Hur du närmar dig CRM-deduplicering

Vad som definierar en dublett beror på din CRM-arkitektur, teamarbetsflöden och affärsbehov. På Dedupely rekommenderar vi ett trefasigt dedupliceringsprojekt:

Fas 1: Rensa äldre data

Sammanfoga historiska eftersläpningar för att etablera en ren baslinje i din CRM.

Fas 2: Rensa aktuell data

Isolera, granska och slå ihop aktiva dubbletter som skapats genom daglig försäljningsaktivitet, formulärsfyllning och integreringsverktyg.

Fas 3: Håll framtida data ren

Ställ in automatisk bakgrundsbearbetning (Auto Merge, Auto Match och CSV-förbehandling) för att hantera inkommande dubbletter automatiskt.

Kategorisering av dubbletter

Innan du skapar Duplicate Searches eller ställer in Merge Rules, gruppera dina dupliceringstyper efter säkerhet och risktolerans. Dedupely tillämpar inga fasta definitioner. I stället bestämmer ditt team vilka matchningar som är klara och vilka som behöver granskas baserat på CRM-struktur och övervakningsbehov.

Använd detta ramverk för att kategorisera dubbletter i din CRM:

Uppenbara dubbletter

Alla dubbletter där ditt team har högt förtroende och minimal risk för falsklarm. Vad som räknas som "uppenbar" beror helt på dina data (såsom matchning av exakta namn och e-postadresser). När de är verifierade är de säkra för gruppvis sammanslagning och bakgrundsautomation.

Villkorliga dubbletter

Sökningar där poster sannolikt representerar dubbletter, men specifika fältnivåregler krävs för att skydda giltiga data (till exempel för att säkerställa att platshållardata från uppringare eller integrationer inte skriver över befintliga kontaktuppgifter).

Komplexa dubbletter

Högriskfull eller tvetydig sökning där en felaktig sammanslagning kan påverka fakturering, kontoägande eller anpassade ERP-synkroniseringar. Dessa kräver mänsklig verifiering innan sammanslagning.

Vanliga Duplicate Searches

För att ge dig en utgångspunkt, här är några av de vanligaste konfigurationer för dubbletsökning som används på Dedupely-konton för varje dubbletttyp:

Uppenbara dubbletter

• Exakt kontaktmatchning: Vanligt för dubbelformulärskickning eller event CSV-listimporter. Förnamn: Exakt, Efternamn: Exakt, E-post: Exakt.
• Exakt företagsmatchning: Vanlig för dubbla leadlistimporter. Företagsnamn: Exakt, Företagsdomännamn: Domänrot.

Villkorliga dubbletter

• Integration samtalloggar: Vanligt för ring-appar. Telefonnummer: Liknande (matchar de sista 7 siffrorna). Filter: Tomt förnamn eller e-post.
• Domänvariationer ("Spökföretag"): Företagsdomännamn: Domain Root. Ignorera juridiska suffix såsom Inc., LLC eller Ltd.

Komplexa dubbletter

• Finansiella och ERP-identifierare: Anpassat Tax ID, kundkontonummer eller ERP ID-matchning för poster länkade till externa fakturerings- eller redovisningssystem.
• Överlappning mellan regionala konton: Likartade företagsnamn + samma stad/stat med motsägande kontoägare eller aktiva avtal som kräver granskning mellan avdelningar.

Överblick över Dedupely fusionstyper

• Custom / Single Merge: Jämför poster sida vid sida och gör det möjligt att välja fält för fält manuellt. Bäst för att verifiera Merge Rules och inspektera gränsfall.
• Bulk Merge: Slår ihop flera eller alla dina dupletgrupper samtidigt. Bäst att använda för sammanslagning av äldre data eller massiv import.
• Auto Merge: Körs kontinuerligt i bakgrunden enligt ett fastställt schema utan manuell inblandning. Bäst att använda för återkommande dubbletter.
• Auto Match: Genomsöker i bakgrunden och meddelar när ett visst antal matchningar når ett förinställt tröskelvärde. Bäst för komplexa eller kritiska gränsfall som kräver godkännande.

Exempelscenario

För att se hur dessa matchkategorier fungerar i praktiken, föreställ dig ett team där Marketing administrerar CRM:et medan Sales och Ops-team gör konstanta importer.

Uppenbara dubbletter: Event Imports och Form Submissions

I det här scenariot anordnar Sales månatliga evenemang medan Marketing har månatliga webbinarier, vilket skapar en konstant ström av kalkylimporter och webbformulärposter.

Rengöring före import

Kör säljlistor genom Dedupelyss obegränsade CSV-importfunktion för att rensa poster före import till CRM.

Äldre rengöring

1. Skapa en Duplicate Search med exakta unika identifierare för ditt användningsfall (t.ex. Exact First Name + Exact Last Name + Exact Email).
2. Ställ in kriterier för primär post (t.ex. post med mest komplett data).
3. Förhandsgranska fusionsresultatet i panelen "Visa matchningsdetaljer".
4. Slå ihop 1–2 enskilda testsammanslagningar och inspektera resultaten i din CRM.
5. Välj och sammanfoga 2 testsidor.
6. Kör en Bulk Merge på återstående skanningsresultat.

Kontinuerlig bakgrundsautomation

Aktivera Auto Merge på denna sökning och ställ in schemat (t.ex. varannan vecka eller månadsvis) för att stämma överens med din importcykel.

Villkorliga dubbletter: Säljringningsverktyg och Anrikningsverktyg

Fall A: Samtalloggintegration

I det här scenariot skickar ringningsverktyg via integreringar samtalloggar som bara innehåller ett telefonnummer, vilket lämnar namn- eller e-postfält tomma.

1. Matcha på telefonnummer med Similar-matchning (jämför de sista 7 siffrorna).
2. Använd ett filter som kräver att minst en post i uppsättningen har ett tomt förnamn eller e-postadress.
3. Konfigurera Merge Rules:

• Regel för primär post: Ställ in på post med mest kompletta data (säkerställer att ifyllda kontaktposter får masterstatus).
• Fältnivåregel: Ställ in regeln för telefonnummerfältet på Behåll senaste värde (uppdaterar kontakten med det senaste telefonnumret).

4. Aktivera Auto Merge dagligen för att samtalloggar konsolideras före morgonkommunikation.

Fall B: Företagsanrikning - "Spökföretag"

CRM-system skapar ofta dubblettföretag när domännamn varierar (t.ex. acme.com kontra acme.co.uk).

1. Matcha företagsposter genom domänrot (ignorerar www, .com, .co.uk)
2. Ställ in ignorerade villkor för att hoppa över juridiska suffix (Inc., LLC, Ltd.).
3. Ange en Merge Rule för val av primär post för att behålla den äldsta posten.
4. Förhandsvisa sammanfogningsresultatet för att bekräfta att dina matchningskriterier och sammanfogningsregler ger önskat resultat.
5. Slå ihop all äldre data gruppvis.
6. Aktivera Auto Merge enligt ett dagligt schema.

Scenario för komplexa och höga risker (Ops & ERP-data)

I det här scenariot synkroniserar Operations finansiell data, fakturerings-ID:n och avtalsuppgifter från Salesforce eller anslutna ERP-system där sammanslagning av ett felaktigt konto medför hög risk.

1. Skapa en Duplicate Search med unika identifieringsfält (t.ex. skatte-ID eller ERP-kundnummer).
2. Aktivera Auto Match i stället för Auto Merge för att ställa in ett aviseringströskelvärde (t.ex. Meddela när 10 dupletgrupper samlas).
3. När du meddelas öppnar du matchresultaten och behandlar poster efter behov:

• Manual Review: Placerar gruppen i en väntekö för godkännande från teamledare eller kontoägare.
• Slå samman: Utför sammanslagningen omedelbar efter att fältöverlevnad är verifierad.
• Avvisa: Avvisar den aktuella matchningen utan att skapa en permanent exklusionsregel.

Nämns i den här artikeln: Hitta dubbletter, Duplicate Searches, Slå samman dubbletter, Merge Rules, Auto Match, Manual Review, och Avvisade matchningar.