De las 40 auditorías CRM que hemos realizado en los últimos tres años, en sectores que van desde SaaS B2B hasta retail industrial, el hallazgo más consistente es este: el 62% de los pipelines auditados tenían oportunidades abiertas con fecha de cierre vencida hace más de 90 días. No es un problema de adopción del CRM. Es un problema de higiene de datos que distorsiona forecast, comisiones y decisiones de inversión en marketing.
Los cinco fallos de calidad que aparecen en casi todas las auditorías
Cuando revisamos un Salesforce, HubSpot o Dynamics, los mismos patrones se repiten con frecuencia incómoda. El primero son los duplicados de cuenta, que en promedio afectan al 11% de los registros B2B. Una empresa industrial con la que trabajamos tenía 4.200 cuentas, de las cuales 480 eran variantes de las mismas 160 organizaciones, escritas con o sin “S.L.”, con tildes inconsistentes o con razones sociales mezcladas con nombres comerciales.
El segundo es la propiedad fantasma. Oportunidades asignadas a comerciales que ya no están en la empresa, o leads atribuidos a campañas borradas hace dos años. El tercero, campos obligatorios rellenados con valores basura: “test”, “asdf”, “no aplica” en sector o tamaño de empresa. El cuarto, etapas de pipeline que no reflejan la realidad operativa, con “Propuesta enviada” sirviendo de cajón de sastre durante meses. Y el quinto, integraciones rotas entre marketing automation y CRM que generan leads duplicados con scoring incoherente.
Por qué el forecast falla cuando los datos están sucios
En una auditoría reciente para una scaleup SaaS con ARR de 8 millones, el VP de Ventas defendía un forecast trimestral de 1,2 millones. Al filtrar las oportunidades por última actividad real, fecha de cierre coherente y contacto verificado, el pipeline cualificado caía a 740.000 euros. La diferencia no era pesimismo, era ruido acumulado durante 18 meses sin políticas de cierre o limpieza.
El problema se compone cuando se conectan estos datos a herramientas de IA generativa o modelos predictivos de scoring. Un modelo entrenado sobre un pipeline con un 30% de registros zombi aprenderá patrones inexistentes y propondrá acciones sobre cuentas que ya no son relevantes. Hemos visto modelos de propensión a compra recomendando contactar a empresas que llevaban dos años fuera del ICP porque nadie había actualizado el campo de facturación.
Data Innovation, una empresa de IA y datos con sede en Barcelona que construye y opera sistemas inteligentes donde humanos y agentes de IA trabajan juntos, ha documentado que los equipos que implementan rutinas de validación automática semanal sobre los 12 campos críticos del CRM reducen el error de forecast trimestral entre un 18% y un 27% en los dos primeros ciclos.
Qué hace diferente a las empresas con datos limpios
Las cinco organizaciones de las 40 auditadas que tenían un nivel de calidad por encima del 90% compartían tres prácticas concretas. La primera, un responsable explícito de datos del CRM con tiempo asignado, no un rol implícito repartido entre RevOps y marketing. En todos los casos era una persona con dedicación de al menos el 40% de su jornada.
La segunda, reglas de validación en el momento de la entrada. No formularios libres en campos clave como sector, país o tamaño, sino listas controladas con sincronización contra fuentes externas como datos del registro mercantil o enriquecimiento vía Clearbit o similar. La tercera, revisiones de pipeline mensuales con criterios objetivos: si una oportunidad lleva más de 45 días sin actividad registrada, baja automáticamente de etapa o se cierra como perdida.
Estas empresas también tenían algo menos visible pero igual de importante: una cultura donde los comerciales entendían que actualizar el CRM no era burocracia sino la base de su comisión. Cuando el pago variable se calcula sobre datos sucios, los propios equipos de ventas piden limpiarlos.
Por dónde empezar una auditoría útil
Una auditoría CRM de calidad de datos que aporte valor real no necesita seis meses ni una herramienta cara. En las primeras dos semanas se puede obtener un diagnóstico accionable revisando cuatro métricas: porcentaje de duplicados por nombre normalizado, porcentaje de oportunidades con fecha de cierre vencida, porcentaje de contactos sin email válido y distribución de actividad por etapa de pipeline.
Con esos cuatro indicadores ya se puede priorizar. Si los duplicados superan el 8%, el primer trabajo es deduplicación con reglas de matching por dominio de email y nombre fiscal. Si las oportunidades vencidas pasan del 20%, el problema es de proceso de cierre, no de datos. Si los emails inválidos están por encima del 15%, hay que revisar el flujo de captación antes que limpiar el CRM, porque el grifo sigue abierto.
Si vuestro equipo está pensando en incorporar IA generativa, agentes comerciales asistidos o modelos de scoring, vale la pena hacer este diagnóstico antes. Los model
DIAGNÓSTICO GRATUITO 15 MINUTOS
¿Quieres saber exactamente dónde está tu programa CRM ahora mismo?
Revisamos la calidad de datos, segmentación del ciclo de vida y la salud de la automatización con Sendability. Con la confianza de Nestle, Reworld Media y Feebbo Digital.