Aktualität: Konfigurationsszenarien

Was diese Szenarien abdecken

Diese Seite führt durch drei praxisnahe Konfigurationen der DQS-Aktualitätsanalyse. Jedes Szenario behandelt ein konkretes geschäftliches Problem, zeigt die exakten Einstellungen und erklärt, wie die Ergebnisse zu lesen sind.

Diese Anleitungen bauen auf den Konzepten aus dem Hauptartikel Aktualität auf. Lesen Sie diesen zuerst, falls Aktualitätsmetriken, der diagnostische Ablauf oder Konfigurationsoptionen wie Freshness Window und Null As Stale neu für Sie sind.

Szenario 1: Aktualität des Lead-Outreach auf einem benutzerdefinierten Datumsfeld

Das Problem

Ihr Vertriebsteam erfasst in einem benutzerdefinierten Feld Last_Outreach_Date__c auf dem Lead-Objekt, wann jeder Lead zuletzt kontaktiert wurde. SDRs aktualisieren dieses Feld manuell nach jedem Anruf oder jeder E-Mail. Das CRM zeigt 8.000 offene Leads, aber niemand weiß, wie viele aktuelle Outreach haben. Einige Leads wurden nie kontaktiert, weil das Feld leer gelassen wurde. Das Sales-Ops-Team benötigt eine klare Aufschlüsselung von aktuellen und veralteten Leads, um die Queue zu priorisieren und übersehene Leads aufzufangen.

Warum ein benutzerdefiniertes Feld? Standard-Datumsfelder in Salesforce wie LastModifiedDate sind immer befüllt und aktualisieren sich automatisch. Ein benutzerdefiniertes Datumsfeld wie Last_Outreach_Date__c hängt von Benutzereingaben ab. Es kann null (nie kontaktiert), veraltet (vor Monaten kontaktiert) oder aktuell sein. Das macht es zu einem guten Ziel für eine Aktualitätsanalyse mit aktiviertem Null As Stale.

Konfiguration

Dies ist eine einfache Aktualitätsprüfung. Verwenden Sie den Modus Data Freshness auf dem Lead-Objekt mit dem Zielfeld Last_Outreach_Date__c. Sie benötigen die Headline-Aktualitätsrate und die Veraltungs-Aufschlüsselung, nicht die erweiterten Anomalie-Metriken.

Last_Outreach_Date__c ist ein „Letztes-Ereignis”-Feld. Freshness Rate ist hier die richtige Headline-Metrik. Overdue Rate wäre tautologisch hoch, da die meisten Outreach-Daten naturgemäß in der Vergangenheit liegen.

Beispielergebnisse

Gesamtzahl ausgewerteter Lead-Datensätze: 8.000.

Ergebnisse interpretieren

Beginnen Sie mit der Schlagzeile: 38 % Aktualität. Das bedeutet, dass 62 % Ihrer offenen Leads, also 4.960 Datensätze, in den letzten 30 Tagen keinen Outreach erhalten haben. Ihre SDRs arbeiten aus einem Pool von 8.000 Leads, von denen fast zwei Drittel kalt sind.

Schlüsseln Sie nun auf, was die 62 % Staleness enthalten.

Null As Stale ist EIN, daher werden Nulls als veraltet gezählt. Wenn 1.200 dieser 4.960 veralteten Datensätze ein null Last_Outreach_Date__c haben, wurden diese Leads nie kontaktiert. Sie sind über ein Webformular, einen Import oder eine Integration ins System gekommen, und niemand hat Outreach protokolliert. Die restlichen 3.760 Datensätze haben ein Outreach-Datum, aber es liegt länger als 30 Tage zurück.

Zwei Gruppen, zwei unterschiedliche Aktionen:

• Für die 1.200 Nulls: Dies sind unberührte Leads. Leiten Sie sie für den Erstkontakt an SDRs weiter. Sie sind nicht „veraltet” im herkömmlichen Sinne. Es sind Leads, die durchgerutscht sind.
• Für die 3.760 mit alten Outreach-Daten: Dies sind Leads, bei denen Outreach stattfand, aber das Engagement endete. Prüfen Sie die Altersverteilung. Wenn die meisten Daten bei 31–45 Tagen clustern, kann eine schnelle Follow-up-Kampagne viele zurück ins aktuelle Fenster bringen. Wenn die meisten Daten 90+ Tage alt sind, ziehen Sie Recycling oder Archivierung in Betracht.

Was als Nächstes zu tun ist

Nutzen Sie die Freshness Rate zur Segmentierung Ihres Lead-Pools. Erstellen Sie eine List View oder einen Report, gefiltert auf Last_Outreach_Date__c innerhalb der letzten 30 Tage, und leiten Sie diese 3.040 aktuellen Leads zuerst an Ihre SDRs. Verfolgen Sie die Freshness Rate über die Zeit. Fällt sie zwischen Scans, hat Ihr Lead-Follow-up-Prozess eine Lücke. Steigt sie, funktioniert Ihre Outreach-Kadenz.

Szenario 2: Vertragsverlängerungs-Deadline-Tracking

Das Problem

Ihr Customer-Success-Team verwaltet 2.500 aktive Verträge. Verlängerungen werden im Feld Contract_End_Date__c auf dem Account-Objekt erfasst. Das Team erhält einen vierteljährlichen Bericht anstehender Verlängerungen, aber Verträge, die ihr Enddatum ohne Verlängerung überschreiten, bleiben wochenlang unbemerkt. Wenn jemand einen abgelaufenen Vertrag bemerkt, hat der Kunde bereits Wettbewerber geprüft. Sie brauchen eine Möglichkeit zu messen, wie viele Verträge überfällig sind und um wie viel.

Konfiguration

Verwenden Sie den Modus Advanced Data Freshness auf dem Account-Objekt mit dem Zielfeld Contract_End_Date__c. Sie benötigen Overdue Rate mit einer Grace Period, da es sich um ein Deadline-Feld handelt, bei dem „überfällig” eine direkte geschäftliche Bedeutung hat.

Contract_End_Date__c ist ein Deadline-Feld. Overdue Rate ist hier die richtige Headline-Metrik, nicht Freshness Rate. Die Frage lautet „Wie viele Verträge sind überfällig?”, nicht „Wie viele Vertragsdaten sind aktuell?”.

Beispielergebnisse

Grundmetriken:

Erweiterte Metriken:

Gesamtzahl ausgewerteter Account-Datensätze: 2.500.

Ergebnisse interpretieren

Overdue Rate (14 %) ist Ihre Headline-Zahl. 350 Verträge sind mehr als 30 Tage über ihr Enddatum hinaus ohne Aktualisierung. Dies sind aktive Umsatzleckage-Risiken. Die 30-tägige Grace Period hat bereits Verträge im normalen Verlängerungsfenster herausgefiltert, also stecken diese 350 wirklich fest.

Freshness Rate (64 %) liefert Kontext. 64 % der Vertragsenddaten liegen innerhalb der letzten 365 Tage. Das sagt Ihnen, dass die meisten Verträge innerhalb eines Verlängerungszyklus berührt wurden. Die 34,8 %, die veraltet sind, umfassen sowohl die überfälligen Verträge als auch Verträge mit sehr alten Enddaten, die nach einer Verlängerung nie aktualisiert wurden.

Average Age (210 Tage) offenbart die Tiefe des Problems. Das mittlere Alter der Vertragsenddaten beträgt 210 Tage. Bei einem 365-tägigen Freshness Window liegt dieser Durchschnitt innerhalb des Fensters, aber näher am veralteten Rand. Ihr Datensatz neigt zu älteren Daten, was bedeutet, dass viele Verträge sich ihrem nächsten Verlängerungsfenster nähern.

Future Rate (1,2 %) markiert 30 Datensätze mit Vertragsenddaten in der Zukunft. Für ein Vertragsenddatum ist ein zukünftiges Datum normal. Es bedeutet, dass der Vertrag noch nicht abgelaufen ist. Eine Future Rate von 1,2 % bei 2.500 Verträgen bedeutet, dass nur 30 zukünftige Enddaten haben. Das ist ein nützlicher Datenpunkt: Er sagt Ihnen, dass die überwiegende Mehrheit der Verträge in Ihrem System bereits über das Enddatum hinaus ist und das Feld Contract_End_Date__c selten aktualisiert wird, um Verlängerungserweiterungen zu reflektieren.

Die geschäftliche Rechnung: 350 überfällige Verträge zu Ihrem durchschnittlichen Vertragswert repräsentieren echten gefährdeten Umsatz. Wenn Ihr durchschnittlicher Jahresvertrag 15.000 $ beträgt, sind das 5,25 Millionen $ an Verträgen, die überfällig sind und keine aktive Verlängerung erfasst haben.

Was als Nächstes zu tun ist

Bauen Sie eine Prioritätenliste aus den 350 überfälligen Verträgen. Sortieren Sie nach Vertragswert und Tagen seit Überfälligkeit. Weisen Sie jeden einem Customer Success Manager zur sofortigen Kontaktaufnahme zu. Führen Sie nach der ersten Bereinigung den Scan monatlich durch. Verfolgen Sie Overdue Rate als primäre Metrik für die Verlängerungsgesundheit. Eine steigende Overdue Rate zwischen Scans bedeutet, dass Ihr Verlängerungsprozess hinterherhinkt.

Szenario 3: Pipeline-Datum-Bereinigung nach Datenmigration

Das Problem

Ihr Unternehmen hat vor sechs Monaten 12.000 Opportunity-Datensätze von einem Legacy-CRM nach Salesforce migriert. Pipeline-Berichte sehen falsch aus: Deals erscheinen in Quartalen, in die sie nicht gehören, und Forecast-Totals enthalten Beträge aus jahrealten Opportunities. Das RevOps-Team vermutet, dass das Feld CloseDate Legacy-Daten aus dem alten System (einige aus 2015) und vom Migrationstool eingeschleuste Platzhalterdaten (2099-12-31) enthält. Bevor das Team der Pipeline vertrauen kann, muss es genau wissen, wie viele Close Dates außerhalb eines realistischen Bereichs liegen.

Konfiguration

Verwenden Sie den Modus Advanced Data Freshness auf dem Opportunity-Objekt mit dem Zielfeld CloseDate. Sie benötigen Operational Range Rate, um zu definieren, was als „realistisches” Close Date zählt, und alles außerhalb dieser Grenze zu erfassen.

Die Operational-Range-Eingaben verwenden „Tage in der Vergangenheit” und „Tage in der Zukunft” ab heute. DQS konvertiert diese zur Scanzeit in absolute Daten. Wenn Sie diesen Scan am 1. März 2026 ausführen, wird der Bereich zu 1. März 2025 bis 28. August 2026. Jedes Close Date vor dem 1. März 2025 oder nach dem 28. August 2026 wird als außerhalb des Bereichs markiert.

Beispielergebnisse

Grundmetriken:

Erweiterte Metriken:

Gesamtzahl ausgewerteter Opportunity-Datensätze: 12.000.

Ergebnisse interpretieren

Operational Range Rate (71 %) ist Ihre Headline-Zahl. 71 % der Close Dates liegen innerhalb des realistischen Bereichs (1 Jahr in der Vergangenheit bis 6 Monate in der Zukunft). Das bedeutet, dass 29 % bzw. 3.480 Datensätze Close Dates außerhalb dieser Grenze haben. Dies sind die Datensätze, die Ihre Pipeline verzerren.

Schlüsseln Sie auf, was außerhalb des Bereichs liegt:

Future Rate (9,5 %) markiert 1.140 Datensätze mit Close Dates in der Zukunft. Einige davon sind normal: offene Opportunities mit bevorstehenden Close Dates innerhalb der nächsten 6 Monate sind zu erwarten und fallen in den operativen Bereich. Die von Future Rate markierten Datensätze sind alle Close Dates nach heute. Kreuzen Sie sie mit dem operativen Bereich: Datensätze, die sowohl in der Zukunft datiert sind UND außerhalb der 180-Tage-Zukunftsgrenze liegen, sind die problematischen. Dies sind Platzhalterdaten wie 2099-12-31 oder unrealistisch weit entfernte Close Dates aus der Migration.

Die Aufschlüsselung außerhalb des Bereichs sieht so aus:

Average Age (285 Tage) bestätigt den Legacy-Datenballast. Das mittlere Alter über alle Close Dates hinweg beträgt 285 Tage, weit außerhalb Ihres 180-Tage-Freshness-Window. Dieser hohe Durchschnitt spiegelt das große Volumen alter migrierter Daten wider, die die Zahl nach oben ziehen. Nach der Bereinigung der Legacy-Datensätze erwarten Sie einen starken Rückgang dieser Zahl.

Freshness Rate (52 %) gibt Ihnen die Baseline der Pipeline-Gesundheit. Nur etwa die Hälfte Ihrer Close Dates liegen innerhalb der letzten 6 Monate. Nach Entfernung der 3.480 Datensätze außerhalb des Bereichs berechnen Sie neu. Ihr bereinigter Datensatz mit 8.520 Datensätzen wird eine deutlich höhere Aktualitätsrate haben, und Ihre Pipeline-Berichte werden endlich aktuelle Deals widerspiegeln.

Was als Nächstes zu tun ist

Exportieren Sie die 3.480 Datensätze außerhalb des Bereichs. Teilen Sie sie in zwei Bereinigungsschienen:

• Legacy-Daten (2.340 Datensätze): Nach Stage überprüfen. Closed-Won- und Closed-Lost-Opportunities mit alten Close Dates sind historische Datensätze. Belassen, aber aus aktiven Pipeline-Ansichten ausschließen. Offene Opportunities mit Close Dates von 2015–2024 sind tote Deals, die im alten System nie geschlossen wurden. Aktualisieren Sie ihre Stage zu Closed-Lost.
• Platzhalterdaten (1.140 Datensätze): Ersetzen Sie 2099-12-31 und ähnliche Platzhalter durch realistische Close Dates basierend auf der Opportunity-Stage und dem Erstellungsdatum. Für Deals ohne klaren Close-Zeitplan setzen Sie das Close Date auf das Ende des aktuellen Quartals und kennzeichnen sie zur Vertriebsüberprüfung.

Scannen Sie nach der Bereinigung erneut. Ihr Ziel ist eine Operational Range Rate über 95 % und eine Freshness Rate über 75 % für die aktive Pipeline.

Ihre Konfiguration wählen

Nutzen Sie diese Tabelle, um den richtigen Ausgangspunkt für Ihre Aktualitätsanalyse zu wählen.

Für eine vollständige Referenz aller 6 Aktualitätsmetriken und ihrer Einordnung in den diagnostischen Ablauf kehren Sie zum Hauptartikel Aktualität zurück.

Bereit, Ihre eigene Datenqualität zu messen? Nehmen Sie am AI Readiness Assessment teil, um Ihre Aktualitätswerte und mehr zu sehen.