Come verificare un campione di database B2B prima dell'acquisto: un metodo di test riproducibile in 10 fasi.
Di Rodylyn Villaflores · Co-fondatrice di LastDatabase
Pubblicato: 02 set 2026 · Aggiornato: 16 ott 2026 · Visualizzazioni: 499
Un campione di un database B2B può rivelare utili segnali di qualità prima dell'acquisto.
Ma aprire un foglio di calcolo, controllare alcune aziende familiari e decidere che il database "sembra accurato" non costituisce un audit riproducibile.
Una valutazione più approfondita definisce il campione, i campi, i test, le regole di prova e i calcoli prima di esaminare i documenti.
Distingue inoltre ciò che può essere misurato direttamente dal campione da ciò che richiederebbe una verifica esterna.
Questa guida fornisce un metodo pratico in 10 fasi per verificare un campione di database B2B prima dell'acquisto.
Il metodo comprende la struttura, la sintassi dell'e-mail, i segnali di dominio e di instradamento della posta, i duplicati, la completezza, la corrispondenza con l'azienda, gli attributi professionali, la validità, la provenienza, i metadati di soppressione e la pertinenza del destinatario.
Spiega inoltre un limite importante:
Il risultato di un campione non corrisponde automaticamente all'esatto livello di qualità dell'intero database.
Esempio di audit del database B2B in 10 fasi
| step | Area di valutazione | Domanda primaria |
|---|---|---|
| 1 | Ambito e campionamento | Cosa stai testando esattamente? |
| 2 | Structure | I campi promessi sono effettivamente presenti e utilizzabili? |
| 3 | Controlli tecnici delle email | Gli indirizzi superano i controlli di sintassi, dominio e routing definiti? |
| 4 | duplicati | Quanta duplicazione esiste in base alle regole definite? |
| 5 | Completezza | Quali campi importanti sono popolati? |
| 6 | Corrispondenza aziendale | Le caratteristiche relative ai contatti e all'azienda sembrano essere correlate? |
| 7 | Dati relativi al ruolo e alla professione | Le qualifiche, i dipartimenti e l'anzianità di servizio sono coerenti internamente? |
| 8 | Fresco | Quali prove dimostrano quando le informazioni sono state osservate o verificate? |
| 9 | Provenienza e controlli | È possibile spiegare i metadati relativi a origine, verifica e soppressione? |
| 10 | Rilevanza di riferimento | Il campione corrisponde effettivamente alle specifiche di acquisto? |
Prima del test: separare tre domande diverse
Un audit del database può rispondere a diverse domande.
Domanda A: Questo campione è ben formato internamente?
Spesso è possibile verificarlo direttamente dal file.
Gli esempi includono:
- campi mancanti;
- email duplicate;
- indirizzi non validi;
- etichette dei paesi incoerenti;
- valori vuoti inattesi.
Domanda B: Le affermazioni contenute nel campione sono corrette?
Ciò di solito richiede prove che vanno oltre quanto contenuto nel fascicolo.
Gli esempi includono:
- se una persona attualmente lavora presso l'azienda quotata in borsa;
- se una qualifica professionale è attuale;
- se il valore relativo alle dimensioni di un'azienda sia accurato;
- se una casella di posta elettronica è utilizzabile;
- se un segnale tecnologico rimane attivo.
Domanda C: Cosa implica il campione riguardo all'intero database?
Si tratta di una questione statistica.
La risposta dipende da come è stato selezionato il campione, dalle sue dimensioni, dalla struttura della popolazione e dall'incertezza della stima risultante.
Un campione scelto di comodo da un fornitore non è automaticamente un campione probabilistico dell'intero database.
Fase 1: Definire l'ambito dell'audit prima di esaminare i risultati
Scrivi cosa dovrebbe contenere il database.
Per esempio:
- Paese: Stati Uniti;
- settore: software;
- Anzianità: direttore e superiori;
- Tipo di contatto: B2B;
- campi obbligatori: nome, azienda, qualifica e indirizzo email;
- Campi facoltativi: numero di telefono, URL di LinkedIn, fatturato e numero di dipendenti.
Questa diventa la specifica di audit.
In assenza di specifiche, è facile modificare la definizione di "dati validi" dopo aver visto l'esempio.
Registrare il metodo di selezione del campione
Chiedi come è stato selezionato il campione.
I metodi possibili includono:
- selezione casuale;
- selezione sistematica;
- Selezione stratificata;
- primi dati disponibili;
- esempi selezionati dal fornitore;
- registrazioni provenienti da un particolare segmento;
- filtri selezionati dal cliente.
Questi non sono statisticamente equivalenti.
Un campione selezionato manualmente può comunque essere utile per esaminare il formato e i campi, ma non dovrebbe essere automaticamente considerato rappresentativo dell'intero database.
Non scegliere la dimensione del campione in base a una regola universale.
Non esiste una regola difendibile secondo cui "100 record sono sempre sufficienti" o "500 record dimostrano l'accuratezza del database".
La scelta del disegno campionario più appropriato dipende dall'inferenza che si intende trarre, dalla popolazione, dalla variabilità prevista e dalla precisione desiderata.
L'Ufficio del censimento degli Stati Uniti osserva che le stime campionarie contengono incertezza di campionamento e che, a parità di altre condizioni, campioni più ampi generalmente riducono l'errore di campionamento.
Se si formulano affermazioni a livello di popolazione a partire da un campione, l'incertezza statistica dovrebbe essere riportata anziché nascosta.
Fase 2: Struttura del file di controllo e definizioni dei campi
Iniziate dalla domanda più semplice:
Hai ricevuto i campi che ti erano stati promessi?
Creare un inventario dei campi.
| Settore | Promesso? | Regalo? | La definizione è chiara? | Test completo |
|---|---|---|---|---|
| Si No | Si No | Si No | Sintassi/dominio/instradamento | |
| Azienda | Si No | Si No | Si No | Corrispondenza aziendale |
| Ruolo lavorativo | Si No | Si No | Si No | Convalida del ruolo |
| Industria | Si No | Si No | Si No | Revisione della classificazione |
| Paese | Si No | Si No | Si No | Rilevanza di riferimento |
| Dimensioni dei dipendenti | Si No | Si No | Si No | Revisione della definizione/fonte |
| Fonte/freschezza | Si No | Si No | Si No | Revisione della provenienza |
Verifica se i nomi dei campi nascondono ambiguità
Una colonna denominata date ti dice ben poco.
Potrebbe significare:
- data di importazione;
- data di raccolta;
- data verificata;
- dati arricchiti;
- data di aggiornamento;
- data di esportazione.
Analogamente, verified è incompleto se il fornitore non spiega cosa è stato verificato.
La nostra definizione tecnica di dati B2B verificati spiega perché le dichiarazioni di verifica dovrebbero specificare il controllo effettuato.
Passaggio 3: Testare la qualità tecnica delle email a livelli
Non ridurre la qualità delle email a una sola colonna "valida".
Separare gli assegni.
Livello 1: Sintassi
Verifica se l'indirizzo è strutturalmente plausibile.
Esempi di fallimenti evidenti possono includere:
- separatore @ mancante;
- dominio mancante;
- formattazione strutturale non valida;
- Spazi bianchi imprevisti o errori di analisi sintattica.
La sola sintassi non dimostra l'esistenza di una casella di posta.
Livello 2: Dominio
Determinare se il dominio può essere risolto con la metodologia utilizzata.
Questo è più efficace di un problema di sintassi, ma non dimostra comunque che la casella di posta del destinatario sia utilizzabile.
Livello 3: Instradamento della posta
Esaminare le prove pertinenti relative all'instradamento della posta SMTP.
Non utilizzare la regola semplicistica:
"Nessun record MX esplicito = dominio email non valido."
Le regole SMTP includono un fallback MX implicito in determinate circostanze, mentre un Null MX segnala esplicitamente che un dominio non accetta email.
La nostra guida alla verifica delle email B2B spiega nel dettaglio queste distinzioni tecniche.
Livello 4: segnali relativi alla casella di posta
Se vengono eseguiti test a livello di casella di posta, documentare quanto segue:
- il metodo;
- la data del test;
- stato accettato, rifiutato o incerto;
- comportamento generico;
- guasti temporanei;
- limitazioni del metodo.
Un segnale relativo alla casella di posta non garantisce comunque la consegna futura o l'inserimento nella casella di posta.
Consulta la nostra guida sulla deliverability e la verifica.
La verifica dell'indirizzo email e l'autenticazione del mittente sono processi separati.
SPF, DKIM e DMARC riguardano l'autenticazione del mittente.
Non verificano che l'indirizzo del destinatario acquistato appartenga effettivamente alla persona a cui è destinato.
Gli attuali requisiti di Google per i mittenti di Gmail includono anche requisiti di autenticazione, DNS, TLS, formato del messaggio e tasso di spam.
Tali requisiti lato mittente non devono essere presentati come verifica del database del destinatario.
Passaggio 4: Misurare i duplicati secondo più di una definizione
Iniziate con misurazioni identiche ed esatte.
Definisci quindi separatamente i duplicati normalizzati e quelli a livello di entità.
Tra i test utili si possono includere:
- righe identiche esatte;
- duplicati esatti e normalizzati delle email;
- numeri di telefono duplicati;
- combinazioni duplicate persona-azienda;
- il candidato presenta duplicati;
- azienda candidata duplicati.
Non sommare questi dati in un'unica "tariffa duplicata" non giustificata.
La nostra guida alla deduplicazione dei dati B2B illustra la corrispondenza esatta, la corrispondenza approssimativa, la precisione, il richiamo e le fusioni errate.
Formula per la tariffa dei duplicati
Per una regola di duplicazione definita esplicitamente, un calcolo descrittivo di base è:
Tasso di duplicazione = Numero di record duplicati ÷ Record testati × 100
Il risultato è significativo solo quando il "record duplicato" è definito in modo chiaro.
Il tasso di duplicazione a livello di indirizzo email non è la stessa metrica del tasso di duplicazione a livello di persona.
Fase 5: Misurare la completezza del campo
La completezza verifica se i campi previsti contengono valori utilizzabili.
Un calcolo di base a livello di campo è il seguente:
Completezza dei campi = Record con valori di campo utilizzabili ÷ Record idonei × 100
Il denominatore è importante.
Se un campo è applicabile solo a un sottoinsieme di record, utilizzare l'intero campione come denominatore può distorcere il risultato.
Costruire una matrice di completezza
| Settore | Record ammissibili | Popolato | Vuoto/non valido | Completezza |
|---|---|---|---|---|
| Nome | ___ | ___ | ___ | ___% |
| Cognome | ___ | ___ | ___ | ___% |
| ___ | ___ | ___ | ___% | |
| Azienda | ___ | ___ | ___ | ___% |
| Ruolo lavorativo | ___ | ___ | ___ | ___% |
| Industria | ___ | ___ | ___ | ___% |
La completezza non è sinonimo di accuratezza.
Un campo può essere compilato al 100% e contenere comunque informazioni errate.
Questa distinzione è fondamentale per il nostro framework di qualità dei dati B2B basato su 12 parametri.
Non convertire mai una percentuale di completezza in una percentuale di accuratezza.
Fase 6: Verifica della corrispondenza tra persona e azienda
Per un sottoinsieme esaminato, chiedete se il contatto professionale sembra essere associato all'azienda elencata.
Le possibili classificazioni sono:
- Passare — le prove a sostegno di questa relazione sono solide;
- Fallire — le prove contraddicono la relazione;
- Incerto — le prove disponibili sono insufficienti.
Non forzate la classificazione di dati incerti come "promossi" o "bocciati" solo per ottenere una percentuale più pulita.
La corrispondenza aziendale richiede prove definite
Le potenziali prove potrebbero includere informazioni aziendali autorevoli e appropriate, informazioni professionali o altre fonti idonee alla metodologia di revisione.
La verifica deve registrare:
- Quale fonte è stata esaminata?
- quando è stato esaminato;
- quale attributo è stato confrontato?
- lo stato risultante.
Ciò crea una traccia di prove riproducibile.
Non confondere la corrispondenza del dominio con la prova di impiego
Un dominio email corrispondente al dominio aziendale può essere un segnale utile.
Ciò non implica automaticamente che ogni altro settore professionale sia attuale.
Una persona può aver cambiato ruolo, reparto o aver lasciato l'azienda, mentre i suoi dati precedenti rimangono presenti nel database.
Passaggio 7: Verifica della qualifica, del dipartimento e dell'anzianità
Le competenze professionali devono essere valutate separatamente.
Ad esempio, un contatto può essere correttamente associato a un'azienda anche se la qualifica indicata non è aggiornata.
Revisione:
- titolo di lavoro;
- dipartimento;
- anzianità;
- azienda;
- Posizione;
- classificazione industriale.
Separare i campi osservati dai campi derivati
Un dipartimento può essere definito a partire da una qualifica professionale.
L'anzianità può essere classificata anche in base al titolo del testo.
Tali valori derivati non devono essere automaticamente trattati come fatti osservati in modo indipendente.
La nostra guida all'arricchimento dei dati B2B illustra gli attributi osservati, normalizzati, classificati, inferiti e stimati.
Utilizzare Pass, Fail e Uncertain
Un modello a tre stati è utile durante un audit manuale.
| Stato | Significato |
|---|---|
| Passare | Le prove definite supportano l'affermazione verificata |
| Fallire | Le prove definite contraddicono l'affermazione verificata |
| Incerto | Le prove disponibili non consentono di stabilire con certezza nessuno dei due risultati. |
| Non applicabile | Il test non si applica a questo record |
Ciò impedisce che le prove mancanti vengano tacitamente considerate come un successo o un fallimento.
Fase 8: Verifica delle prove di freschezza
Chiedi al fornitore cosa intende con il termine "aggiornato".
Tra i timestamp importanti possono esserci:
- data di osservazione della fonte;
- data di verifica;
- data di arricchimento;
- data di importazione del database;
- data di modifica del record;
- data di esportazione.
Queste date non sono intercambiabili.
Una riga del database aggiornata ieri può ancora contenere una qualifica professionale osservata molto prima.
Il nostro framework per l'aggiornamento dei dati B2B spiega questa distinzione.
Calcola l'età solo quando il timestamp ha un significato
Se esiste una data di osservazione o verifica autentica, è possibile calcolarne l'età alla data di audit.
Per esempio:
Età della prova = Data di audit − Data di osservazione o verifica pertinente
Non calcolare la "freschezza dei dati" a partire da un timestamp tecnico del database, a meno che tale timestamp non sia documentato come rappresentativo del controllo sottostante.
Fase 9: Verifica della provenienza, controllo e soppressione dei metadati
Chiedetevi se le affermazioni importanti possono essere ricondotte a metadati significativi.
Le domande utili includono:
- È disponibile una categoria di origine?
- È disponibile una data per l'osservazione?
- È possibile distinguere tra campi osservati e campi dedotti?
- È stato definito il metodo di verifica?
- È possibile propagare una correzione?
- Lo stato di soppressione è rappresentato?
- È possibile verificare l'eventuale soppressione dei dati prima di avviare un'attività di sensibilizzazione?
La nostra guida alle fonti di dati B2B spiega la provenienza in modo più dettagliato.
La soppressione non è la stessa cosa della verifica.
Un indirizzo email tecnicamente utilizzabile può comunque essere escluso dalle comunicazioni di marketing.
Al contrario, una registrazione non soppressa non è automaticamente valida dal punto di vista tecnico.
Si tratta di comandi separati.
Consulta il nostro flusso di lavoro per la disattivazione e la soppressione dei contenuti.
Passaggio 10: Misurare la rilevanza del target
Un database tecnicamente impeccabile può comunque rivelarsi commercialmente inefficace se non corrisponde al pubblico di riferimento.
Confrontare ciascun campione idoneo con le specifiche di acquisto originali.
I potenziali criteri includono:
- nazione;
- industria;
- funzione lavorativa;
- anzianità;
- dimensioni dell'azienda;
- fascia di ricavo;
- tecnologia;
- tipo di attività;
- regione geografica.
Formula di rilevanza dell'obiettivo
Per una specifica target definita:
Rilevanza del target = Record che soddisfano tutti i criteri target richiesti ÷ Record idonei testati × 100
Anche in questo caso, si tratta di un risultato descrittivo relativo ai dati sottoposti a verifica, a meno che il disegno campionario non consenta di trarre inferenze più ampie.
Creare un foglio di lavoro per la verifica a livello di riga
Un foglio di lavoro pratico potrebbe contenere queste colonne:
| Column | Missione |
|---|---|
| campione_id | Identificatore di audit stabile |
| sintassi email | Pass / Fail |
| stato_dominio | Promosso/Bocciato/Incerto |
| instradamento della posta | Promosso/Bocciato/Incerto |
| stato_duplicato | Unico/Duplicato/Candidato |
| abbinamento aziendale | Promosso/Bocciato/Incerto |
| corrispondenza_titolo | Promosso/Bocciato/Incerto |
| prove di freschezza | Data/Sconosciuto |
| prova_di_fonte | Categoria sorgente definita/Sconosciuto |
| stato_di_soppressione | Stato applicabile/Sconosciuto |
| corrispondenza_obiettivo | Pass / Fail |
| note_di_revisione | Prove ed eccezioni |
È fondamentale tenere separate le prove grezze dalle conclusioni.
Non sovrascrivere il campione originale durante la verifica.
Mantenere:
- il campione originale;
- una copia di lavoro normalizzata;
- i risultati della verifica;
- Note sulle prove esterne;
- il riassunto finale.
Ciò rende il processo più facile da riprodurre e da analizzare.
Esempio di audit: 200 record
Consideriamo un'ipotetica verifica di 200 documenti.
Supponiamo che il revisore riscontri:
- 196 email sintatticamente plausibili;
- 190 record con nomi di aziende utilizzabili;
- 184 posizioni lavorative occupate;
- 6 righe duplicate esatte di indirizzi email normalizzati;
- 170 record che soddisfano le specifiche target definite;
- 20 fascicoli con prove insufficienti per una decisione sulla titolarità attuale.
Queste cifre sono volutamente ipotetiche.
Non si tratta di risultati di performance di LastDatabase.
Calcola ogni parametro in modo indipendente
Utilizzando l'esempio ipotetico:
Tasso di successo della sintassi delle email = 196 ÷ 200 × 100 = 98%
Completezza dell'azienda = 190 ÷ 200 × 100 = 95%
Completezza delle qualifiche professionali = 184 ÷ 200 × 100 = 92%
Se sei record sono duplicati in base alla regola dell'indirizzo email esatto definita esplicitamente:
Tasso di duplicazione esatta dell'indirizzo email (descrittivo) = 6 ÷ 200 × 100 = 3%
Se 170 record soddisfano tutti i criteri di targeting richiesti:
Rilevanza descrittiva dell'obiettivo = 170 ÷ 200 × 100 = 85%
Questi parametri misurano proprietà diverse.
Non calcolate una media di questi valori per ottenere un unico punteggio privo di significato, come ad esempio "qualità del database pari al 94.6%".
Perché un singolo punteggio di qualità può essere fuorviante
Un singolo punteggio richiede decisioni sulla ponderazione.
La sintassi delle email dovrebbe avere la stessa importanza dell'attuale occupazione?
La completezza dovrebbe avere la stessa importanza della pertinenza rispetto all'obiettivo?
Un titolo incerto deve essere considerato errato?
Non esiste un criterio di ponderazione universale che risponda a queste domande per ogni acquirente.
Un sistema di valutazione basato su metriche separate è solitamente più trasparente.
Non considerare l'incertezza come automaticamente errata.
Se 20 documenti non presentano prove sufficienti a confermare un titolo attuale, ciò non dimostra che tutti e 20 i titoli siano errati.
Allo stesso modo, considerarle tutte corrette sarebbe ingiustificato.
Segnalare l'incertezza separatamente.
Non estrapolare i risultati da un campione di convenienza senza preavviso
Questa è una delle regole più importanti in materia di revisione contabile.
Supponiamo che 98 dei 100 record campione selezionati dal fornitore superino un determinato test.
Tale osservazione non dimostra di per sé che esattamente il 98% di un database di milioni di record supererebbe lo stesso test.
Il campione potrebbe differire dalla popolazione generale.
Potrebbe contenere:
- registri più facili da verificare;
- paesi specifici;
- aziende più grandi;
- registrazioni più recenti;
- settori selezionati;
- Esempi selezionati con cura.
La metodologia di selezione è importante.
I campioni probabilistici supportano un'inferenza più forte
Quando un campione viene selezionato utilizzando un disegno di campionamento probabilistico statisticamente appropriato, le stime della popolazione possono essere accompagnate da misure di incertezza campionaria.
Gli standard statistici dell'Ufficio del Censimento degli Stati Uniti richiedono che la progettazione del campione e i metodi di stima riflettano il livello di precisione previsto e che siano adottate misure di incertezza appropriate per le conclusioni basate sui dati del campione.
Un acquirente B2B non ha bisogno di riprodurre un programma statistico federale.
La lezione pratica è più circoscritta:
Se si desidera generalizzare i risultati ottenuti da un campione a milioni di record, è necessario documentare le modalità di selezione del campione e quantificare l'incertezza in modo appropriato.
L'errore di campionamento non è l'unico errore
Anche un campione progettato matematicamente in modo accurato può produrre risultati di audit scadenti se i test stessi sono errati.
L'Ufficio del Censimento distingue tra errore di campionamento ed errore non di campionamento.
Per un audit di database B2B, problemi analoghi non legati al campionamento possono includere:
- regole di verifica errate;
- errori di revisione manuale;
- Definizioni di campo errate;
- Corrispondenza aziendale errata;
- errori di programmazione;
- prove mancanti;
- errori di classificazione.
L'aumento della dimensione del campione non corregge automaticamente una metodologia di audit difettosa.
I risultati a livello di segmento possono rivelare problemi nascosti
Un risultato complessivo può nascondere delle variazioni.
Laddove la progettazione del campione e la dimensione del campione lo consentano, esaminare i risultati per segmento significativo.
Gli esempi includono:
- nazione;
- industria;
- dimensioni dell'azienda;
- anzianità lavorativa;
- categoria di origine;
- età record;
- tipo di dominio email.
Le prestazioni di un database possono variare a seconda del segmento.
Utilizzare le stesse regole per ogni record
Un audit riproducibile dovrebbe definire le regole decisionali prima di esaminare il risultato.
Per esempio:
Corrispondenza azienda = Supera la verifica solo se le prove definite supportano la relazione tra contatto e azienda.
Corrispondenza aziendale = Fallimento quando prove credibili la contraddicono.
Corrispondenza aziendale = Incerto quando nessuna delle due conclusioni è sufficientemente supportata.
Modificare la regola da un record all'altro introduce un pregiudizio da parte del revisore.
Registrare la data dell'audit
Modifiche alla qualità del database.
Una revisione effettuata oggi descrive le prove attualmente disponibili.
Titoli, aziende, domini e caselle di posta elettronica possono cambiare in seguito.
Pertanto, ogni rapporto di audit dovrebbe includere:
- data di revisione;
- fonte del campione;
- dimensione del campione;
- metodo di selezione;
- test eseguiti;
- fonti di prova esterne;
- limitazioni.
Cosa dovrebbe contenere una buona relazione di audit
Una relazione finale efficace può utilizzare questa struttura:
- Database e pacchetto testati;
- obiettivo della verifica;
- metodo di selezione del campione;
- dimensione del campione;
- definizioni dei campi;
- metodologia di prova;
- risultati per parametro;
- risultati incerti;
- Risultati del segmento;
- limitazioni;
- data di revisione;
- note di revisione.
Esempio di scorecard di audit
| Metrico | Risultato | Stato | Note |
|---|---|---|---|
| Sintassi dell'e-mail | ___% | Superato/Revisione | Metodologia di sintassi definita |
| Dominio/routing | ___% | Superato/Revisione | Includi risultati incerti |
| Duplicati esatti | ___% | Superato/Revisione | Definire la chiave duplicata |
| Completezza aziendale | ___% | Superato/Revisione | Solo completezza |
| Abbinamento aziendale | ___% | Superato/Revisione | Sono necessarie prove esterne |
| incontro per il titolo | ___% | Superato/Revisione | Segnalare separatamente l'incertezza |
| Prova di freschezza | ___% | Superato/Revisione | Definizione del significato di timestamp |
| Copertura della provenienza | ___% | Superato/Revisione | Definire i metadati richiesti |
| Rilevanza di riferimento | ___% | Superato/Revisione | Utilizzare le specifiche di acquisto originali |
Non inventare soglie di superamento
Questa guida non intende dichiarare regole universali quali:
- "Il 95% è un buon risultato";
- "Il 90% significa verificato";
- "Una percentuale di duplicati inferiore al 2% è accettabile."
La soglia accettabile dipende dal caso d'uso, dagli impegni contrattuali, dal rischio, dal prezzo e dalle esigenze dell'acquirente.
Quando possibile, definire le soglie prima del test.
Confronta il campione con le specifiche affermazioni del fornitore
Se un fornitore promette una determinata caratteristica, è necessario testarla direttamente.
Ad esempio, se un pacchetto viene descritto come contenente:
- Contatti negli Stati Uniti;
- aziende tecnologiche;
- professionisti a livello dirigenziale;
- email aziendali;
La verifica dovrebbe valutare separatamente queste quattro affermazioni.
Un elevato tasso di sintassi delle email non può compensare una scarsa capacità di indirizzamento ai paesi.
Chiedi definizioni, non solo percentuali.
Se un fornitore afferma che i dati sono "verificati", chiedete:
- Cosa è stato controllato?
- Quando è stato controllato?
- Cosa si intende per "superamento"?
- Come vengono gestiti i risultati incerti?
- La rivendicazione si applica a tutti i campi o solo all'indirizzo email?
Se un fornitore dichiara un "tasso di accuratezza", chiedete il numeratore, il denominatore, il metodo di selezione del campione e la definizione del test.
Questo amplia le domande dell'acquirente presenti nella nostra checklist di due diligence del database B2B in 15 punti.
Le verifiche a campione devono essere riproducibili
Un altro revisore competente dovrebbe essere in grado di capire come sei giunto al risultato.
Ciò significa preservare:
- campione di input;
- regole di normalizzazione;
- definizioni dei test;
- script o formule, ove pertinenti;
- esaminare le prove;
- regole di classificazione;
- calcoli dei risultati.
Anche gli standard di qualità statistica dell'Ufficio del Censimento pongono l'accento su una documentazione sufficiente a replicare e valutare le operazioni di stima.
Come LastDatabase gestisce le dichiarazioni di qualità basate su campioni
La metodologia editoriale di LastDatabase non considera un piccolo campione come prova automatica della qualità di un intero database.
Quando si discute di evidenze basate su campioni, è necessario specificare il campione, la metodologia, la metrica testata e i limiti.
Distinguiamo inoltre i risultati descrittivi del campione dalle affermazioni relative alla popolazione più ampia.
Tra le risorse correlate alla trasparenza si annoverano:
Domande frequenti
1. Come posso verificare un campione di database B2B prima di acquistarlo?
Definire le specifiche di acquisto, registrare il metodo di selezione del campione e testare la struttura, i segnali e-mail, i duplicati, la completezza, la corrispondenza aziendale, gli attributi professionali, la freschezza, la provenienza, i metadati di soppressione e la pertinenza del target.
2. Quanti contatti B2B dovrei testare?
Non esiste una dimensione campionaria universale che garantisca la qualità di un database. La dimensione appropriata dipende dall'inferenza che si intende trarre, dalla variabilità della popolazione, dal disegno campionario e dalla precisione richiesta.
3. Testare 100 contatti è sufficiente a dimostrare la qualità dell'intero database?
No. Un campione di 100 record può fornire osservazioni utili, ma generalizzare i risultati richiede di considerare il metodo di selezione e l'incertezza statistica.
4. Cosa dovrei controllare per prima cosa in un campione di database?
Iniziate con le specifiche di acquisto e le definizioni dei campi. Verificate che il campione contenga i campi promessi prima di valutare affermazioni di qualità più complesse.
5. La sintassi dell'indirizzo email è sufficiente per verificarlo?
No. La sintassi valuta solo la plausibilità strutturale. I controlli relativi al dominio, all'instradamento della posta e alle caselle di posta forniscono prove diverse e presentano limitazioni proprie.
6. Come si calcola il tasso di duplicazione?
Definisci innanzitutto l'unità di duplicazione. I duplicati con indirizzo email identico, le righe duplicate, i duplicati di persone e i duplicati di aziende sono metriche diverse e devono essere riportate separatamente.
7. La completezza del campo è sinonimo di accuratezza?
No. Un campo può essere compilato anche se contiene un valore errato, obsoleto o non corrispondente.
8. Come posso verificare l'accuratezza delle qualifiche professionali?
Definisci le prove esterne accettabili, confronta il titolo elencato con tali prove, registra la data della verifica e classifica il risultato come positivo, negativo o incerto.
9. Cosa significa un risultato incerto?
Significa che le prove disponibili non giustificano né un giudizio di superamento sicuro né un giudizio di fallimento sicuro. L'incertezza dovrebbe essere segnalata, non nascosta.
10. Un campione selezionato dal fornitore può rappresentare l'intero database?
Non automaticamente. La selezione del fornitore può introdurre effetti di selezione, pertanto le affermazioni a livello di popolazione richiedono un disegno di campionamento appropriato e un'analisi dell'incertezza.
11. Devo creare una percentuale complessiva di qualità del database?
Solitamente, le metriche separate sono più informative. Combinare sintassi, completezza, corrispondenza, attualità e pertinenza in un unico numero richiede una ponderazione soggettiva.
12. Cosa dovrebbe includere un report di audit di esempio di un database?
Includere l'obiettivo della verifica, la fonte del campione, il metodo di selezione, la dimensione del campione, le definizioni dei test, i risultati, i casi incerti, le limitazioni, le fonti delle prove e la data della verifica.
Riferimenti primari
- Ufficio del censimento degli Stati Uniti — Standard di qualità statistica A3: Sviluppo e implementazione di un disegno campionario
- Ufficio del censimento degli Stati Uniti — Standard di qualità statistica D1: Produzione di stime dirette da campioni
- Ufficio del censimento degli Stati Uniti — Standard di qualità statistica E1: Analisi dei dati
- Ufficio del censimento degli Stati Uniti — Standard di qualità statistica E2: Presentazione dei risultati
- Ufficio del censimento degli Stati Uniti: dimensione del campione ed errore di campionamento
- Google — Linee guida per i mittenti di email
- RFC 5321 — Protocollo di trasferimento di posta semplice
- RFC 7505 — Null MX
Conclusione
Un campione di database B2B è più utile se trattato come un set di dati di audit piuttosto che come un'anteprima di vendita.
Definisci cosa intendi testare prima di esaminare i risultati.
Misura separatamente i segnali tecnici delle email, i duplicati, la completezza, le relazioni aziendali, gli attributi professionali, la validità, la provenienza e la pertinenza del destinatario.
È preferibile preservare i risultati incerti piuttosto che imporre a ogni record una classificazione di successo o fallimento.
Soprattutto, distinguete ciò che avete osservato nel campione da ciò che potete legittimamente concludere sull'intero database.
Un audit riproducibile dovrebbe rispondere a quattro domande:
Cosa è stato testato? Come è stato testato? Cosa ha mostrato il campione? Quali sono i limiti di tale conclusione?
Queste domande forniscono molte più informazioni di una singola "percentuale di accuratezza" non spiegata.
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 →