Zusammenfassung: Schweizer Unternehmen verlieren Aufträge und verfehlen Prognosen, wenn ihre Kundendatensätze verfallen. Eine kleine, wiederholbare wöchentliche und monatliche Bereinigungsroutine hält die Datenbank präzise, sodass Pipelines, Berichte und Automatisierungen vertrauenswürdig bleiben.
Eine Kundendatenbank veraltet nach einem festen Zeitplan, und Schweizer KMU bekommen das zu spüren
Die meisten Schweizer kleinen und mittleren Unternehmen (KMU) behandeln das Customer-Relationship-Management-System (CRM) wie einen Aktenordner: füllen, vergessen und nur dann öffnen, wenn ein Geschäft ins Stocken gerät. Die Realität sieht so aus, dass sich ein CRM wie ein lebendiger Datensatz verhält, der planmäßig verrottet. Kontakte wechseln den Arbeitsplatz, Unternehmen fusionieren, ein Genfer Vertriebsmitarbeiter tippt eine Telefonnummer in das falsche Feld, und ein Züricher Marketer importiert am Vorabend einer Kampagne eine Liste mit Duplikaten. Jeder Eintrag wirkt geringfügig. Zusammen summieren sie sich. Innerhalb eines Quartals stützt sich die Prognose, auf die ein Gründer seine Gehaltsabrechnung setzt, auf Datensätze, die sich von der Realität entfernt haben. In der Schweiz erodiert die CRM-Datenqualität in den meisten KMU unbemerkt – ein ganz gewöhnlicher Eintrag nach dem anderen.
Das ist ein operatives Problem mit einer operativen Lösung. Die Antwort ist eine Routine statt einer Migration oder eines neuen Tools: ein Reinigungsrhythmus, kurz, langweilig und wiederholbar, den eine zweiköpfige Revenue-Operations-Abteilung (RevOps) oder ein einzelner Büroangestellter ohne heroische Anstrengungen ausführen kann. Was folgt, ist die Routine, die Pupsic bei Schweizer Kunden einführt, und die Logik hinter jedem einzelnen Schritt.
Fehlerhafte CRM-Daten schlagen sich in der Gewinn- und Verlustrechnung nieder
Die Kosten sind messbar. Gartner beziffert die Durchschnittliche jährliche Kosten schlechter Datenqualität von 12,9 Millionen USD pro Unternehmen, eine für Unternehmen bemessene Kennzahl, deren Mechanismus nahtlos auf ein Fünfzehn-Personen-Startup skaliert. Schlechte Datensätze verschwenden die teuerste Stunde, die ein Unternehmen besitzt: die Zeit eines Vertriebsmitarbeiters.
Der Umsatzbezogenheits-Link wird dokumentiert statt angenommen. In Validitys Studie zum CRM-Datenmanagement aus dem Jahr 2025, 76% der Unternehmen gaben an, dass weniger als die Hälfte ihrer CRM-Daten korrekt und vollständig sind, 37% gab an, dass ihnen als direkte Folge der Datenqualität Einnahmen entgehen, und die Befragten berichteten, dass ihnen aufgrund minderwertiger Daten durchschnittlich sechzehn Geschäftsabschlüsse pro Quartal entgehen. Sechzehn Abschlüsse pro Quartal sind für ein Schweizer KMU von Bedeutung: Das ist der Unterschied zwischen einem Einstellungsplan und einem Einstellungsstopp.
Die tiefere Erkenntnis ist, wie gewöhnlich der Verfall ist. Untersuchungen der Harvard Business Review ergaben, dass im Durchschnitt, 47% der neu erstellten Datensätze enthalten mindestens einen kritischen Fehler, und nur 3% der Unternehmensdaten wurden selbst nach den lockersten Qualitätsstandards als akzeptabel eingestuft. Eine Katastrophe verursacht selten den Schaden. Das tut jeder normale Dienstag.
CRM-Daten verfallen schneller, als die meisten Schweizer KMU sie überprüfen
Verfall ist der Grund, warum eine Routine ein Projekt schlägt. Ein einmaliger Frühjahrsputz am 1. März ist bis Juni wertlos, weil sich die zugrunde liegende Datenbasis die ganze Zeit weiterbewegt. Branchen-Benchmarks beziffern den jährlichen Verfall von Business-to-Business-Daten (B2B) in einem breiten Rahmen: ZoomInfo berichtet, dass Datenbanken verlieren jedes Jahr zwischen 22,51 TP3T und 701 TP3T an Genauigkeit., wobei die Zahl der geschäftlichen E-Mail-Adressen jährlich um etwa 43% zurückgeht, da Mitarbeiter die Position wechseln und Arbeitgeber Umstrukturierungen vornehmen.
Stellt man diese Verfallskurve der Häufigkeit gegenüber, mit der ein typischer Schweizer KMU tatsächlich in seine Aufzeichnungen schaut – quartalsweise, wenn ein Bericht es erfordert –, ist die Lücke offensichtlich. Die Daten verschlechtern sich kontinuierlich; die Überprüfung findet gelegentlich statt. Eine Routine schließt diese Lücke, indem sie die Häufigkeit der Prüfung an die Geschwindigkeit des Verfalls anpasst. Felder, die schnell verfallen, werden wöchentlich überprüft; Felder, die langsam verfallen, monatlich. Jedes Feld wird so oft bereinigt, wie es nötig ist, und jedes Feld wird innerhalb des Quartals eingesehen.
| CRM-Feld | Ungefährer jährlicher Zerfall | Reinigungstakt von Pupsic |
|---|---|---|
| Geschäftliche E-Mail & Berufsbezeichnung | ~43% / ~25-35% | Wöchentlich: Bounce- und Antwortprüfungen |
| Offene Deal-Phase & Nächster Schritt | Innerhalb von Tagen schal | Wöchentlich: Pipeline-Überprüfung |
| Doppelte Kontakte & Firmen | Kumuliert pro Import | Monatlich: Bereinigungslauf |
| Firmografische und Segmentierungsfelder | ~20-30% | Monatlich: Vollständigkeit & Anreicherung |
| Einwilligungs- und Rechtsgrundlagen-Flags | Änderungen auf Anfrage | Monatlich: nLPD-Genauigkeitsaudit |
Eine wöchentliche Reinigungsroutine hält die Pipeline in Ordnung
Der wöchentliche Durchgang verläuft schnell: dreißig Minuten, gebunden an die bestehende Pipeline-Überprüfung anstelle einer separaten Zeremonie. Seine Aufgabe ist es, die Felder zu erfassen, die in Tagen veralten.
Drei Überprüfungen tragen maßgeblich zum Wert bei. Erstens die Bounce-Überprüfung: Bei jeder E-Mail, die in der letzten Woche einen Hard-Bounce verursacht hat, wird der Kontakt markiert, die Adresse korrigiert oder der Datensatz gelöscht, denn eine E-Mail-Verfallsrate von 43% pro Jahr verwandelt eine aktive Liste still und leise in eine inaktive. Zweitens die Überprüfung auf ins Stocken geratene Geschäfte: Jede offene Opportunity, die seit vierzehn Tagen inaktiv ist, wird vorgerückt, herabgestuft oder als „geschlossen – verloren“ gekennzeichnet, damit die Pipeline die tatsächliche Situation widerspiegelt und nicht nur Wunschdenken. Drittens die Eingabeprüfung: In dieser Woche angelegte Datensätze werden auf offensichtliche Fehler überprüft – etwa einen Firmennamen im Kontaktfeld, eine Handynummer in den Notizen oder ein leeres Feld für den Eigentümer –, solange sich die Person, die den Eintrag vorgenommen hat, noch an das Geschäft erinnert.
Der Wöchentlichpass bleibt bewusst oberflächlich. Er soll verhindern, dass die Daten dieser Woche vor nächster Woche verfallen, anstatt die gesamte Datenbank zu überarbeiten. Tiefe gehört zum monatlichen Job.
Zuständigkeit ist hier wichtiger als Werkzeuge. Eine wöchentliche Routine, die “allen” gehört, gehört niemandem und schläft in der ersten arbeitsreichen Woche sang- und klanglos ein. Die Routine funktioniert, wenn eine Person für diese halbe Stunde verantwortlich ist – ein RevOps-Leiter, ein Operations Manager oder der Gründer in einem sehr kleinen Team – und danach eine einzige Zahl meldet: wie viele Datensätze bearbeitet wurden. Diese Zahl ist das Gesundheitssignal. Wenn sie Woche für Woche steigt, ist upstream etwas kaputtgegangen – ein fehlerhafter Import, ein ungeschulter neuer Mitarbeiter oder ein Formular, das in das falsche Feld schreibt –, und die Routine hat die Ursache statt des Symptoms aufgedeckt.
Die Monatskarte erfasst, was eine Ansicht des gesamten Tisches offenbart
Einige Probleme offenbaren sich erst von oben. Dubletten sind der klassische Fall: zwei Vertriebsmitarbeiter, die an demselben Konto in Lausanne arbeiten, drei leicht unterschiedliche Schreibweisen derselben Holdinggesellschaft, ein Formulareintrag, der einen zweiten Kontaktdatensatz für jemanden erstellt hat, der sich bereits im System befindet. Jeder wöchentliche Eintrag sieht für sich genommen in Ordnung an; das Muster zeigt sich erst, wenn die gesamte Tabelle sortiert wird. Der monatliche Bereinigungsdurchlauf führt diese nach einer definierten Regel zusammen – dieselbe E-Mail-Adresse oder dasselbe Unternehmen plus derselben Nachnamens –, und behält die inhaltsreichsten Felder des verbleibenden Datensatzes.
Der MonatsAbo besitzt ebenfalls Vollständigkeit. Eine Segmentierung funktioniert nur, wenn die Felder, von denen sie abhängt, ausgefüllt sind: Branche, Unternehmensgröße, Kanton, Sprachpräferenz. Ein Datensatz, bei dem das Sprachfeld fehlt, landet in der falschen Sequenz – ein akutes Problem für jedes CRM, das den Röstigraben überspannt. Wo Felder systematisch leer bleiben, füllt die Anreicherung sie auf; wo die Anreicherung nicht ausreicht, wird das Feld markiert, damit die Automatisierung auf einen echten Wert wartet, statt ins Blaue hinein zu feuern. Dies ist auch der Moment, um das CRM mit der Single Source of Truth für den Umsatz abzugleichen, also dem Buchhaltungs- oder Software-as-a-Service-Abrechnungssystem (SaaS), damit “Kunde” im CRM dasselbe bedeutet wie “Kunde” im Hauptbuch.
In der Schweiz sind saubere CRM-Daten auch eine rechtliche Verpflichtung
Datenhygiene in einem Schweizer KMU ist zugleich kommerziell und rechtlich. Das revidierte Bundesgesetz über den Datenschutz (nDSG), in Kraft seit dem 1. September 2023, verlangt von den Verantwortlichen, sicherstellen, dass die von ihnen verarbeiteten personenbezogenen Daten korrekt sind und unrichtige Daten zu berichtigen oder zu löschen. Dasselbe Regelwerk beinhaltet einen Grundsatz der Verhältnismäßigkeit und der Datenminimierung, wonach ein Unternehmen nur die personenbezogenen Daten aufbewahren soll, die es für einen bestimmten Zweck tatsächlich benötigt.
Eine Reinigungsroutine operationalisiert beides. Das monatliche Genauigkeitsaudit macht die nDSG-Genauigkeitspflicht konkret: Kontakte, deren Korrektur gewünscht wurde, werden korrigiert, und Datensätze, deren Aufbewahrungszweck abgelaufen ist, werden gelöscht statt gehortet. Für Unternehmen, die zudem Daten von Einwohnern der Europäischen Union im Rahmen der Datenschutz-Grundverordnung (DSGVO) verarbeiten, dient die Routine zugleich als Nachweis eines funktionierenden Prozesses. Saubere Daten gehören zu den günstigsten Formen der Schweizer Datenschutz-Compliance, die sich als Nebenprodukt daraus ergeben, dass ein KMU seine eigenen Aufzeichnungen in Ordnung hält.
Saubere Datensätze machen Prognosen und Automatisierungen vertrauenswürdig.
Alles oben Genannte dient einem einzigen RevOps-Ergebnis: Entscheidungen, denen ein Gründer vertrauen kann. Eine Prognose fasst eine Reihe von Pipeline-Datensätzen zusammen; wenn ein Drittel dieser Datensätze veraltet ist, übernimmt die Prognose diesen Fehler, und jede nachgelagerte Berechnung trägt ihn weiter. Eine Automatisierung schneidet noch schlechter ab, weil sie auf Basis der mangelhaften Daten mit Maschinengeschwindigkeit agiert: eine an eine unzustellbare Adresse gesendete Nurture-Sequenz, eine an ein abgewandertes Konto gesendete Verlängerungserinnerung, ein auf leeren Feldern berechneter Lead-Score.
Die jetzt an jedes CRM angeschlossene Ebene der künstlichen Intelligenz (KI) erhöht den Einsatz weiter. Validity hat herausgefunden, dass 45% der CRM-Daten von Unternehmen sind noch nicht für den Einsatz von KI aufbereitet. Ein Modell, das auf fehlerhafte Datensätze trainiert wurde, wandelt diese in scheinbar korrekte, aber falsche Ergebnisse um, anstatt sie zu korrigieren. Die Bereinigung der Daten ist die Voraussetzung für jede nachgelagerte Funktion des CRM: die Prognose, die Automatisierung, die KI-Funktion, die Präsentation für die Geschäftsleitung. Lässt man dies aus, übernimmt jede dieser Funktionen die Fehlerquote von 47%, die in der gewöhnlichen Dateneingabe vorprogrammiert ist.
Ein Zinseszinseffekt verdient einen Namen. Ein sauberes CRM schafft Vertrauen, und vertrauenswürdige Daten werden genutzt. Wenn ein Zürcher Vertriebsteam der Pipeline vertraut, bearbeitet es diese, anstatt eine private Tabelle auf der Seite zu führen. Wenn die Finanzabteilung der Kundenliste vertraut, wird der Monatsabschluss von einer Diskussion zur Formalität. Die reale Rendite der Routine ist das zweite System, das sie überflüssig macht: die Schattendaten, die jeder genau deshalb führt, weil er dem gemeinsamen System misstraut.
Fragen, die Schweizer KMU zu CRM-Datenhygiene stellen
Wie oft sollte ein Schweizer KMU seine CRM-Daten bereinigen? Auf zwei Takten gleichzeitig. Ein leichter wöchentlicher Durchlauf deckt schnell verfallende Felder, E-Mail-Bounces, ins Stocken geratene Geschäfte und die neuen Datensätze der Woche ab, während ein gründlicherer monatlicher Durchlauf die Dublettenbereinigung, Feldvollständigkeit, Anreicherung und das nLPD-Genauigkeitsaudit übernimmt. Die Abstimmung der Prüffrequenz auf die Verfallsrate jedes Feldes hält den Aufwand gering und die Genauigkeit hoch.
Ist eine Reinigungsroutine wirklich billiger als ein Datentool? Die Routine ist das, was jedes Tool seine Lizenz wert macht. Deduplizierungs- und Anreicherungssoftware bereinigt einen Datenbestand, und der Verfall setzt am nächsten Tag wieder ein. Ein Rhythmus, den tatsächlich jemand verantwortet, macht aus einer einmaligen Bereinigung ein dauerhaft sauberes CRM, und das kostet einen halben Tag regelmäßig statt einer Migration.
Was kostet schmutzige CRM-Daten ein kleineres Unternehmen tatsächlich? Unmittelbar verloren gegangene Geschäfte – sechzehn pro Quartal laut einer Umfrage von Validity – sowie verschwendete Vertriebsstunden und fehlschlagende Kampagnen. Indirekt sind es Prognosen und Automatisierungen, denen Führungskräfte kaum vertrauen können, sowie ein Datenschutzrisiko gemäß dem DSG, wann immer unrichtige Personendaten unkorrigiert bleiben.
Wo Pupsic hinpasst
Die Etablierung einer Routine ist einfach zu beschreiben und schwer durchzuhalten, was genau der Grund ist, warum die meisten CRMs ungepflegt bleiben. Pupsic richtet den wöchentlichen und monatlichen Rhythmus im bestehenden CRM eines Schweizer KMU ein, definiert die Deduplizierungs- und Anreicherungsregeln, bindet das nLPD-Genauigkeitsaudit in den monatlichen Durchlauf ein und übergibt das Ganze als einen Prozess, den das interne Team in einem wiederkehrenden halben Tag ausführen kann. Das Ziel ist es, ein CRM zu hinterlassen, das sauber bleibt, anstatt einen einmaligen Frühjahrsputz zu verkaufen. Unternehmen, die es vorziehen, dass ihre Prognosen die Realität widerspiegeln, können mit Pupsic über deren RevOps-Setup sprechen.
Referenzen
- Gartner: Datenqualität: Warum sie wichtig ist und wie man sie erreicht. https://www.gartner.com/en/data-analytics/topics/data-quality
- Validity: Der Stand des CRM-Datenmanagements im Jahr 2025. https://www.validity.com/resource-center/the-state-of-crm-data-management-in-2025/
- Validity / PR Newswire: Bericht zur Veröffentlichung über Datenqualität und KI-Implementierung. https://www.prnewswire.com/news-releases/validity-releases-state-of-crm-data-management-in-2025-report-revealing-disconnect-between-data-quality-and-ai-implementation-302499899.html
- Nagle, Redman & Sammon: Nur 3% der Unternehmensdaten erfüllen grundlegende Qualitätsstandards, Harvard Business Review, 2017. https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards
- ZoomInfo: B2B-Datenverfall: Raten, Kosten und wie man ihn aufhält. https://pipeline.zoominfo.com/marketing/b2b-data-decay
- DLA Piper: Datenschutzgesetze der Welt, Schweiz (revidiertes DSG). https://www.dlapiperdataprotection.com/?t=law&c=CH
