Data enrichment: cos'è e come farlo senza inventare dati

Il data enrichment, in italiano arricchimento dei dati, è il lavoro con cui aggiungi alle schede di contatti e aziende informazioni che non hai raccolto tu: il settore, il numero di dipendenti, il sito, la città, i clienti che servono, il software che usano. Serve a capire meglio chi hai davanti e a scrivergli qualcosa di specifico. Il rischio è riempire il CRM di dati che sembrano veri e non lo sono, e rovinare la qualità dei dati che hai già.

Se hai una lista di lead con il solo nome dell’azienda e un’email, qui trovi cosa vale la pena aggiungere, da dove prendere i dati, come usare l’AI senza farle inventare niente e quanto costa davvero. In fondo c’è il caso di una lista di 1.277 aziende che ho arricchito a novembre, con quello che è andato storto.

Cos’è il data enrichment e a cosa serve

Una scheda lead appena importata di solito ha tre campi: nome, azienda, email. Per decidere a chi scrivere e cosa dire ne servono altri. L’enrichment li aggiunge prendendoli da fuori: database commerciali, siti delle aziende, registri pubblici, ricerche web.

Si usa per tre cose:

• filtrare la lista: tenere solo le aziende della dimensione e del settore giusti, prima di spendere invii;
• personalizzare il messaggio: aprire un’email a freddo con un fatto vero su chi la riceve;
• assegnare e dare priorità: mandare il lead al commerciale giusto e chiamare prima chi somiglia ai clienti che hai già.

I CRM grandi lo fanno in parte da soli. HubSpot, per esempio, riempie campi come ruolo, settore e dimensione aziendale partendo dall’email di lavoro o dal dominio, con dati presi dal proprio archivio, da fornitori terzi e da informazioni pubbliche. Di serie non sovrascrive i valori che ci sono già (guida di HubSpot all’arricchimento dei dati). Per i campi che servono a personalizzare davvero, come i clienti di un’azienda o il progetto appena finito, i database non bastano: bisogna andare a leggere.

Quali dati aggiungere ai lead

Prima di arricchire decidi cosa ti serve e perché. Ogni campo in più costa tempo o crediti, e un campo che nessuno usa è solo rumore.

Dato	A cosa serve	Da dove si prende
Settore e dimensione	filtrare la lista	database commerciali, registri, LinkedIn
Sito e dominio	tutto il resto parte da qui	email di lavoro, ricerca web
Clienti serviti	aprire l’email con un fatto vero	pagine referenze e casi studio del sito
Tecnologie usate	capire se il problema c’è	sito, offerte di lavoro, partner
Ruolo di chi decide	scrivere alla persona giusta	LinkedIn, pagina chi siamo

Il campo che fa la differenza in un’email è quasi sempre quello più faticoso: i clienti dell’azienda o un suo progetto recente. È anche quello dove l’AI sbaglia di più.

Come fare data enrichment con l’AI senza inventare

Un modello linguistico a cui chiedi “chi sono i clienti di questa azienda?” risponde quasi sempre qualcosa. Se il dato non lo trova, tende a tirare a indovinare: una ricerca del 2025 spiega che addestramento e valutazione dei modelli premiano chi indovina rispetto a chi ammette di non sapere (Why Language Models Hallucinate). In una lista di mille righe nessuno se ne accorge, finché un destinatario non risponde “quello non è un nostro cliente”.

Per questo il controllo lo fa qualcosa di diverso dal modello che ha estratto il dato. Io lo divido in quattro passaggi.

1. Parti dalla fonte, non dalla domanda

Non chiedere al modello cosa sa di un’azienda: dagli le pagine da leggere. Per i clienti io prendo dalla sitemap del sito le pagine con nomi come clienti, casi studio, progetti, referenze e news, fino a una ventina per sito, e le integro con tre ricerche web per azienda. Il modello lavora solo su quel testo.

2. Fai estrarre, con la pagina accanto

L’estrazione restituisce coppie azienda-dato insieme all’indirizzo della pagina da cui vengono. Senza la pagina il dato non si può ricontrollare, quindi non entra.

3. Verifica alla lettera

Un programma controlla che il nome compaia davvero, parola per parola, nel testo della pagina. Poi un secondo modello, diverso dal primo, conferma che in quella pagina il nome compare come cliente e non come partner, fornitore o esempio. Se uno dei due dice no, il dato si scarta.

4. Tieni solo le pagine dell’azienda

Le pagine di terzi, come comunicati, siti di fornitori o articoli, sembrano fonti ottime. Nel mio caso erano quasi tutte di aziende estere con lo stesso nome: clienti veri, ma di un’altra società. Ora un dato preso fuori dal dominio dell’azienda non entra in automatico: va in una lista a parte da guardare a mano.

Il caso reale: 1.277 aziende, 809 arricchite

La mia agenzia stava preparando una campagna di email a freddo verso piccole agenzie e società di servizi digitali. L’apertura dell’email citava uno o due clienti di chi la riceve, quindi per ogni azienda serviva il campo “clienti”. I numeri vengono dagli script di arricchimento e dalla pagina di revisione.

• Primo giro: 340 aziende con i clienti compilati, senza verifica alla lettera. Ricontrollate sul loro sito, in 282 tutti i nomi c’erano davvero, 24 ne hanno persi una parte e 34 sono rimaste senza nessun nome valido.
• Secondo giro, sulle 835 rimaste vuote: pagine lette per 744 aziende, 538 coppie azienda-cliente proposte dal modello, 423 confermate dal verificatore. Poi ho scartato tutti i 197 nomi trovati su pagine di terzi e due nomi a mano: uno troncato, uno troppo generico. Restano 199 aziende nuove.
• Terzo giro, su chi non aveva clienti verificabili: al posto dei clienti, una frase su un prodotto o un progetto preciso, con la frase di prova presa dal sito. Ne sono uscite 304, rilette una a una; le generiche e le sgrammaticate le ho tolte.
• Risultato: 505 aziende con i clienti verificati e 304 con un’apertura presa dal sito, 809 su 1.277, il 63%. Le altre 468 restano vuote.

Riempire anche quelle sarebbe stato facile, e non l’ho fatto. Inventare i clienti di un’azienda e poi scriverle “lavorate con clienti come…” è il modo più veloce per bruciare un contatto.

Tre cose non le avevo previste. Le 58 aziende del primo giro con nomi non confermati dimostrano che, senza verifica alla lettera, una parte dei dati è sbagliata anche quando sembra credibile. Il verificatore però sbaglia anche al contrario: all’inizio scartava nomi veri nelle liste di loghi, e 20 li ho ripescati a mano dopo aver corretto la regola. E il costo è stato più alto: lo strumento di ricerca web ha consumato circa 1.535 crediti contro i 420 che avevo stimato, più del triplo, perché la lettura dei siti che bloccano i programmi costava crediti anche quando nel test non si vedeva. Da lì in poi estrazione e verifica le ho spostate su modelli gratuiti o molto economici.

Tabella di sintesi

Prima di caricare i dati nel CRM

1. Rileggi un campione a mano. Venti righe a caso, aprendo la pagina di origine. Se ne trovi due sbagliate, fermati e correggi il controllo prima di caricare il resto.
2. Carica i dati in un campo separato con la data dell’arricchimento, senza sovrascrivere quelli inseriti dai commerciali.
3. Togli i doppioni prima, non dopo, con la deduplicazione: arricchire due volte la stessa azienda paga due volte lo stesso dato. Per il metodo vedi la guida alla qualità dei dati nel CRM.
4. Se i dati riguardano persone (nome, ruolo, email presi da fonti pubbliche) il GDPR chiede di dire loro da dove vengono, al più tardi con il primo messaggio (articolo 14 del GDPR). I clienti di un’azienda presi dal suo sito sono dati aziendali; nome e ruolo di un decisore no.

Errori da evitare

• Arricchire prima di aver deciso il messaggio. Raccogli dati che poi nessuno usa.
• Usare l’AI come fonte. Il modello deve leggere pagine, non ricordare aziende.
• Fidarsi di un nome perché è credibile. Nel mio primo giro 58 aziende su 340 avevano almeno un nome che sul loro sito non ho potuto confermare.
• Prendere per buone le pagine di terzi. Gli omonimi sono più frequenti di quanto pensi, soprattutto con nomi brevi.
• Inseguire il 100%. Meglio il 63% di dati veri che il 100% con dentro nomi inventati.
• Dimenticare che i dati invecchiano. Un cliente citato tre anni fa può non esserlo più: scrivi la data dell’arricchimento nel CRM. Per usare quei campi nei messaggi vedi le email personalizzate con il CRM.

Domande frequenti

Cosa significa data enrichment?

Vuol dire arricchimento dei dati: aggiungere a una scheda contatto o azienda informazioni prese da fonti esterne, come settore, dimensione, sito, clienti o tecnologie usate. Serve a filtrare le liste, personalizzare i messaggi e dare priorità ai lead.

Che differenza c’è tra data enrichment e lead enrichment?

Nessuna sostanziale: lead enrichment è il data enrichment applicato ai lead, cioè ai contatti commerciali non ancora clienti. Data enrichment vale anche per i clienti già acquisiti.

Si può fare data enrichment con ChatGPT o un altro modello AI?

Sì, se il modello legge pagine che gli dai tu e ogni dato viene ricontrollato fuori dal modello. Chiedergli direttamente cosa sa di un’azienda porta a dati inventati difficili da riconoscere.

Quanto costa il data enrichment?

Dipende dai campi. I dati di base come settore e dimensione si comprano dai database commerciali o sono inclusi in alcuni CRM. I campi che richiedono di leggere i siti costano in crediti di ricerca e di AI: nel mio caso lo strumento di ricerca ha consumato più del triplo della stima. Prova sempre su un campione prima di partire.

Il data enrichment è legale con il GDPR?

Per i dati aziendali sì. Per i dati di persone fisiche, anche se pubblici, serve una base giuridica e bisogna informare la persona di dove li hai presi, al più tardi al primo contatto, come chiede l’articolo 14 del GDPR.

Vuoi una lista che regga prima di scrivere?

Qui sotto trovi il playbook che uso per scrivere ai contatti senza finire nello spam e senza sembrare un bot, con la parte sulla preparazione della lista. Se i dati arricchiti finiscono in un CRM pieno di doppioni e campi compilati a metà, con la Diagnosi CRM controllo da dove partire.