dubbelingen, aantal records zonder gedeelde sleutel. Een getal dat stijgt, is een signaal.
• Een eigenaar per systeem. Iemand die verantwoordelijk is voor de kwaliteit van de data in het CRM, en iemand voor het ERP. Dat hoeft geen fulltime functie te zijn, wel een benoemde taak.

Hoe je deze controles automatisch laat lopen in plaats van handmatig, beschrijven we in hoe je CRM-data automatisch controleert. Op de use-casepagina staat datakwaliteit als een van de acht gebieden waar omzet weglekt, met hoe dat patroon eruitziet.

Veelgestelde vragen

Kost slechte data echt geld, of is het alleen lastig?

Allebei. Verkeerde prijzen en kortingen in de stamgegevens kosten direct geld. Maar het grootste effect is indirect: slechte data maakt controles zo omslachtig dat ze niet worden gedaan, waardoor andere lekken blijven bestaan.

Moet ik eerst al mijn data opschonen voordat ik lekken kan zoeken?

Nee. Begin met de velden die je nodig hebt voor één controle, bijvoorbeeld gewonnen deals tegen facturen. Schoon op wat die controle blokkeert. Zo levert elk stuk opschoonwerk direct iets op.

Wat is het belangrijkste veld om op orde te hebben?

Een gedeelde klantsleutel die in alle systemen hetzelfde is. Zonder die sleutel is elke vergelijking tussen systemen handwerk. Met die sleutel worden de meeste andere controles eenvoudig.

Hoe voorkom ik dat de data na een opschoonronde weer vervuilt?

Door de kwaliteit bij de bron af te dwingen: verplichte velden, dubbelingencontrole bij het aanmaken en een benoemde eigenaar per systeem. Opschonen zonder die maatregelen is dweilen met de kraan open.