Prospects aus mehreren Quellen entduplizieren — doppelte Ansprache vermeiden

Warum doppelte Ansprache passiert (und warum sie schadet)

Doppelte Ansprache beginnt meistens mit guter Absicht. Du ziehst frische Leads aus Apollo, einer Konferenzliste, LinkedIn-Exports und einem alten CRM-Segment und lädst sie in dein Outbound-Tool. Jede Quelle sieht für sich „neu“ aus, aber dieselbe Person steht oft zwei- oder dreimal mit leicht unterschiedlichen Angaben drin.

Kontaktdaten sind unordentlich. Ein Anbieter hat „Sam Lee" mit [email protected], ein anderer „Samuel Lee" mit [email protected], und dein CRM enthält eine private E‑Mail aus einem früheren Gespräch. Wenn du nicht vor dem Versand entduplizierst, behandelt dein System diese Einträge als verschiedene Personen — also bekommen sie mehrere Erstmails oder mehrere Follow-ups.

Der Schaden ist größer, als es klingt:

• Prospects ärgern sich schnell und antworten scharf oder melden sich ab.
• Beschwerden und Bounces können die Zustellbarkeit schädigen, sodass selbst gute Leads deine Mails nicht mehr sehen.
• Du verschwendest Zeit, weil Vertriebsmitarbeitende dieselbe Person parallel verfolgen.
• Reportings werden unzuverlässig, weil „einzigartige Prospects" gar nicht einzigartig sind.

Das wird schlimmer bei hohem Outbound-Volumen, wenn mehrere Reps denselben Markt teilen oder Antworten in einem gemeinsamen Postfach landen. Zwei Leute im Team können unbewusst denselben Kontakt bearbeiten, besonders wenn jeder seine eigenen Listen importiert.

Ein simples Ziel hält euch auf Kurs: eine Person, ein Outreach-Pfad zur gleichen Zeit. Das heißt nicht, dass du nie wieder Kontakt aufnimmst. Es bedeutet, dass du einen einzelnen Owner, eine aktive Sequenz und eine Quelle der Wahrheit für den Status wählst, sodass der nächste Schritt absichtlich statt zufällig erfolgt.

Wenn du eine All‑in‑one‑Plattform wie LeadTrain nutzt, zahlt sich das sofort aus: sauberere Sequenzen, klarere Antwortverarbeitung und weniger „Warum habt ihr mich zweimal angeschrieben?"‑Momente.

Entscheide, was "Duplikat" für dein Team bedeutet

Bevor du Prospects entduplizierst, einigt euch darauf, was „gleich" heißt. Wenn ihr das nicht tut, werdet ihr über Randfälle streiten und eure Sequenzen treffen trotzdem dieselbe Person zweimal.

Die meisten Teams wählen eine Standarddefinition:

• Nach E‑Mail: dieselbe E‑Mail-Adresse = ein Datensatz.
• Nach Person: „Jane Smith" ist eine Person, auch wenn sie mehrere E‑Mails hat.
• Nach Unternehmen: alle Kontakte in einem Unternehmen zählen für einen Zeitraum als „eine" Einheit.

E‑Mail‑Level‑Dedupe ist am einfachsten und sichersten für die Zustellbarkeit, aber es kann dieselbe Person übersehen, wenn Anbieter unterschiedliche Adressen liefern ([email protected] vs. [email protected]). Personen‑Level reduziert doppelte Ansprache, kann aber echte Chancen verbergen, z. B. wenn ein Entscheider den Job gewechselt hat oder eine Projekt‑E‑Mail nutzt. Company‑Level hilft bei strengen Account‑Regeln, kann aber gute Ansprache an unterschiedliche Rollen blockieren.

Entscheide, wie ihr Role‑Accounts und gemeinsame Postfächer behandelt. Für viele B2B‑Teams sollten Adressen wie info@, sales@, support@ und careers@ ausgeschlossen oder separat behandelt werden.

Schreibt eine Regel auf, der jeder ohne Diskussion folgen kann. Zum Beispiel: „Standardmäßig dedupen wir nach E‑Mail. Stimmen Vorname, Nachname und Unternehmen überein, behandeln wir das als dieselbe Person und behalten die aktuellste Firmen‑E‑Mail. Role‑Accounts sequencen wir nie." In Tools wie LeadTrain lässt sich so eine Regel konsistent durchsetzen, wenn Importe aus mehreren Quellen an einem Ort zusammenlaufen.

Normalisiere deine Daten, bevor du matchst

Bevor du deduplizierst, sorge dafür, dass die Felder, die du vergleichst, gleich aussehen. Die meisten Duplikate rutschen durch, weil dieselbe Person in leicht unterschiedlichen Formen auftaucht.

Typische Abweichungen sind klein, aber lästig: Groß-/Kleinschreibung (JANE vs Jane), Satzzeichen (O’Neil vs Oneil), zusätzliche Leerzeichen und Spitznamen (Bob vs Robert). Selbst E‑Mails variieren, wenn eine Quelle Tags wie "+sales" anhängt oder Punkte anders formatiert. Firmennamen sind genauso chaotisch: „Acme, Inc.", „ACME" und „Acme Incorporated" können dieselbe Firma bezeichnen.

Normalisierungen, die sich zuerst lohnen:

• Extra Leerzeichen trimmen, einheitliche Groß-/Kleinschreibung nutzen und offensichtliche Satzzeichen entfernen, wenn es hilft.
• E‑Mails säubern (lowercase, umgebende Leerzeichen entfernen und entscheiden, wie ihr Plus‑Tags handhabt).
• Namen standardisieren (Vor-/Nachname trennen, Titel wie „Dr." entfernen und eine bevorzugte Anrede speichern, wenn vorhanden).
• Unternehmenssignale normalisieren (Firmenname plus Website‑Domain ist stärker als Name allein).
• Länder/State‑Felder vereinheitlichen (immer dasselbe Format, nicht mix aus „US", „USA" und „United States").

Wenn ihr anruft, normalisiert auch Telefonnummern (ein Format mit Ländervorwahl). Ansonsten stimmen „(415) 555-0123" und "+1 415 555 0123" nicht überein.

Bewahrt die Originalwerte irgendwo auf (z. B. in einem notes‑ oder raw_source‑Feld). Wenn ein Kollege fragt, warum zwei Datensätze zusammengeführt wurden, kannst du die Eingabewerte zeigen, die zur Entscheidung geführt haben.

Wähle Matching‑Regeln, die simpel und konsistent sind

Der schnellste Weg, Prospects zu entduplizieren, ist eine kleine Menge eindeutiger Identifier zu nehmen und sie jedes Mal gleich zu verwenden. Wenn jede Liste anders „gematcht" wird, bringst du immer wieder Duplikate ein.

Beginne mit einer klaren Prioritätsreihenfolge. Die meisten Teams erzielen verlässliche Ergebnisse mit:

• E‑Mail‑Adresse (exakte Übereinstimmung nach Trimmen und Kleinschreibung)
• LinkedIn‑URL (exakte Übereinstimmung nach Entfernen von Tracking‑Teilen)
• Name + Unternehmen + Titel (nur wenn die ersten beiden fehlen)

Fehlende Felder sind die Stelle, an der doppelte Ansprache meist durchsickert. Wenn die E‑Mail fehlt, greife nicht einfach auf den Namen zurück. Zwei Leute können denselben Namen haben, und eine Person kann unter verschiedenen Spitznamen erscheinen. Behandle generische E‑Mails (info@, sales@, support@) als schwache Identifier — sie repräsentieren oft ein gemeinsames Postfach und das Matching darauf kann unterschiedliche Personen zusammenführen.

Nutze einen einfachen Confidence‑Ansatz, damit jeder weiß, was automatisch gemerged wird:

• Exakter Treffer: sicher zum automatischen Zusammenführen (gleiche E‑Mail oder gleiche LinkedIn‑URL)
• Wahrscheinlicher Treffer: zur Überprüfung vormerken (starke Signale, aber ein Feld unterscheidet sich)
• Braucht Überprüfung: nicht mergen (häufiger Name, teilweise Firmenname, fehlende Titel)

Beispiel: Du ziehst „Sam Lee bei Acme" von einem Anbieter ohne E‑Mail und von einem anderen als „Samuel Lee bei Acme Inc" mit LinkedIn‑URL. Das ist nur ein wahrscheinlicher Treffer, wenn das LinkedIn‑Profil passt. Ansonsten behalte beide, bis du es verifiziert hast.

Wenn dein Outbound‑Tool es unterstützt, setze Regeln so, dass exakte Treffer automatisch zusammengeführt werden, während wahrscheinliche Treffer für eine kurze manuelle Prüfung markiert werden. Das hält deine Regeln konsistent und vermeidet Doppelansprache ohne Über‑Merging.

Schritt‑für‑Schritt: ein wiederholbarer Dedupe‑Workflow

Behandle das Entduplizieren zuverlässig wie eine kleine Pipeline: sammle alles an einem Ort, mache es konsistent, match in Schichten und veröffentliche dann eine saubere Ausgabe.

Zieh zuerst alle Anbieterlisten in ein Staging‑Sheet oder eine Tabelle. Bewahre die Roh‑Exporte unverändert in einem separaten Tab, damit du bei Unklarheiten schnell sehen kannst, woher jede Zeile stammt.

Normalisiere dann Spalten und Formate, bevor du irgendetwas matchst. Mach E‑Mails klein, trimme Leerzeichen, standardisiere Telefonformate, trenne vollständige Namen in Vor‑ und Nachname und speichere die Firmen‑Domain separat. Dieser langweilige Schritt verhindert die meisten False‑Misses.

Match in zwei Durchläufen:

• Exakter Match: zuerst auf E‑Mail dedupen. Falls vorhanden, auch auf LinkedIn‑URL (die ist oft stabiler als Titel oder Firmenname).
• Sekundärer Match: für Datensätze ohne E‑Mail oder LinkedIn vergleiche Name + Firmen‑Domain.

Du bekommst trotzdem eine Grauzone mit ähnlichen, aber unsicheren Treffern (z. B. gleicher Name und Firma, aber unterschiedliche Rollen). Prüfe diese manuell und entscheide, ob du sie mergst oder getrennt lässt. Eine einfache Regel hilft: Wenn du nicht erklären kannst, warum es verschiedene Personen sein sollten, markiere als „Needs research" statt zu raten.

Am Ende exportiere eine saubere Liste und weise eine stabile Prospect‑ID zu, die sich nie ändert. Bewahre ein Source‑History‑Feld (welche Anbieter Daten beigesteuert haben) und Merge‑Notes (was du getan hast und warum). Wenn du das in dein Outbound‑Tool lädst, macht eine stabile ID es viel einfacher zu verhindern, dass zwei Sequenzen später dieselbe Person ansprechen.

Randfälle, die auftauchen (und wie du sie behandelst)

Selbst mit sauberen Daten und klaren Regeln treten einige Randfälle immer wieder auf. Wenn du sie vorher planst, vermeidest du, echte Personen versehentlich auszusparen.

E‑Mail‑Eigenheiten: Aliase, Plus‑Zeichen und Punkte

Einige Anbieter behandeln E‑Mail‑Formate unterschiedlich. Ein klassisches Beispiel ist [email protected] versus [email protected]. Viele Postfächer liefern beides an denselben Ort, aber nicht alle.

Ein sicherer Ansatz ist, zwei Felder zu speichern: die Original‑E‑Mail und eine normalisierte E‑Mail, die du für das Matching benutzt. Normalisiere vorsichtig und wende nur Regeln an, bei denen du dir sicher bist.

Kontakte, die wie Duplikate aussehen, es aber nicht sind

Häufige „sieht gleich aus"‑Situationen mit praktischer Standardreaktion:

• Role‑Postfächer wie info@, sales@, support@: normalerweise vom Outbound ausschließen oder in eine separate Kampagne mit anderem Copy‑Ansatz routen.
• Dieselbe Person, neuer Job: als neuer Prospect behandeln, wenn das Unternehmen gewechselt hat, aber den alten Datensatz behalten, damit du keine zwei Intro‑Mails in einer Woche verschickst.
• Muttergesellschaft vs. Tochterfirma: wenn möglich auf Website‑Domain und Firmenadresse matchen, nicht nur auf den Namenstring.
• Geteilte Domains über Marken hinweg (Holding): nimm nicht automatisch an, dass alle auf der Domain zur selben Marke gehören; nutze Firmenname und LinkedIn‑URL als Tiebreaker.

Ein kleines Beispiel

Du ziehst „John Smith" aus zwei Quellen. Ein Datensatz ist [email protected] bei „ACME Holdings", der andere [email protected] bei „ACME Logistics". Wenn deine Regel „gleich = normalisierte E‑Mail" lautet, merge sie und speichere beide Firmennamen als Aliase. Wenn die E‑Mails unterschiedlich sind, Name und Domain jedoch übereinstimmen, markiere zur Überprüfung statt automatisch zusammenzuführen.

Wenn du ein Tool wie LeadTrain nutzt, behalte die normalisierte E‑Mail und deine Entscheidung (merged, new job, needs review) im Master‑Record, damit zukünftige Importe dieselbe Zweideutigkeit nicht neu erzeugen.

Baue ein verlässliches Master‑Prospect‑Record

Um zuverlässig zu entduplizieren, brauchst du einen Ort, der entscheidet, wer eine Person ist — auch wenn derselbe Kontakt in drei Importen leicht unterschiedliche Daten hat.

Erstelle beim Hinzufügen einer neuen Person eine stabile interne Prospect‑ID und ändere sie nie. E‑Mail und Unternehmen können sich ändern, aber die interne ID bleibt. Sie wird der Anker für Merges, Outreach‑Historie und Reporting.

Was im Master‑Record stehen sollte

Ein vertrauenswürdiger Master‑Record ist mehr als ein „best guess" Name und E‑Mail. Halte eine kleine, vollständige Akte vor, die du in Kampagnen wiederverwenden kannst:

• Interne Prospect‑ID (permanent)
• Quelldetails (Provider, Listenname, Importdatum)
• Merge‑Historie (welche Datensätze kombiniert wurden und welche Regel angewendet wurde)
• Outreach‑Status (never‑contact, contacted, in‑sequence, replied)
• Field‑Ownership (welches System Quelle der Wahrheit ist)

Füge Quelldetails hinzu, auch wenn du denkst, du brauchst sie nie. Wenn ein Prospect sich beschwert oder abmeldet, willst du wissen, woher er kam und ob er in mehreren Quellen auftauchte.

Bestimme Feld‑Ownership vor dem ersten Merge

Teams geraten in Schwierigkeiten, wenn zwei Tools um dieselben Felder kämpfen. Einigt euch auf einfache Regeln, z. B.: das CRM besitzt Job‑Titel und Account‑Notes, die E‑Mail‑Plattform besitzt Sequenz‑Status und Last‑Touch, und die zuletzt verifizierte E‑Mail gewinnt gegenüber älteren.

Ein typisches Szenario: Apollo hat „Jon Smith" bei Acme mit einer E‑Mail, ein anderer Anbieter hat „Jonathan Smith" mit einer anderen E‑Mail, und dein CRM hat eine Telefonnummer. Deine Merge‑Historie sollte zeigen, warum du sie kombiniert hast (gleiche LinkedIn‑URL oder gleiche Firma + Name), welche E‑Mail du behalten hast und dass der Outreach‑Status z. B. auf „never‑contact" steht, damit du ihn nicht versehentlich in zwei Sequenzen gleichzeitig packst.

Schnelle Checkliste vor dem Start einer Sequenz

Bevor du sendest, mach eine kurze Runde, die die häufigsten Probleme erwischt: Duplikate, schlechte Adressen und falsche Firmeninfos. Zehn Minuten hier können dir Tage peinlicher Follow‑ups und Zustellbarkeitsprobleme sparen.

Starte mit der neuen Liste selbst. Suche zuerst nach exakten E‑Mail‑Matches, dann nach einem zweiten Identifier wie LinkedIn‑URL. Duplikate schleichen sich oft ein, wenn eine Quelle „[email protected]" und eine andere „[email protected]" liefert. Fehlen LinkedIn‑URLs, nutze eine konsistente Alternative wie Vollname + Firmen‑Domain.

Vergleiche dann die neue Liste mit deiner „bereits kontaktiert"‑Datei für die letzten 90 bis 180 Tage (wähle ein Fenster und halte dich dran). Ziel ist, jemanden zu vermeiden, der kürzlich eine Sequenz bekommen hat, auch wenn er in einem frischen Export auftaucht.

Dann mache einen schnellen Qualitätsfilter:

• Entferne Role‑Postfächer (info@, sales@, support@) und offensichtlichen Müll (fehlendes @, Platzhalter‑E‑Mails).
• Prüfe, ob Firmen‑Domains korrekt und konsistent sind (achte auf .co vs .com, regionale Domains oder Parent vs. Subsidiary).

Spot‑checke schließlich etwa 20 zufällige Zeilen. Achte auf seltsame Formatierungen (extra Leerzeichen, alles in Großbuchstaben), vertauschte Vor/Nachnamen oder Titel im Namensfeld. Wenn du Muster siehst, korrigiere sie in der Masse, bevor du sendest.

Wenn du Kampagnen in LeadTrain fährst, passt diese Checkliste gut zu einem finalen „do not contact"‑Suppression‑Schritt, damit neue Importe nicht versehentlich jemanden doppelt treffen.

Häufige Fehler, die später Duplikate erzeugen

Die meisten Teams deduplizieren einmal und erzeugen dann stillschweigend Woche für Woche neue Duplikate. Die Ursache ist selten das Tool — es sind kleine Gewohnheiten, die unordentliche Daten wieder reinlassen.

Ein häufiger Fehler ist Name‑only Matching. „Alex Lee" ist kein einzigartiger Identifier, und es ist leicht, zwei verschiedene Personen mit demselben Namen zusammenzuführen. Dieses Über‑Mergen ist schlimmer als Duplikate, weil es Jobtitel, Firmen und vergangene Antworten in einen falschen Datensatz mischt. Die nächste Mail kann dadurch unbedacht oder riskant wirken.

Das Gegenproblem ist Unter‑Merging. Kleine Formatunterschiede rutschen durch: „J.P. Morgan" vs „JP Morgan", „Acme Inc" vs „Acme, Inc." oder Telefonnummern mit und ohne Ländervorwahl. Wenn euer Prozess das als unterschiedlich behandelt, habt ihr nicht wirklich dedupliziert, sondern nur die offensichtlichsten Wiederholungen entfernt.

Ein weiterer häufiger Fehler ist, nicht kürzlich Kontaktierte auszuschließen. Wenn du jeden Montag eine frische Liste ziehst, aber Leute, die in den letzten 30–90 Tagen kontaktiert wurden (inkl. Antworten, Bounces, Abmeldungen), nicht filterst, kannst du versehentlich erneut follow‑upen, als wäre es der Erstkontakt.

Duplikate entstehen auch zwischen Teammitgliedern. Ein SDR importiert eine Liste, ein anderer eine ähnliche, und beide Sequenzen laufen aus unterschiedlichen Postfächern. Wenn du nicht über gemeinsame Workspaces und Postfächer dedupest, kann ein Prospect in derselben Woche zwei „Erst‑E‑Mails" bekommen.

Mustermäßig solltest du besonders aufpassen bei:

• Matching nur auf Namen statt auf stabile Identifier wie E‑Mail oder LinkedIn‑URL
• Über‑Mergen zweier echter Personen zu einem Datensatz
• Ignorieren von Normalisierung (Case, Satzzeichen, gängige Firmen‑Suffixe)
• Überspringen einer „kürzlich kontaktiert"‑Suppression
• Persönlichen Tabellenkalkulationen, die nie mit dem Team synchronisiert werden

Wenn du eine Plattform wie LeadTrain nutzt, setze eine Teamregel für Matching und Suppression und lass alle Importe über denselben Weg laufen. Konsistenz ist wichtiger als Perfektion.

Beispiel: Listen aus mehreren Anbietern zusammenführen ohne Überlappung

Du ziehst drei Dateien für eine Kampagne: 500 Prospects von Anbieter A, 500 von Anbieter B und eine alte CSV mit 250 Leuten, die du letztes Quartal kontaktiert hast. Das sind 1.250 Zeilen, aber nicht 1.250 einzigartige Personen.

Starte mit Matching auf E‑Mail (kleingeschrieben, getrimmt). Nach diesem Schritt findest du 170 exakte Duplikate. Die meisten sind dieselbe Person, die von beiden Anbietern verkauft wurde, plus ein paar, die schon in deiner alten CSV stehen. Wenn dein Ziel schnelles, sicheres Dedupe ist, erledigt dieser E‑Mail‑Pass den Großteil der Arbeit.

Erstelle danach einen Bucket für "wahrscheinliche Treffer" — Datensätze, die wie dieselbe Person aussehen, aber unterschiedliche E‑Mails haben. In diesem Beispiel fallen 55 Zeilen in diesen Bucket, z. B.:

Jordan Lee | Acme Logistics | [email protected]

Jordan Lee | Acme Logistics | [email protected]

Nun brauchst du eine Regel, damit das Team immer gleich entscheidet:

• Merge wenn: voller Name und Firma gleich sind und eine E‑Mail klar die gewünschte Unternehmensdomain ist.
• Getrennt lassen wenn: Name zwar gleich ist, aber Standort oder Titel auf verschiedene Personen hindeuten.
• Getrennt lassen wenn: E‑Mails unterschiedliche Domains haben und du keinen Firmenwechsel bestätigen kannst.
• Suppress wenn: die Person in der alten CSV mit einem negativen Outcome auftaucht (abgemeldet, gebounct, um Nichtkontakt gebeten).

Nach der Prüfung mergst du 35 der wahrscheinlichen Treffer (behalte die beste E‑Mail und speichere die andere als Alternative) und lässt 20 getrennt.

Endergebnis:

• Saubere Sendliste: 1.045 einzigartige Prospects
• Suppression‑Liste: 205 E‑Mails (170 entfernte Duplikate + 35 Alternativen nicht verwendet, plus do‑not‑contact aus der Historie)

Wenn du das in deinen Sequencer lädst, importiere die saubere Liste und lade zusätzlich die Suppression‑Liste hoch, damit keine dieser Adressen versehentlich wieder aufgenommen wird.

Duplikate davon abhalten, wiederzukommen

Eine einmalige Aufräumaktion reicht nicht. Neue Importe, Enrichments und Listenweitergaben können dieselben Personen stillschweigend zurückbringen. Ziel ist es, Dedupe zur Gewohnheit zu machen, die automatisch passiert, während dein Team arbeitet.

Wähle eine Frequenz und halte dich daran. Für viele Teams ist die sicherste Regel: dedupe bei jedem Import ausführen und zusätzlich eine wöchentliche Überprüfung, um späte Ergänzungen (z. B. manuelle Uploads oder CRM‑Syncs) zu erfassen.

Halte Importe organisiert, damit du zurückverfolgen kannst, woher Duplikate stammten. Nutze ein einheitliches Namensschema, z. B.: Provider - ICP - Region - YYYY-MM-DD. Wenn jemand fragt „Woher kommt dieser Datensatz?", kannst du in Sekunden antworten.

Suppression‑Listen sind dein Sicherheitsnetz. Wenn eine Person abgemeldet, gebounct oder um Nichtkontakt gebeten hat, sollte das alles überstimmen, selbst wenn sie von einem anderen Anbieter wieder auftaucht.

Eine Präventionsroutine, die funktioniert:

• Dedupe beim Import ausführen, bevor jemand eine Sequenz startet.
• Suppression‑Listen (Abmeldungen, Bounces, Do‑Not‑Contact) zuerst anwenden.
• Eine Quelle der Wahrheit für Schlüssel‑Felder wie E‑Mail und Firma sperren, um Drift zu reduzieren.
• Finalen Pre‑Send‑Check: keine suppresseden Kontakte, keine kürzlichen Kontakte.
• Schreibe die Regeln in ein kurzes, einseitiges SOP.

Beispiel: Dein SDR importiert am Montag 2.000 Leads von Anbieter A und am Mittwoch 1.500 von Anbieter B. Wenn die Mittwochsliste die selben Dedupe‑ und Suppression‑Schritte überspringt, kannst du Leute doppelt anschreiben, die bereits geantwortet oder sich abgemeldet haben.

Wenn du LeadTrain nutzt, baue den finalen Pre‑Send‑Check in eure Kampagnen‑Launch‑Routine ein: bestätige, dass Suppression angewendet wurde und scanne auf Wiederholungen, bevor Nachrichten rausgehen.

Nächste Schritte: Dedupe in deinen Outbound‑Workflow einbetten

Das Ziel ist nicht, Duplikate einmal zu beheben. Das Ziel ist, es schwer zu machen, dass Duplikate überhaupt wieder reinkommen.

Formuliere eure Entscheidung als simples SOP, dem jeder im Team folgen kann: welche Felder ihr matched (E‑Mail, dann LinkedIn‑URL, dann Name + Firma), was zu tun ist, wenn Datensätze widersprüchliche Angaben haben, und was „gewinnt" (neuere Daten, verlässlichere Quelle oder der Datensatz mit Outreach‑Historie).

Entscheide, wo Dedupe passiert, und tu es mehrmals:

• Vor dem Import: bereinige und normalisiere die Datei, führe Matching‑Regeln aus.
• Beim Import: blockiere exakte Duplikate und flagge „vielleicht Duplikate" zur Überprüfung.
• Vor dem Versand: führe einen finalen Check gegen kürzliches Outreach aus, damit niemand doppelt getroffen wird.

Jemand muss sich um die Grauzone kümmern. Bestimme eine Person (oder eine rotierende Verantwortung), die das "maybe duplicate"‑Queue täglich prüft. Gib ihr klare Optionen: merge, getrennt lassen oder suppress. Ohne einen Owner wird die Queue zur Schublade für Müll und Duplikate gelangen in Kampagnen.

Tooling zählt ebenfalls. Wenn deine Listen, Sequenzen, Postfächer und Antwortverarbeitung in verschiedenen Tools leben, sind Duplikate leichter zu erzeugen und schwerer zu finden. Eine zentralisierte Plattform wie LeadTrain hilft, weil Domains, Postfächer, Warm‑up, Sequenzen und Antwortklassifizierung in einem Workflow leben — so sind Matching‑ und Suppression‑Regeln einfacher konsistent anzuwenden.

Verfolge eine Kennzahl: Duplicate‑Rate pro Import (gefundene Duplikate geteilt durch Gesamtzeilen). Beobachte sie wöchentlich. Wenn die Rate steigt, hat sich eine Quelle verändert, jemand hat Schritte übersprungen oder eure Matching‑Regeln brauchen ein Update.