L'arricchimento dei dati B2B spiegato: cosa aggiunge, cosa non può verificare e da dove provengono gli errori.
Di Rodylyn Villaflores · Co-fondatrice di LastDatabase
Pubblicato: 02 set 2026 · Aggiornato: 16 ott 2026 · Visualizzazioni: 608
La scheda di un contatto B2B potrebbe iniziare con il solo nome, l'azienda e l'indirizzo email.
L'arricchimento dei dati tenta di aggiungere attributi utili al record esistente.
Il risultato potrebbe includere la qualifica professionale, il sito web aziendale, il settore di appartenenza, la fascia di numero di dipendenti, la posizione geografica, l'indicatore tecnologico o altre informazioni aziendali.
Ma aggiungere campi non è la stessa cosa che verificarli.
Un processo di arricchimento può associare l'azienda sbagliata alla persona giusta. Può abbinare l'azienda corretta ma utilizzare una qualifica professionale obsoleta. Può aggiungere una stima e presentarla come un dato osservato. Può anche aggiungere correttamente informazioni che migliorano sostanzialmente l'utilità del record.
La differenza dipende dalla corrispondenza, dalla provenienza, dalla freschezza, dalla metodologia e da come viene rappresentata l'incertezza.
Questa guida spiega cosa fa l'arricchimento dei dati B2B, in cosa si differenzia dalla verifica, da dove provengono gli errori di arricchimento e cosa dovrebbero esaminare gli acquirenti prima di considerare affidabili i campi arricchiti.
Arricchimento dei dati B2B in un'unica tabella
| Processo | Scopo principale | Esempio | Ciò che non dimostra automaticamente |
|---|---|---|---|
| Collezione | Ottieni un attributo o un record | Osservare il sito web di un'azienda | Che le informazioni rimangano aggiornate |
| Abbinare | Collega i record che si ritiene rappresentino la stessa entità | Associare una persona a un record aziendale | Che la corrispondenza sia corretta |
| Arricchimento | Aggiungere attributi a un record esistente | Aggiungere settore e dimensioni dell'azienda | Che ogni valore aggiunto sia stato verificato in modo indipendente |
| Inferenza | Ricavare o prevedere informazioni | Stimare una categoria dai segnali disponibili | Che la stima sia un fatto osservato |
| Convalida | Valutare le prove definite a supporto di un'affermazione o di un attributo | Verifica i segnali tecnici relativi alla posta elettronica. | Che i campi non correlati siano accurati |
| ricaricare | Rivalutare le informazioni con il passare del tempo | Ricontrolla il datore di lavoro attuale di una persona | Che ogni campo fosse rinnovato |
Che cos'è l'arricchimento dei dati B2B?
L'arricchimento dei dati B2B è il processo di aggiunta di informazioni a un record aziendale o professionale esistente.
Il record iniziale potrebbe contenere solo pochi identificatori.
Per esempio:
- nome della persona;
- e-mail aziendale;
- Nome della ditta;
- dominio aziendale;
- numero di telefono;
- posizione.
Un processo di arricchimento può utilizzare questi identificatori per individuare o derivare attributi aggiuntivi.
Il punto importante è che l'arricchimento descrive un processo di aggiunta . Non descrive la qualità delle prove alla base di ogni campo aggiunto.
Cinque categorie comuni di arricchimento B2B
1. Arricchimento professionale e di ruolo
Ciò può aggiungere informazioni associate alla posizione professionale di una persona.
Gli esempi includono:
- titolo di lavoro;
- dipartimento;
- anzianità;
- Funzione;
- datore di lavoro;
- posizione professionale.
2. Arricchimento firmografico
Le informazioni firmografiche descrivono un'organizzazione.
Alcuni esempi possono includere:
- Nome della ditta;
- dominio;
- industria;
- intervallo di dimensioni del personale;
- fascia di fatturato;
- sede centrale;
- tipo di azienda.
3. Arricchimento tecnografico
L'arricchimento tecnologico aggiunge informazioni sulle tecnologie associate a un'organizzazione.
A seconda della metodologia, ciò potrebbe includere piattaforme software, infrastrutture, strumenti di analisi, tecnologie di e-commerce o altri sistemi rilevati.
Un segnale tecnologico dovrebbe idealmente includere il contesto relativo a quando e come è stato osservato.
4. Arricchimento geografico
L'arricchimento geografico può standardizzare o aggiungere attributi quali:
- nazione;
- stato o regioni;
- città;
- Codice Postale;
- sede aziendale.
Il concetto di "ubicazione" richiede una definizione precisa, poiché la sede centrale dell'azienda, l'ubicazione degli uffici, la sede dei dipendenti e l'indirizzo postale non coincidono necessariamente.
5. Arricchimento derivato o inferito
Alcuni valori di arricchimento vengono calcolati, classificati o dedotti anziché osservati direttamente.
Gli esempi potrebbero includere:
- anzianità prevista;
- classificazione settoriale normalizzata;
- fascia stimata delle dimensioni dell'azienda;
- dipartimento previsto;
- punteggi di fiducia;
- categorie derivate.
Questi valori possono essere utili, ma non dovrebbero essere automaticamente rappresentati come fatti osservati direttamente.
I dati osservati, normalizzati e inferiti sono diversi
Un modello di arricchimento robusto preserva la distinzione tra ciò che è stato osservato e ciò che è stato generato da tale osservazione.
| Tipo | Valore illustrativo | Interpretazione |
|---|---|---|
| Osservato | Una fonte mostra "Vicepresidente, Vendite" | Il valore è stato osservato da una fonte definita |
| normalizzato | “VP Vendite” diventa “Vicepresidente, Vendite” | La presentazione è cambiata, mentre il significato inteso è rimasto invariato. |
| Classificato | Titolo associato al reparto "Vendite". | Una regola di classificazione ha prodotto un altro attributo |
| inferito | Titolo interpretato come anzianità “dirigenziale” | Una regola o un modello hanno dedotto una caratteristica |
| Stimato | Azienda assegnata a una fascia di dimensioni dei dipendenti | Il valore potrebbe rappresentare una stima piuttosto che un conteggio esatto |
Questa distinzione è importante perché altrimenti gli utenti a valle potrebbero interpretare ogni colonna come ugualmente veritiera.
L'arricchimento richiede la risoluzione dell'entità
Prima che le informazioni possano essere aggiunte in modo sicuro, il sistema di arricchimento deve determinare a quale persona o organizzazione appartiene il record in ingresso.
Si tratta di un problema di risoluzione delle entità.
Il NIST descrive la risoluzione dell'identità come la distinzione di un'identità univoca all'interno di una data popolazione o contesto. Sebbene il framework di verifica dell'identità del NIST abbia uno scopo diverso dall'arricchimento B2B commerciale, la lezione di fondo è utile: gli attributi devono essere risolti nell'entità corretta prima che ulteriori prove possano essere applicate in modo significativo ad essa.
Perché i nomi da soli sono chiavi di corrispondenza deboli
Due persone possono avere lo stesso nome.
Il nome di una persona può anche presentarsi in forme diverse.
Gli esempi includono:
- Robert Smith contro Bob Smith;
- comparsa o scomparsa delle iniziali del secondo nome;
- diverse traslitterazioni;
- differenze di punteggiatura;
- cambi di cognome;
- differenze di ordinamento tra le lingue.
La corrispondenza basata unicamente sul nome può quindi creare ambiguità.
Gli attributi aggiuntivi possono contribuire a distinguere le entità.
Segnali di corrispondenza comuni
A seconda del caso d'uso e dei dati disponibili, un sistema di arricchimento potrebbe prendere in considerazione combinazioni di:
- nome e cognome;
- indirizzo email;
- dominio di posta elettronica;
- Nome della ditta;
- dominio aziendale;
- titolo di lavoro;
- Posizione;
- numero di telefono;
- altri identificatori specifici della fonte.
Non esiste una singola combinazione universalmente corretta. Il metodo di abbinamento dipende dalla popolazione, dalla qualità della fonte e dalle conseguenze di un abbinamento errato.
Abbinamento deterministico vs. probabilistico
I sistemi di arricchimento possono utilizzare diversi approcci di corrispondenza.
Corrispondenza deterministica
Una regola deterministica richiede che vengano soddisfatte condizioni definite.
Ad esempio, un sistema potrebbe richiedere un indirizzo email normalizzato preciso o una particolare combinazione di nome e dominio aziendale.
Deterministico non significa privo di errori. Una fonte può comunque contenere informazioni errate, gli identificatori possono essere condivisi e le regole possono essere progettate male.
Abbinamento probabilistico o a punteggio
Un approccio basato su punteggi può combinare più segnali e calcolare quanto due record sembrano corrispondere.
Questo sistema gestisce meglio le ambiguità, ma un punteggio rimane comunque una valutazione, non una prova.
La scelta della soglia è importante perché abbassarla può aumentare il numero di corrispondenze, ma anche il rischio di corrispondenze errate.
Le corrispondenze errate possono contaminare più campi.
Un errore di corrispondenza può essere più dannoso di un singolo campo errato.
Supponiamo che un sistema colleghi erroneamente Jane Miller dell'azienda A a Jane Miller dell'azienda B.
Il processo di arricchimento potrebbe quindi aggiungere:
- il datore di lavoro sbagliato;
- il titolo sbagliato;
- il settore sbagliato;
- la dimensione aziendale sbagliata;
- la tecnologia sbagliata;
- il posto sbagliato.
Un singolo errore di risoluzione dell'identità può quindi propagarsi attraverso diversi attributi arricchiti.
Un esempio di arricchimento pratico
Considera questo record di partenza:
| Settore | Valore iniziale |
|---|---|
| Nome | Alex Morgan |
| alex@example-business.com | |
| Azienda | Esempio di attività commerciale |
Un processo di arricchimento potrebbe trovare un record di dominio aziendale e aggiungere:
- settore: software aziendale;
- Numero di dipendenti: da 201 a 500;
- Sede centrale: Londra;
- Titolo della posizione: Direttore vendite;
- reparto: Vendite;
- Anzianità: Direttore.
Questi sei campi aggiunti non contengono necessariamente le stesse prove.
Il dominio aziendale potrebbe essere osservato direttamente. Il numero di dipendenti potrebbe essere stimato. La qualifica professionale potrebbe provenire da una fonte precedente. Il dipartimento potrebbe essere classificato in base al titolo. L'anzianità potrebbe essere derivata da una regola di normalizzazione.
Un record piatto nasconde queste differenze, a meno che i metadati non le preservino.
La catena di evidenze di arricchimento
Un sistema di arricchimento utile può essere inteso come una catena:
fonte → osservazione → corrispondenza entità → trasformazione → valore arricchito → timestamp → confidenza o stato
Quando una fase è debole, i valori a valle possono diventare meno affidabili.
Da dove provengono gli errori di arricchimento B2B
1. Corrispondenza entità errata
Il sistema allega informazioni appartenenti a un'altra persona o azienda.
2. Informazioni obsolete provenienti da fonti non aggiornate
La corrispondenza è corretta, ma la fonte si riferisce a un datore di lavoro, un ruolo, una sede o una situazione aziendale precedente.
3. Dati di origine errati
La fonte stessa contiene un errore.
4. Errori di trasformazione
Una regola di normalizzazione o di mappatura altera il significato in modo errato.
5. Errori di classificazione
Un titolo, un'azienda o una tecnologia sono stati assegnati alla categoria sbagliata.
6. Errori di inferenza
Un modello o una regola prevede un attributo in modo errato.
7. Fonti contrastanti
Diverse fonti forniscono valori differenti per lo stesso attributo.
8. Ambiguità del timestamp
Un timestamp di arricchimento viene erroneamente confuso con la data in cui le informazioni sottostanti sono state originariamente osservate.
9. Sovrascrivere prove più solide
Una fonte più recente, ma meno affidabile, sostituisce un valore precedente supportato da prove più solide.
10. Propagazione dell'errore
Una singola corrispondenza errata può causare errori in diversi campi successivi.
Avere più campi non significa automaticamente avere dati migliori.
Chi acquista database spesso confronta i prodotti in base al numero di campi.
La copertura del campo è utile, ma rappresenta solo una delle dimensioni qualitative.
Immagina due dischi.
Il record A contiene otto campi con provenienza chiara e osservazioni recenti.
Il record B contiene venticinque campi, ma molti sono vecchi, dedotti o collegati tramite corrispondenze incerte.
Il record B è più completo.
Ciò non lo rende automaticamente più accurato o più utile.
Ecco perché il nostro framework di metriche per la qualità dei dati B2B separa la completezza dalle altre dimensioni qualitative.
Completezza e accuratezza sono metriche separate
L'aggiunta di un valore relativo al numero di dipendenti aumenta la completezza del campo.
Se quel valore appartiene all'azienda sbagliata, la completezza è aumentata, mentre la qualità dei dati potrebbe essere diminuita.
Analogamente, riempire ogni posizione lavorativa vuota tramite inferenza può produrre un database con un minor numero di valori mancanti senza dimostrare che tali posizioni siano corrette.
Un processo di qualità maturo, pertanto, misura più delle semplici percentuali di campi vuoti.
L'arricchimento non è verifica
Questa distinzione è fondamentale.
La sezione "Arricchimento" chiede: Quali informazioni aggiuntive possono essere allegate a questo record?
La verifica chiede: quali prove supportano questa specifica affermazione?
Un processo di arricchimento può includere fasi di verifica, ma i termini non sono intercambiabili.
Il nostro framework di verifica dei dati B2B spiega perché la verifica dovrebbe identificare cosa è stato effettivamente controllato.
L'arricchimento non è sinonimo di freschezza.
Un record arricchito oggi può contenere informazioni originariamente osservate mesi o anni prima.
Il timestamp di arricchimento non dovrebbe quindi sostituire automaticamente il timestamp di osservazione.
Si tratta dello stesso problema relativo ai timestamp discusso nel nostro framework per la freschezza dei dati B2B.
Ove possibile, i sistemi dovrebbero distinguere:
- data di osservazione della fonte;
- data della partita;
- data di arricchimento;
- data di verifica;
- data di aggiornamento.
La provenienza rende i dati arricchiti più interpretabili
La provenienza descrive da dove provengono le informazioni e, idealmente, cosa è successo loro prima che giungessero al documento attuale.
I metadati utili relativi alla provenienza possono includere:
- categoria di origine;
- identificatore della sorgente;
- data di consultazione;
- metodo di corrispondenza;
- metodo di trasformazione;
- se il valore è stato osservato o dedotto;
- stato di verifica;
- stato di fiducia o di revisione.
La nostra guida alle fonti di dati B2B spiega perché le informazioni osservate, concesse in licenza, pubbliche, di prima parte e derivate non dovrebbero essere automaticamente trattate come equivalenti.
I dati inferiti devono essere etichettati come inferiti
L'Ufficio del Garante per la protezione dei dati personali del Regno Unito opera un'importante distinzione tra dati personali fattuali e stime basate su dati statistici.
Le sue linee guida spiegano che le inferenze e le previsioni non dovrebbero essere presentate come fatti accertati solo perché generate da un sistema. Raccomanda inoltre di conservare le informazioni sulla provenienza.
Questo principio è utile anche al di là dei sistemi di intelligenza artificiale.
Se un processo di arricchimento B2B stima l'anzianità, prevede il reparto di appartenenza, classifica un settore o ricava un altro attributo personale, gli utenti a valle dovrebbero essere in grado di comprendere che il valore è stato ricavato e non osservato direttamente.
I punteggi di fiducia necessitano di definizioni
Un valore come "affidabilità: 92" appare preciso.
Ma senza una definizione, questo numero è difficile da interpretare.
Le domande utili includono:
- Che cosa misura il punteggio?
- Come è stata calibrata?
- Quali prove contribuiscono a questa conclusione?
- Il valore 92 rappresenta la confidenza nella corrispondenza o l'accuratezza degli attributi?
- È stato testato rispetto ai risultati dichiarati?
- In che modo le prestazioni variano a seconda del settore o della popolazione?
Un punteggio di confidenza non dovrebbe essere trattato come una probabilità percentuale a meno che la metodologia non supporti effettivamente tale interpretazione.
Le fonti contrastanti necessitano di una politica di risoluzione
Supponiamo che una fonte identifichi una persona come Direttore Marketing, mentre un'altra identifichi la stessa persona come Vicepresidente Marketing.
Tra le possibili spiegazioni si annoverano:
- una fonte è più recente;
- una delle fonti è errata;
- la persona ha recentemente cambiato ruolo;
- Entrambi i titoli vengono utilizzati;
- i documenti si riferiscono a persone diverse;
- un valore viene normalizzato in modo diverso.
Un buon processo di arricchimento non dovrebbe dare per scontato che l'ultimo valore importato sia sempre corretto.
La forza della fonte, il tempo di osservazione, la confidenza della corrispondenza e le regole di conflitto sono tutti fattori importanti.
È necessario testare il collegamento dei record.
Gli standard di qualità statistica dell'Ufficio del Censimento degli Stati Uniti forniscono un utile principio generale per il collegamento dei record: definire i criteri utilizzati per determinare che i record rappresentano la stessa entità e verificare che i sistemi di collegamento funzionino come previsto.
L'arricchimento dei dati commerciali B2B non è la stessa cosa del collegamento statistico con i dati del censimento, ma il principio di qualità è facilmente applicabile.
Un sistema di abbinamento dovrebbe essere valutato in base a risultati noti, piuttosto che giudicato unicamente in base al numero di record che è in grado di arricchire.
Il solo tasso di corrispondenza può essere fuorviante
Supponiamo che il sistema di arricchimento A corrisponda al 95% dei record di input, mentre il sistema B ne corrisponda all'80%.
Questi numeri da soli non dimostrano che il Sistema A sia migliore.
Una soglia di corrispondenza più aggressiva potrebbe aumentare la copertura, ma anche il numero di corrispondenze false.
Una valutazione utile dovrebbe considerare entrambi gli aspetti:
- quanti record sono stati abbinati;
- con quale frequenza tali corrispondenze risultavano corrette.
Qui utilizziamo il 95% e l'80% solo come esempi ipotetici, non come dati sulle prestazioni di LastDatabase.
Misurare l'arricchimento a livello di campo
Una singola percentuale complessiva di "accuratezza dell'arricchimento" può nascondere variazioni sostanziali.
La corrispondenza tra dominio aziendale e dominio può avere prestazioni diverse da:
- arricchimento della qualifica professionale;
- stima del numero di dipendenti;
- riorganizzazione industriale;
- rilevamento tecnologico;
- arricchimento geografico.
Le misurazioni a livello di campo forniscono dati più concreti e utilizzabili.
Una scheda di valutazione pratica per la qualità delle attività di arricchimento
| Metrico | Domanda a cui risponde |
|---|---|
| Copertura | Quanti record idonei hanno ricevuto un valore? |
| Precisione di abbinamento | Con quale frequenza le corrispondenze con le entità accettate erano corrette? |
| Tariffa imbattibile | Con quale frequenza il sistema non è riuscito a trovare una corrispondenza adeguata? |
| Tasso di conflitto | Con quale frequenza le fonti attendibili erano in disaccordo? |
| Precisione sul campo | Con quale frequenza uno specifico attributo arricchito risultava corretto secondo la definizione del test? |
| Età di osservazione | Quanto erano datate le prove a sostegno di quel valore? |
| Copertura della provenienza | Con quale frequenza è possibile ricondurre il valore a metadati significativi della fonte? |
| quota di Infer | Quale parte dei valori è stata ricavata anziché osservata? |
| Tasso di revisione manuale | Con quale frequenza l'incertezza ha richiesto un'ulteriore revisione? |
Le metriche esatte devono corrispondere al metodo di arricchimento e all'uso previsto.
Come testare un sistema di arricchimento
Una valutazione pratica può utilizzare un campione etichettato in cui l'entità o l'attributo corretto è noto in modo indipendente.
Il processo può includere:
- definire la popolazione di input ammissibile;
- definire cosa si intende per corrispondenza corretta;
- definire cosa si intende per valore corretto del campo;
- separare la qualità della corrispondenza dalla qualità dell'attributo;
- avviare il processo di arricchimento;
- esaminare le corrispondenze accettate;
- esaminare i record respinti o irrisolti;
- misurare gli errori per campo;
- esaminare le prestazioni in segmenti significativi;
- documentare la data e la metodologia di valutazione.
L'obiettivo è una misurazione riproducibile, piuttosto che una percentuale di marketing senza denominatore.
Le partite ad alto rischio potrebbero richiedere una revisione manuale
L'automazione può essere efficiente, ma alcuni record contengono ambiguità reali.
La revisione manuale può essere opportuna quando:
- Diverse persone condividono lo stesso nome;
- I nomi delle aziende sono simili;
- fonti di conflitto;
- un record di alto valore ha scarse prove di corrispondenza;
- l'arricchimento avrebbe un impatto sostanziale su una decisione importante.
Non tutti i record irrisolti devono essere necessariamente inseriti in una partita.
Meglio un abbinamento non corretto che un abbinamento errato.
Un campo vuoto è incertezza visibile.
Un valore errato presentato con sicurezza può essere più difficile da individuare.
In alcuni casi d'uso, mantenere uno stato di non corrispondenza è preferibile rispetto all'associazione di informazioni provenienti dall'entità errata.
Ciò è particolarmente importante quando le informazioni arricchite guideranno la personalizzazione, la segmentazione, la selezione degli account o le decisioni automatizzate.
La minimizzazione dei dati è ancora importante
Un maggiore arricchimento non è automaticamente auspicabile solo perché tecnicamente è possibile ottenere più attributi.
Gli attributi raccolti o derivati devono avere uno scopo legittimo ed essere appropriati per il trattamento previsto.
Le linee guida del NIST sulla risoluzione dell'identità utilizzano il principio del minimo necessario nel contesto della verifica dell'identità. Analogamente, i framework di protezione dei dati pongono l'accento su finalità, accuratezza e minimizzazione quando sono coinvolti dati personali.
I set di dati B2B possono comunque contenere dati personali quando i record si riferiscono a persone identificabili.
Le responsabilità relative all'accuratezza non scompaiono con l'utilizzo di dati di terze parti.
Le linee guida dell'ICO in materia di accuratezza affermano che le organizzazioni dovrebbero registrare accuratamente le informazioni e la loro fonte, adottare misure ragionevoli per garantirne l'accuratezza in base alle circostanze e valutare le possibili contestazioni in merito all'accuratezza.
Ciò è rilevante quando i dati personali arricchiti provengono da un altro fornitore.
Un utente a valle non dovrebbe presumere che l'acquisto o la concessione in licenza di un attributo elimini la necessità di comprenderne la qualità e l'uso previsto.
Domande che gli acquirenti dovrebbero porsi sull'arricchimento B2B
- Quali campi vengono osservati e quali derivati?
- Quali identificatori vengono utilizzati per la corrispondenza?
- Come vengono gestite le corrispondenze ambigue?
- Esiste una soglia minima di corrispondenza?
- Come viene verificata la qualità dell'abbinamento?
- Sono disponibili misure di accuratezza a livello di campo?
- Come vengono gestite le fonti contrastanti?
- Le informazioni relative alla fonte e all'ora di osservazione vengono conservate?
- L'arricchimento soppianta i valori preesistenti più forti?
- Come vengono etichettati i valori dedotti?
- Che significato ha in realtà un punteggio di affidabilità?
- Come vengono aggiornati gli attributi obsoleti?
- È possibile che i record rimangano irrisolti anziché essere forzatamente abbinati?
- Come vengono gestite le correzioni?
- È possibile fornire una spiegazione della metodologia e della provenienza?
Queste domande integrano la nostra checklist di due diligence per i database B2B.
Un modello di record più ricco e migliorato
Invece di memorizzare solo:
titolo_lavoro = Direttore vendite
un modello interno più ricco potrebbe concettualmente preservare:
- valore: Direttore vendite;
- tipo di valore: osservato;
- categoria di origine: tipo di origine definito;
- osservato il: data;
- corrispondenza tramite: identificatori definiti;
- stato della partita: accettata;
- stato di verifica: definito separatamente;
- Ultimo aggiornamento: data.
Non tutte le esportazioni destinate ai clienti necessitano di tutti i campi di metadati.
Ma preservare internamente tale contesto rende la misurazione e la correzione della qualità più difendibili.
Come LastDatabase gestisce le richieste di arricchimento
La metodologia editoriale di LastDatabase distingue tra completezza dei campi, arricchimento, inferenza, attualità e verifica.
Non consideriamo la presenza di un campo arricchito come prova automatica che il campo sia stato verificato in modo indipendente.
Distinguiamo inoltre i timestamp tecnici dei database dalle prove relative al momento in cui le informazioni sottostanti sono state osservate o verificate.
Tra le risorse correlate alla trasparenza si annoverano:
Domande frequenti
1. Che cos'è l'arricchimento dei dati B2B?
L'arricchimento dei dati B2B aggiunge attributi aziendali o professionali a un record esistente utilizzando la corrispondenza, osservazioni esterne, classificazione, derivazione o altri processi definiti.
2. I dati arricchiti vengono verificati automaticamente?
No. L'arricchimento consiste nell'aggiungere informazioni. La verifica richiede prove definite a supporto del particolare attributo o affermazione.
3. Che cos'è l'arricchimento firmografico?
L'arricchimento firmografico aggiunge attributi relativi all'organizzazione, come settore, dimensione dell'azienda, ubicazione, ambito di attività o fascia di fatturato.
4. Che cos'è l'arricchimento tecnografico?
L'arricchimento tecnologico aggiunge segnali relativi alle tecnologie associate a un'organizzazione, in base al metodo di rilevamento e alla data di osservazione.
5. Che cos'è la risoluzione delle entità?
La risoluzione delle entità determina se i record o gli attributi si riferiscono alla stessa persona, azienda o altra entità del mondo reale.
6. Che cos'è una corrispondenza errata?
Si verifica una corrispondenza errata quando un sistema di arricchimento determina erroneamente che due record rappresentano la stessa entità.
7. Un tasso di corrispondenza di arricchimento più elevato significa dati migliori?
Non necessariamente. Una strategia di abbinamento più aggressiva può aumentare la copertura, ma anche il rischio di abbinamenti errati.
8. I campi inferiti sono fatti?
Non dovrebbero essere automaticamente trattati come fatti osservati. Il loro status di derivati o inferiti e la metodologia utilizzata dovrebbero essere chiari.
9. Arricchire un archivio oggi rende ogni campo di studio nuovo?
No. Le informazioni allegate potrebbero essere state osservate in precedenza. Occorre distinguere tra il tempo di arricchimento e il tempo di osservazione della sorgente.
10. Perché la provenienza è importante?
La provenienza aiuta gli utenti a capire da dove proviene un attributo, quando è stato osservato e se è stato trasformato o dedotto.
11. Un record senza eguali è sempre un fallimento?
No. Preservare l'incertezza può essere più sicuro che forzare una corrispondenza errata con un'entità quando le prove sono insufficienti.
12. Come si dovrebbe misurare la qualità dell'arricchimento B2B?
Tra le misure utili si possono includere la copertura, la precisione dell'abbinamento, l'accuratezza sul campo, il tasso di conflitto, l'età dell'osservazione, la copertura della provenienza, la quota di inferenza e il tasso di record non risolti.
Riferimenti primari
- NIST SP 800-63A — Verifica dell'identità e registrazione
- Ufficio del censimento degli Stati Uniti — Standard di qualità statistica C4: Collegamento dei record di dati
- ICO del Regno Unito — Principio di accuratezza
- ICO del Regno Unito — Accuratezza e accuratezza statistica
- ICO del Regno Unito — Deduzioni e dati personali
Conclusione
L'arricchimento dei dati B2B può rendere un record di contatti scarno significativamente più utile.
Ma la qualità dell'arricchimento dipende da più fattori del semplice numero di campi aggiunti.
Il sistema deve innanzitutto identificare l'entità corretta. Successivamente, necessita di informazioni di origine appropriate, regole di trasformazione, timestamp e metodi per la gestione dei conflitti e dell'incertezza.
I valori osservati, normalizzati, classificati, dedotti e stimati non devono essere automaticamente trattati come equivalenti.
Allo stesso modo, l'arricchimento non deve essere confuso con la verifica o la freschezza.
Un processo di arricchimento più rigoroso può spiegare da dove provengono le informazioni, come sono state abbinate, quando sono state osservate, se sono state derivate e come è stata valutata la qualità.
La domanda più utile non è quindi semplicemente: "Quanti campi può aggiungere questo database?"
La domanda è: "Con quale affidabilità è possibile collegare questi campi all'entità corretta e quali prove lo supportano?"
L'autore
Rodylyn Villaflores
Cofondatore di LastDatabase
Rodylyn Villaflores è co-fondatrice di LastDatabase. Contribuisce alla creazione di contenuti formativi per LastDatabase, che trattano argomenti quali dati B2B, generazione di lead, ricerca di potenziali clienti, qualità dei dati e utilizzo responsabile dei dati.
Visualizza il profilo dell'autore →