Tempestivita: scenari di configurazione

Cosa coprono questi scenari

Questa pagina illustra tre configurazioni reali dell’analisi di tempestivita di DQS. Ogni scenario affronta un problema aziendale specifico, mostra le impostazioni esatte da utilizzare e spiega come leggere i risultati.

Queste guide si basano sui concetti trattati nell’articolo principale sulla Tempestivita. Si consiglia di leggerlo prima se non si ha familiarita con le metriche di tempestivita, il flusso diagnostico o le opzioni di configurazione come Freshness Window e Null As Stale.

Scenario 1: freschezza dell’outreach sui Lead con un campo data personalizzato

Il problema

Il team commerciale traccia l’ultimo contatto con ciascun Lead in un campo personalizzato Last_Outreach_Date__c sull’oggetto Lead. Gli SDR aggiornano questo campo manualmente dopo ogni chiamata o email. Il CRM mostra 8.000 Lead aperti, ma nessuno sa quanti abbiano un outreach recente. Alcuni Lead non sono mai stati contattati perche il campo e stato lasciato vuoto. Il team sales ops necessita di un conteggio chiaro di Lead freschi vs obsoleti per poter prioritizzare la coda e intercettare i Lead che sono sfuggiti.

Perche un campo personalizzato? I campi data standard di Salesforce come LastModifiedDate sono sempre popolati e si aggiornano automaticamente. Un campo data personalizzato come Last_Outreach_Date__c dipende dall’input dell’utente. Puo essere null (mai contattato), obsoleto (contattato mesi fa) o attuale. Cio lo rende un buon candidato per l’analisi di freschezza con Null As Stale abilitato.

Configurazione

Si tratta di un semplice controllo di freschezza. Utilizzare la modalita Data Freshness sull’oggetto Lead, selezionando il campo Last_Outreach_Date__c. Servono il tasso di freschezza principale e la suddivisione dell’obsolescenza, non le metriche avanzate sulle anomalie.

Last_Outreach_Date__c e un campo «ultimo evento». Il Freshness Rate e la metrica principale corretta in questo caso. L’Overdue Rate risulterebbe tautologicamente alto perche la maggior parte delle date di outreach e nel passato per natura.

Risultati di esempio

Totale record Lead valutati: 8.000.

Lettura dei risultati

Si parta dal dato principale: 38% di freschezza. Cio significa che il 62% dei Lead aperti, 4.960 record, non ha avuto outreach negli ultimi 30 giorni. Gli SDR stanno lavorando su un pool di 8.000 Lead dove quasi due terzi sono freddi.

Ora si analizzi cosa contiene il 62% di obsolescenza.

Null As Stale e ON, quindi i null sono conteggiati come obsoleti. Se 1.200 di quei 4.960 record obsoleti hanno un Last_Outreach_Date__c null, quei Lead non sono mai stati contattati. Sono entrati nel sistema tramite un modulo web, un’importazione o un’integrazione e nessuno ha registrato l’outreach. I rimanenti 3.760 record hanno una data di outreach, ma e precedente ai 30 giorni.

Due gruppi, due azioni diverse:

• Per i 1.200 null: questi sono Lead mai toccati. Instradarli verso gli SDR per il primo contatto. Non sono «obsoleti» nel senso tradizionale. Sono Lead che sono sfuggiti.
• Per i 3.760 con date di outreach vecchie: questi sono Lead dove l’outreach e avvenuto ma l’engagement si e interrotto. Esaminare la distribuzione per eta. Se la maggior parte delle date si concentra tra 31-45 giorni, una rapida campagna di follow-up puo riportarne molti nella finestra di freschezza. Se la maggior parte delle date risale a 90+ giorni fa, considerare il riciclo o l’archiviazione.

Cosa fare dopo

Utilizzare il Freshness Rate per segmentare il pool dei Lead. Creare una list view o un report filtrato su Last_Outreach_Date__c negli ultimi 30 giorni e instradare quei 3.040 Lead freschi verso gli SDR per primi. Monitorare il Freshness Rate nel tempo. Se scende tra le scansioni, il processo di follow-up dei Lead ha un gap. Se sale, la cadenza di outreach sta funzionando.

Scenario 2: tracciamento delle scadenze di rinnovo dei contratti

Il problema

Il team customer success gestisce 2.500 contratti attivi. I rinnovi sono tracciati nel campo Contract_End_Date__c sull’oggetto Account. Il team riceve un report trimestrale dei rinnovi imminenti, ma i contratti che superano la data di scadenza senza rinnovo passano inosservati per settimane. Quando qualcuno nota un contratto scaduto, il cliente ha gia iniziato a valutare la concorrenza. Serve un modo per misurare quanti contratti sono in ritardo e di quanto.

Configurazione

Utilizzare la modalita Advanced Data Freshness sull’oggetto Account, selezionando il campo Contract_End_Date__c. Serve l’Overdue Rate con un periodo di grazia perche questo e un campo di scadenza dove «in ritardo» ha un significato aziendale diretto.

Contract_End_Date__c e un campo di scadenza. L’Overdue Rate e la metrica principale corretta in questo caso, non il Freshness Rate. La domanda e «quanti contratti sono in ritardo?» non «quante date di contratto sono recenti?»

Risultati di esempio

Metriche di base:

Metriche avanzate:

Totale record Account valutati: 2.500.

Lettura dei risultati

Overdue Rate (14%) e il dato principale. 350 contratti hanno superato di oltre 30 giorni la data di scadenza senza essere aggiornati. Questi rappresentano rischi attivi di perdita di fatturato. Il periodo di grazia di 30 giorni ha gia filtrato i contratti nella normale finestra di rinnovo, quindi questi 350 sono genuinamente bloccati.

Freshness Rate (64%) fornisce il contesto. Il 64% delle date di fine contratto rientra negli ultimi 365 giorni. Cio indica che la maggior parte dei contratti e stata toccata entro un ciclo di rinnovo. Il 34,8% di record obsoleti include sia i contratti in ritardo sia i contratti con date di scadenza molto vecchie mai aggiornate dopo il rinnovo.

Average Age (210 giorni) rivela la profondita del problema. L’eta media delle date di fine contratto e 210 giorni. Data una finestra di freschezza di 365 giorni, questa media si colloca all’interno della finestra ma piu vicina al confine dell’obsolescenza. Il dataset e sbilanciato verso date piu vecchie, il che significa che molti contratti si avvicinano alla prossima finestra di rinnovo.

Future Rate (1,2%) segnala 30 record con date di fine contratto nel futuro. Per una data di fine contratto, una data futura e normale. Significa che il contratto non e ancora scaduto. Un Future Rate dell’1,2% su 2.500 contratti significa che solo 30 hanno date di scadenza future. Questo e un dato utile: indica che la stragrande maggioranza dei contratti nel sistema ha gia superato la data di scadenza, e il campo Contract_End_Date__c viene raramente aggiornato per riflettere le estensioni di rinnovo.

Il calcolo aziendale: 350 contratti in ritardo al valore medio del contratto rappresentano fatturato reale a rischio. Se il contratto annuale medio e di 15.000 $, si tratta di 5,25 milioni di $ in contratti in ritardo senza un rinnovo attivo registrato.

Cosa fare dopo

Costruire una coda di priorita dai 350 contratti in ritardo. Ordinare per valore del contratto e giorni di ritardo. Assegnare ciascuno a un customer success manager per l’outreach immediato. Dopo il cleanup iniziale, eseguire la scansione mensilmente. Monitorare l’Overdue Rate come metrica primaria di salute dei rinnovi. Un Overdue Rate in aumento tra le scansioni significa che il processo di rinnovo sta rimanendo indietro.

Scenario 3: cleanup delle date della pipeline dopo una migrazione dati

Il problema

L’azienda ha migrato 12.000 record Opportunity da un CRM legacy in Salesforce sei mesi fa. I report della pipeline appaiono errati: le trattative compaiono in trimestri a cui non appartengono e i totali delle previsioni includono importi da Opportunity vecchie di anni. Il team RevOps sospetta che il campo CloseDate contenga date legacy dal vecchio sistema (alcune del 2015) e date segnaposto (2099-12-31) iniettate dallo strumento di migrazione. Prima che il team possa fidarsi della pipeline, e necessario sapere esattamente quante date di chiusura cadono al di fuori di un intervallo realistico.

Configurazione

Utilizzare la modalita Advanced Data Freshness sull’oggetto Opportunity, selezionando il campo CloseDate. Serve l’Operational Range Rate per definire cosa si considera una data di chiusura «realistica» e intercettare tutto cio che e al di fuori di quel confine.

Gli input di Operational Range utilizzano «giorni nel passato» e «giorni nel futuro» da oggi. DQS li converte in date assolute al momento della scansione. Se si esegue questa scansione il 1 marzo 2026, l’intervallo diventa dal 1 marzo 2025 al 28 agosto 2026. Qualsiasi data di chiusura prima del 1 marzo 2025 o dopo il 28 agosto 2026 viene segnalata come fuori intervallo.

Risultati di esempio

Metriche di base:

Metriche avanzate:

Totale record Opportunity valutati: 12.000.

Lettura dei risultati

Operational Range Rate (71%) e il dato principale. Il 71% delle date di chiusura rientra nell’intervallo realistico (1 anno nel passato fino a 6 mesi nel futuro). Cio significa che il 29%, ovvero 3.480 record, ha date di chiusura al di fuori di questo confine. Questi sono i record che distorcono la pipeline.

Si analizzi cosa si trova al di fuori dell’intervallo:

Future Rate (9,5%) segnala 1.140 record con date di chiusura nel futuro. Alcune di queste sono normali: Opportunity aperte con date di chiusura imminenti entro i prossimi 6 mesi sono attese e rientrano nell’intervallo operativo. I record che il Future Rate segnala qui sono tutte date di chiusura successive a oggi. Incrociare con l’intervallo operativo: i record che sono sia con data futura SIA al di fuori del confine di 180 giorni nel futuro sono quelli problematici. Questi sono date segnaposto come 2099-12-31 o date di chiusura irrealisticamente lontane dalla migrazione.

La suddivisione fuori intervallo si presenta cosi:

Average Age (285 giorni) conferma il peso dei dati legacy. L’eta media su tutte le date di chiusura e 285 giorni, ben oltre la finestra di freschezza di 180 giorni. Questa media elevata riflette il grande volume di date migrate vecchie che tirano il numero verso l’alto. Dopo aver pulito i record legacy, ci si aspetta che questo numero scenda nettamente.

Freshness Rate (52%) fornisce la baseline di salute della pipeline. Solo circa la meta delle date di chiusura rientra negli ultimi 6 mesi. Dopo aver rimosso i 3.480 record fuori intervallo, ricalcolare. Il dataset pulito di 8.520 record avra un tasso di freschezza molto piu alto, e i report della pipeline rifletteranno finalmente le trattative attuali.

Cosa fare dopo

Esportare i 3.480 record fuori intervallo. Suddividerli in due percorsi di cleanup:

• Date legacy (2.340 record): esaminare per fase. Le Opportunity Closed-Won e Closed-Lost con date di chiusura vecchie sono record storici. Lasciarle ma escluderle dalle viste della pipeline attiva. Le Opportunity aperte con date di chiusura dal 2015-2024 sono trattative morte che non sono mai state chiuse nel vecchio sistema. Aggiornare la loro fase a Closed-Lost.
• Date segnaposto (1.140 record): sostituire 2099-12-31 e segnaposto simili con date di chiusura realistiche basate sulla fase dell’Opportunity e sulla data di creazione. Per le trattative senza una tempistica di chiusura chiara, impostare la data di chiusura alla fine del trimestre corrente e contrassegnare per la revisione commerciale.

Dopo il cleanup, eseguire nuovamente la scansione. L’obiettivo e un Operational Range Rate superiore al 95% e un Freshness Rate superiore al 75% per la pipeline attiva.

Scelta della configurazione

Utilizzare questa tabella per scegliere il punto di partenza corretto per l’analisi di tempestivita.

Per un riferimento completo di tutte le 6 metriche di tempestivita e di come si inseriscono nel flusso diagnostico, tornare all’articolo principale sulla Tempestivita.

Pronti a misurare la qualita dei propri dati? Effettuare la Valutazione di preparazione all’IA per vedere i punteggi di tempestivita e altro ancora.