Our AI-generated summary
Our AI-generated summary
No domínio do Customer Relationship Management (CRM), garantindo a confiabilidade e a qualidade das informações de registro do cliente é um fator crítico para o sucesso de campanhas de retenção direcionadas. O desafio é exacerbado quando um processo de registro descentralizado se desenha dados de diversas fontes, levando a uma maior suscetibilidade a registros duplicados e erros de inserção.
As ferramentas existentes suportam a detecção de entradas duplicadas — no entanto, esse processo geralmente depende da correspondência exata de uma chave específica, incluindo dados pessoais exclusivos, como números de telefone e informações de e-mail. Esse processo ignora outros detalhes essenciais — a presença de informações ou caracteres inválidos em determinados campos ou semelhanças (não correspondências exatas) que quase certamente são erros de digitação, permitindo possíveis inconsistências no banco de dados.
Our AI-generated summary
Our AI-generated summary
Reconhecendo a urgência de corrigir esse problema generalizado, fizemos uma parceria com um grupo de varejo de automóveis em um projeto cujo O objetivo principal é estabelecer um banco de dados de clientes unificado, ao mesmo tempo em que aprimora a precisão geral e a usabilidade do CRM. Com o objetivo de agilizar as ações diretas de marketing e os esforços de vendas, o projeto busca implementar uma abordagem mais eficiente e automatizada para corrigir duplicatas, reconhecendo o papel fundamental que a qualidade dos dados desempenha nas campanhas de retenção direcionadas.
A estratégia seguida pode ser resumida em quatro etapas:
- Seleção de possíveis pares de contatos duplicados: identifique pares de contatos que podem ser duplicados com base em informações pessoais compartilhadas, como números de telefone, e-mails ou propriedade do mesmo veículo.
- Classificação de duplicatas usando pontuações de similaridade: Avalie a semelhança entre pares de contatos por meio de métricas como semelhança fonética e de caracteres. Use essas pontuações para treinar um modelo de classificação, determinando a probabilidade de duplicação para cada par.
- Criação de grupos duplicados: Grupo identificou pares duplicados. Em última análise, cada grupo deve ser representado por uma única entrada de contato no banco de dados.
- Consolidando as informações do cliente: Para o contato escolhido em cada grupo que permanecerá no banco de dados, consolide as informações do cliente adotando os dados mais confiáveis e atualizados disponíveis.
Nossa abordagem para lidar com registros duplicados envolveu o aproveitamento modelos sofisticados de aprendizado de máquina para detectar duplicatas. Por meio de discussões meticulosas com as partes interessadas, nós garantiu uma transição perfeita de estruturas teóricas para aplicações do mundo real, preenchendo a lacuna entre as suposições e a implementação prática.
A correção manual e individual de contatos duplicados prova ser uma tarefa tediosa e demorada.
Como resultado desses esforços, conseguimos detectar e remover 12% de contatos duplicados no banco de dados do CRM.
Os contatos restantes no banco de dados foram consolidados, para manter os dados mais confiáveis para cada campo. Nós também propôs um processo detalhado para converter números de telefone e e-mails inválidos em um formato padronizado, fortalecendo o banco de dados contra possíveis inconsistências. Além disso, nós recomendou a adoção de um sistema de chave exclusivo mais robusto, minimizando o risco de duplicações e garantindo a integridade do banco de dados a longo prazo.
