CRM-Hygiene: Designproblem statt Disziplinproblem
Warum CRM-Aufräum-Initiativen nach wenigen Wochen scheitern — und wie Sie mit Feld-Diät, automatischer Erfassung und Validierung beim Eintritt gegensteuern.
Drei Aufräum-Initiativen, jede hielt ein paar Wochen
Ein GTM-Praktiker beschreibt in einem Fach-Forum einen Ablauf, den viele Vertriebsorganisationen wiedererkennen werden: In zwei Jahren fuhr er drei CRM-Hygiene-Initiativen. Jede startete gleich — ein Meeting über die Verantwortung der Reps, eine Rubrik für Datenqualität, ein Quartals-Audit. Und jedes Mal war das CRM nach etwa sechs Wochen wieder in dem Zustand, aus dem es gerade befreit worden war.
Seine Diagnose trifft den Kern:
Reps pflegen die CRM-Daten nicht, weil CRM-Daten ihnen nicht beim Abschluss helfen. Sie helfen Managern beim Reporting.
Das ist die entscheidende Unterscheidung. Wer schlechte CRM-Daten als Verhaltensproblem behandelt, sucht die Ursache bei den Menschen. Wer sie als Designproblem behandelt, sucht sie im System — und findet sie dort auch.
Hinweis zur Quelle: „Drei Initiativen” und „sechs Wochen” sind die Erfahrung eines einzelnen Praktikers, kein Benchmark. Wir führen sie hier als Muster, nicht als Statistik.
Warum Disziplin die falsche Diagnose ist
Ein Rep, der ein Pflichtfeld leer lässt, verhält sich nicht undiszipliniert. Er verhält sich ökonomisch.
Die typische CRM-Eingabemaske im B2B verlangt Angaben, deren Nutzen woanders anfällt: Forecast-Kategorie, Deal-Quelle, Wettbewerber-Feld, Next-Step-Datum, drei Custom Fields aus einem Reporting-Projekt von vor zwei Jahren. Für den Forecast des Managements ist jedes davon wertvoll. Für das nächste Gespräch des Reps ist keines davon relevant.
Damit entsteht eine Asymmetrie, die kein Meeting auflöst:
| Wer trägt den Aufwand | Wer bekommt den Nutzen | |
|---|---|---|
| Pflichtfelder für den Forecast | Rep, bei jedem Deal | Management, einmal pro Monat |
| Aktivitäts-Logging von Hand | Rep, nach jedem Call | Reporting, im Quartal |
| Custom Fields aus Altprojekten | Rep, dauerhaft | niemand |
Solange diese Asymmetrie besteht, ist Nichtpflege die rationale Antwort. Accountability-Meetings verschieben das Verhalten für einige Wochen, weil Aufmerksamkeit kurzfristig als Anreiz wirkt. Danach gewinnt wieder die Ökonomie des Arbeitsalltags. Genau das erklärt die Sechs-Wochen-Halbwertszeit.
Der Test, der die Diagnose entscheidet: Nehmen Sie ein beliebiges Pflichtfeld und beantworten Sie eine Frage — hilft dieser Wert einem Rep im nächsten Gespräch, oder steuert er eine Automatisierung, die ihm Arbeit abnimmt? Wenn beides nein ist, ist das Feld kein Disziplinfall. Es ist ein Designfehler.
Was das für bestehende Bereinigungs-Routinen heißt
An dieser Stelle eine ehrliche Einordnung in eigener Sache: Unser Leitfaden zur Datenbereinigung im B2B-CRM beschreibt ein sauberes Vorgehen in vier Phasen — Bestandsaufnahme, Duplikate, Enrichment, automatisierte Pflege — samt monatlicher und quartalsweiser Routine. Dieses Vorgehen bleibt richtig. Es ist die beste Antwort auf die Frage „Wie bekomme ich den Bestand sauber?”.
Nur ist das nicht die Frage, an der die drei gescheiterten Initiativen hängen. Deren Frage lautet: „Warum ist der Bestand sechs Wochen später wieder dreckig?”
Eine Quartals-Bereinigung ist ein Audit. Ein Audit fängt schlechte Daten ein, nachdem sie entstanden sind. Das ist notwendig, solange die Entstehung nicht unterbunden ist — aber es ist keine Ursachenbehandlung. Wer beides verwechselt, plant Bereinigung dauerhaft als wiederkehrendes Projekt ein, statt sie überflüssig zu machen.
Die praktische Konsequenz: Bereinigen Sie den Bestand nach dem bestehenden Vorgehen, aber behandeln Sie im selben Zug das Design. Sonst kaufen Sie sich ein Quartal Ruhe.
Die drei Eingriffe, die am Design ansetzen
Was bei den Teams funktioniert hat, die es hinbekommen haben, war keine strengere Durchsetzung. Es waren drei Eingriffe am System selbst.
1. Feld-Diät: löschen, was niemand nutzt
Der günstigste Qualitätsgewinn entsteht durch Wegnehmen. Jedes Feld, das niemand liest, kostet trotzdem Eingabezeit — und senkt die Sorgfalt bei den Feldern, auf die es ankommt. Eine Maske mit acht relevanten Feldern wird sauberer gepflegt als eine mit dreißig, von denen zwanzig egal sind.
Vorgehen:
- Feldliste exportieren und je Feld den Füllgrad ermitteln
- Prüfen, welche Felder in den letzten 90 Tagen tatsächlich in einer Ansicht, einem Report oder einer Automatisierung verwendet wurden
- Alles, was leer und ungenutzt ist: aus der Eingabemaske entfernen (archivieren statt hart löschen, damit Historie erhalten bleibt)
- Für die verbleibenden Felder je einen Verantwortlichen und einen Verwendungszweck dokumentieren
Der Zweck ist nicht Minimalismus. Der Zweck ist, dass jedes verbleibende Feld eine Begründung hat, die ein Rep akzeptiert.
2. Automatisch erfassen, was sich automatisch erfassen lässt
Alles, was ein System selbst wissen kann, sollte kein Eingabefeld sein. Das gilt für einen großen Teil dessen, was heute von Hand getippt wird:
- Aktivitäten — E-Mails, Calls und Meetings über die Kalender- und Postfach-Integration protokollieren, statt sie nachträglich eintragen zu lassen
- Firmendaten — Branche, Größe und Domain per Anreicherung setzen, nicht per Freitext
- Zuordnungen — Kontakt zu Firma über die E-Mail-Domain automatisch verknüpfen
- Zeitstempel und Stage-Wechsel — aus den tatsächlichen Ereignissen ableiten, nicht aus Selbstauskunft
Damit verschwindet der Großteil der Dateneingabe aus dem Arbeitsalltag des Vertriebs, und zwar genau der Teil, der bisher am unzuverlässigsten war. Wie sich solche Strecken technisch bauen lassen, zeigt der Leitfaden zur CRM-Automatisierung mit n8n.
3. Beim Eintritt validieren statt hinterher auditieren
Der wirksamste Hebel ist eine Richtungsumkehr. Statt schlechte Datensätze später einzusammeln, wird verhindert, dass sie in diesem Zustand überhaupt entstehen:
- Pflichtfelder bei der Anlage erzwingen, nicht im Nachgang anmahnen
- Formate und Domains bei der Eingabe prüfen (etwa: keine Freemail-Adresse als geschäftlicher Kontakt)
- Doppelte Datensätze beim Anlegen erkennen und zusammenführen, nicht im Quartals-Merge
- Standardwerte setzen, wo eine sinnvolle Vorbelegung existiert
Der Effekt ist qualitativ anders als der eines Audits. Ein Audit korrigiert einen Zustand. Eine Validierung verändert, welche Zustände möglich sind. Damit werden saubere Daten zum Normalfall statt zu einer zusätzlichen Aufgabe — und ein Normalfall braucht kein Meeting, das ihn durchsetzt.
Das eigentliche Ziel: das CRM für Reps nützlich machen
Die drei Eingriffe oben reduzieren Aufwand. Der letzte Schritt dreht die Asymmetrie um: Das CRM muss dem Rep etwas zurückgeben, das er im nächsten Gespräch verwenden kann.
Praktisch heißt das, dass die gepflegten Daten in seine Richtung zurückfließen — als Kontext vor dem Call, als Hinweis auf ein Signal beim Zielunternehmen, als Information darüber, was bei vergleichbaren Accounts funktioniert hat. Sobald ein Feld erkennbar das nächste Gespräch verbessert, entfällt die Diskussion über seine Pflege.
Genau an dieser Stelle endet allerdings die Zuständigkeit eines klassischen CRM. Es ist als System of Record gebaut: Es hält fest, was passiert ist. Es ist nicht dafür gebaut, aus Verläufen zu lernen und Kontext zurückzuspielen. Warum das ein struktureller Unterschied ist und was ein GTM-Gedächtnis leistet, das ein CRM nicht leisten kann, behandelt der Artikel CRM vs. GTM-Gedächtnis. Und wie der Rückkanal von Ergebnissen in die nächste Ansprache konkret aussieht, zeigt Closed-Loop-Outbound.
Fazit: die Reihenfolge entscheidet
CRM-Hygiene scheitert selten an den Menschen und fast immer an der Reihenfolge. Wer mit Durchsetzung beginnt, bekommt sechs Wochen Verbesserung. Wer mit dem Design beginnt, muss weniger durchsetzen.
Die Reihenfolge, die trägt:
- Zählen — welche Felder sind leer, welche werden tatsächlich genutzt
- Löschen — alles aus der Eingabemaske entfernen, das keinen Abnehmer hat
- Automatisieren — erfassen lassen, was das System selbst wissen kann
- Validieren — beim Eintritt prüfen statt im Quartal korrigieren
- Zurückgeben — Daten so aufbereiten, dass sie dem Rep im nächsten Gespräch nützen
- Erst dann bereinigen — nach dem Vier-Phasen-Vorgehen, jetzt aber als einmalige Korrektur statt als Dauerroutine
Der Unterschied zwischen den beiden Ansätzen zeigt sich nicht in Woche eins. Er zeigt sich in Woche sieben.
Sie wollen Kontext, der zurückfließt statt nur abgelegt zu werden? Testen Sie GTM Goat 4 Wochen kostenlos, ohne Kreditkarte: Jetzt kostenlos testen
Häufige Fragen
Warum pflegen Vertriebsmitarbeiter das CRM nicht?
Weil die gepflegten Daten ihnen selbst nicht beim Abschluss helfen. Die meisten CRM-Pflichtfelder existieren für Forecast und Reporting — also für das Management. Ein Rep, der ein Feld ausfüllt, das ihm im nächsten Gespräch nichts zurückgibt, macht unbezahlte Dateneingabe. Das ist eine rationale Reaktion auf ein Anreizproblem, kein Disziplinmangel.
Warum scheitern CRM-Cleanup-Projekte immer wieder?
Weil ein Cleanup den Bestand korrigiert, aber nicht die Ursache. Solange dieselben Felder, dieselbe manuelle Erfassung und dieselben Anreize weiterlaufen, produziert das System nach dem Aufräumen wieder genau die Datenqualität, die es vorher produziert hat. Ohne Änderung am Design ist jedes Audit eine Momentaufnahme mit Verfallsdatum.
Was bedeutet Validierung beim Eintritt statt Audit?
Audit heißt: schlechte Daten entstehen, werden später gefunden und korrigiert. Validierung beim Eintritt heißt: der Datensatz kann in diesem Zustand gar nicht erst angelegt werden — Pflichtfelder werden erzwungen, Domains und Formate geprüft, Firmen automatisch zugeordnet. Der Unterschied ist die Richtung: einfangen versus nicht entstehen lassen.
Wie viele Felder braucht ein B2B-CRM wirklich?
Weniger als die meisten Teams pflegen. Eine brauchbare Faustregel ist der Nutzentest pro Feld: Hilft dieser Wert einem Rep im nächsten Gespräch oder steuert er eine Automatisierung? Wenn beides nein und das Feld nur im Quartalsreport auftaucht, gehört es nicht in die Eingabemaske des Vertriebs. 15-20 aktiv genutzte Felder schlagen 50 halbleere.
Was ist der erste Schritt, wenn die CRM-Daten schlecht sind?
Nicht aufräumen, sondern zählen: Welche Felder sind bei welchem Anteil der Datensätze leer, und welche davon hat in den letzten 90 Tagen überhaupt jemand gelesen oder in einer Automatisierung genutzt? Diese Liste zeigt, welche Felder gelöscht, welche automatisiert und welche validiert werden müssen. Erst danach lohnt die eigentliche Bereinigung.