Rémi Kokabi5. September 20268 Min. LesezeitAktualisiert: 28. Sept. 2026

4 Matching-Methoden gegen CRM-Duplikate, bevor sie Ihren Outbound ruinieren (Schritt für Schritt)

Letztes Quartal habe ich erlebt, wie ein Vertriebler demselben Prospect zwei identische Cold Emails geschickt hat, vier Stunden auseinander, aus zwei verschiedenen Sequenzen. Der Prospect hat auf beide geantwortet. Keine der Antworten war freundlich.

Das ist ein Problem mit doppelten Datensätzen. Und es kommt häufiger vor, als die meisten Sales-Teams zugeben. Ein fehlerhafter Merge kann eine komplette Aktivitätshistorie auslöschen. Ein unentdecktes Duplikat kann Ihre Absender-Reputation über Nacht ruinieren. Ich habe CRM-Datenbanken gesehen, in denen 15 - 20 % der Kontaktdatensätze Duplikate waren, die still vor sich hin existierten, Pipeline-Zahlen künstlich aufblähten und Sendelimits verbrannten.

In diesem Beitrag erkläre ich Ihnen Schritt für Schritt, wie Duplikaterkennung funktioniert, welche vier Matching-Methoden die meisten Duplikate finden, wie Sie Regeln in Salesforce und HubSpot einrichten und wie Sie verhindern, dass Duplikate überhaupt in Ihr CRM gelangen.

Was ein CRM Duplicate Detector macht

Ein CRM Duplicate Detector durchsucht Ihre Datenbank nach Datensätzen, die wahrscheinlich dieselbe Person oder dasselbe Unternehmen darstellen. Er vergleicht Werte in Feldern wie E-Mail, Name, Telefonnummer und Unternehmensdomain und markiert dann Paare, die einen bestimmten Match-Schwellenwert überschreiten, zur Überprüfung oder zum Zusammenführen.

Das steckt hinter diesem Vergleich:

  • Feldvergleich: prüft Werte wie E-Mail, Name, Telefon und Domain über Datensätze hinweg, um Überschneidungen zu erkennen

  • Confidence-Scoring: weist eine Match-Wahrscheinlichkeit zu, damit Sie wissen, welche Duplikate Sie zuerst angehen sollten

  • Datensatz-Markierung: zeigt erkannte Paare in einer Prüf-Warteschlange an oder führt sie automatisch zusammen, sobald die Confidence hoch genug ist

  • Cross-Entity-Matching: vergleicht unterschiedliche Datensatztypen, z. B. Lead mit Kontakt, anhand der Felder, die jede Regel definiert

Kontakte und Accounts teilen selten dieselben Matching-Felder. Eine Kontaktregel stützt sich vielleicht auf E-Mail und LinkedIn-URL, während eine Account-Regel auf Unternehmensdomain und Rechnungsadresse setzt. Separate Regeln pro Datensatztyp machen Erkennung präzise statt ungefähr.

Warum doppelte Kontakte und Accounts Ihren Outbound sabotieren

Duplikate machen Ihr CRM nicht nur unübersichtlich. Sie untergraben still die Outbound-Performance, und der Schaden wächst, je länger sie dort liegen. Ich habe genug kaputte Pipelines analysiert, um zu wissen: Duplikate sind fast immer Teil des Problems.

Verschwendete Sequenzen und Doppelversand

Wenn derselbe Prospect als zwei Datensätze existiert, kann ein Vertriebler diese Person in zwei Sequenzen aufnehmen, ohne es zu merken. Der Prospect wird doppelt angesprochen, manchmal am selben Tag, und das Outreach fühlt sich an wie Spam. Fahren Sie Multichannel-Kampagnen über E-Mail, LinkedIn und Anrufe, verdoppelt sich das Problem nicht. Es vervielfacht sich mit jedem zusätzlichen Kanal.

Deliverability-Schäden durch gebouncte Duplikate

Alte doppelte Datensätze enthalten oft veraltete E-Mail-Adressen. Senden Sie an diese, lösen Sie Hard Bounces aus, die Ihre Absender-Reputation Stück für Stück beschädigen. Der Deliverability Hub von lemlist kann die Gesundheit Ihrer Postfächer und Domains überwachen, Warnsignale wie steigende Bounce-Raten und Spam-Signale erkennen und analysieren, ob Performance-Einbrüche von Platzierungsproblemen herrühren. Aber er kann nur Absendende schützen, deren CRM-Daten von Anfang an sauber sind.

Aufgeblähte Pipeline und fehlerhafte Reports

Ein einzelner Deal, der mit zwei Kontaktdatensätzen verknüpft ist, erzeugt Phantom-Pipeline. Ihr Forecast sieht besser aus, als er tatsächlich ist, und niemand merkt es, bis die Zahlen beim Quartalsabschluss nicht aufgehen. Meiner Erfahrung nach sind Duplikate einer der häufigsten Gründe, warum CRM-Reporting nicht mehr die Realität abbildet.

Compliance-Risiko durch redundante Datensätze

Die DSGVO und ähnliche Datenschutzgesetze verpflichten Sie, Lösch- und Auskunftsanfragen zu erfüllen, einschließlich des Rechts auf Löschung nach Artikel 17. Löschen Sie eine Kopie eines Kontakts, während ein Duplikat bestehen bleibt, taucht diese Lücke erfahrungsgemäß zum ungünstigsten Zeitpunkt auf, meistens während eines Audits.

Wie Duplikate in Ihr CRM gelangen

Duplikate entstehen selten, weil jemand sie absichtlich anlegt. Sie sammeln sich durch ganz normale Vertriebsprozesse an, die jeweils eine kleine Lücke hinterlassen.

Manuelle Dateneingabe ohne Suche. Vertriebsmitarbeitende legen neue Datensätze an, statt nach bestehenden zu suchen, besonders wenn es nach einem Anruf oder mitten im Prospecting schnell gehen muss.

Lead-Importe aus Events, CSVs und Enrichment-Tools. Massenimporte aus Messelisten oder Enrichment-Durchläufen können Datensätze einbringen, die bereits existieren. Ohne aktivierte Duplikatprüfung beim Import birgt jeder Upload dieses Risiko.

Multi-System-Sync ohne einheitliche Matching-Keys. Wenn Ihr CRM mit einem Outbound-Tool oder einer Marketing-Plattform synchronisiert, können Datensätze dupliziert werden, wenn die beiden Systeme unterschiedliche Identifikatoren verwenden: eines matcht auf E-Mail, das andere auf ein Custom-ID-Feld.

Formular-Eingaben mit unterschiedlichen E-Mail-Varianten. Ein Prospect, der ein Formular einmal mit der geschäftlichen und einmal mit der privaten E-Mail ausfüllt, erzeugt einen zweiten Datensatz. Die meisten Erkennungsregeln fangen das nicht ab, weil sich das identifizierende Feld selbst geändert hat.

Matching-Methoden zur Erkennung doppelter Datensätze

Jede Duplikaterkennungsregel braucht eine Matching-Methode, also die Logik zum Vergleich von Feldwerten. Welche Methode am besten funktioniert, hängt davon ab, wie standardisiert Ihre Daten bereits sind.

Matching-Methode

So funktioniert sie

Ideal geeignet für

Exakter Match

Vergleicht Werte Zeichen für Zeichen

IDs, E-Mail-Adressen, standardisierte Felder

Erste/Letzte N Zeichen

Matcht anhand einer festgelegten Anzahl von Anfangs- oder Endzeichen

Abgekürzte Firmennamen, verkürzte Vornamen

Fuzzy Match

Bewertet Zeichenketten-Ähnlichkeit mit Algorithmen wie Jaro-Winkler oder Levenshtein-Distanz

Schreibvarianten (z. B. „John Smith" vs. „Jon Smyth")

Contains Match

Markiert Datensätze, bei denen ein Wert den anderen enthält

Teileingaben, verkürzte Namen

Phonetischer Match

Vergleicht, wie Namen klingen, statt wie sie geschrieben werden, mithilfe von Algorithmen wie Soundex oder Metaphone

Namensvarianten über Sprachen oder Transliterationen hinweg (z. B. „Stephen" vs. „Stefan")

Telefonnummern-Normalisierung

Entfernt Formatierungen, Leerzeichen, Bindestriche und Ländercodes vor dem Ziffernvergleich

Telefonfelder, die als „+1 (555) 867-5309" vs. „5558675309" eingegeben wurden

Die meisten Setups kombinieren zwei oder mehr dieser Methoden. Exakter Match auf E-Mail plus Fuzzy Match auf Firmenname fängt zum Beispiel Duplikate ab, die jede Methode allein übersehen würde.

Tipp: Aktivieren Sie „Leere Felder ignorieren" für Felder, die häufig leer sind, z. B. eine zweite Telefonnummer. Sonst erhalten Sie Fehlalarme von Datensätzen, die einfach weniger ausgefüllt sind, nicht andere Daten enthalten.

So richten Sie Duplikaterkennungsregeln für Kontakte und Accounts ein

Der Ablauf ist ähnlich, egal ob Sie Salesforce, HubSpot oder Dynamics 365 nutzen. Die Oberfläche ändert sich, die Logik dahinter nicht.

Ein wichtiger Unterschied vorab: Die meisten CRMs trennen Regeln auf Entity-Ebene von Bedingungen auf Feldebene. Die Entity-Regel definiert, welche Datensatztypen verglichen werden (z. B. Lead-zu-Kontakt oder Account-zu-Account). Die Feldbedingungen legen fest, auf welche Felder gematcht wird und welche Matching-Methode jeweils verwendet wird. Sie konfigurieren beides separat, und die richtige Hierarchie ist entscheidend für die Genauigkeit.

Hier ein konkretes Beispiel, wo Sie in jeder Plattform starten:

  • In Salesforce: Gehen Sie zu Setup → Duplicate Rules → New Rule und verknüpfen Sie eine Matching Rule, die Ihre Felder und Methoden definiert. Laut Salesforces eigenen Matching-Rule-Limits können Sie bis zu drei Matching Rules pro Duplicate Rule und bis zu fünf aktive Matching Rules pro Objekt einbinden.

  • In HubSpot: Gehen Sie zu Settings → Data Management → Data Quality → Duplicate Management, um markierte Duplikate zu prüfen und zusammenzuführen. HubSpots native Deduplizierung ist stärker automatisiert und weniger konfigurierbar als Salesforces Rule Builder. Teams, die granulare Kontrolle brauchen, ergänzen daher oft mit Operations-Hub-Workflows.

Unabhängig von der Plattform folgt das Setup derselben Logik:

1. Wählen Sie Ihre Matching-Felder. Nehmen Sie Felder mit hoher Eindeutigkeit: E-Mail und LinkedIn-URL für Kontakte, Unternehmensdomain und Name für Accounts. Wenige starke Felder schlagen viele schwache.

2. Wählen Sie eine Matching-Methode pro Feld. Eine gängige Kombination: Exakter Match für E-Mail, Fuzzy Match für Firmenname, phonetischer Match für Kontaktname.

3. Legen Sie Confidence-Schwellenwerte fest. Das ist der minimale Match-Score, den ein Paar erreichen muss, bevor das System es markiert. Hoch-Confidence-Treffer können automatisch zusammengeführt werden. Treffer mit niedrigerer Confidence leiten Sie besser zur manuellen Prüfung weiter.

4. Veröffentlichen und testen Sie die Regel. Lassen Sie sie zuerst gegen eine Stichprobe Ihrer Daten laufen. Achten Sie auf False Positives (unterschiedliche Datensätze, die als Duplikate markiert werden) und False Negatives (echte Duplikate, die übersehen werden), und passen Sie die Schwellenwerte an.

5. Planen Sie wiederkehrende Erkennungsläufe. Tägliche Scans für kürzlich aktualisierte Datensätze, wöchentliche für einen Komplett-Durchlauf. Wiederkehrende Läufe fangen ab, was bei manueller Eingabe oder Massenimporten durchrutscht.

So führen Sie doppelte Datensätze zusammen, ohne Daten zu verlieren

Duplikate zu erkennen löst nur die halbe Aufgabe. Ein unvorsichtiger Merge kann Aktivitätshistorie auslöschen oder gültige Daten aus einem der Datensätze verlieren. Ich habe das mehr als einmal erlebt, und verlorene Notizen oder Deal-Verknüpfungen nach einem fehlerhaften Merge wiederherzustellen ist mühsam.

Wählen Sie den Master-Datensatz

Der Master-Datensatz ist derjenige, der nach dem Merge bestehen bleibt. Teams entscheiden oft nach der letzten Aktivität, der Vollständigkeit der Felder oder danach, welcher der aktuell zugewiesenen Person gehört. Definieren Sie die Regel im Voraus, damit Merges konsistent bleiben.

Gleichen Sie Feldwerte vor dem Zusammenführen ab

Vergleichen Sie Feldwerte nebeneinander, bevor Sie irgendetwas zusammenführen. Ein Datensatz hat vielleicht den korrekten Jobtitel, der andere die korrekte Telefonnummer. Die meisten CRMs lassen Sie Feld für Feld auswählen.

Bewahren Sie Aktivitätshistorie und Verknüpfungen

E-Mails, Anrufe, Notizen, Aufgaben und Deal-Verknüpfungen müssen alle in den Master-Datensatz übernommen werden. Prüfen Sie nach dem Merge, ob nichts verloren ging. Genau hier passiert der meiste Datenverlust bei Deduplizierungen.

Duplikate verhindern bei Lead-Import und CRM-Sync

Erkennung reagiert auf ein Problem, das bereits da ist. Prävention stoppt es, bevor es entsteht, und ist meistens die günstigere Option.

Wenn Sie Leads über lemlists 600 Mio.+ Lead-Datenbank beziehen, kommen die Daten bereits verifiziert an, mit geprüften E-Mails und Telefonnummern. Synchronisieren Sie diese Datensätze mit E-Mail oder Domain als Matching-Key in HubSpot oder Salesforce, reduziert sich die Duplikaterstellung deutlich, weil die Daten bereits standardisiert waren, bevor sie Ihr CRM erreicht haben.

Ein solides Präventions-Setup umfasst in der Regel:

  • Duplikate beim Import verhindern:: Lassen Sie vor jedem CSV-Import einen Matching-Durchlauf laufen, ob über die Import-Prüfung Ihres CRMs, ein Spreadsheet-Tool oder ein dediziertes Skript

  • E-Mail oder Domain als primären Matching-Key verwenden: E-Mail funktioniert am besten für Kontakte, Domain für Accounts

  • Erkennungsregeln bei eingehenden Syncs aktivieren: Aktivieren Sie Duplikatprüfungen für jeden eingehenden Integrationsschreibvorgang, einschließlich CRM-zu-CRM-Syncs und Inbound-Leads aus Formularen

  • Feldformate vor dem Sync standardisieren: Normalisieren Sie Telefonnummern, entfernen Sie Leerzeichen aus E-Mails und erzwingen Sie einheitliche Schreibweisen bei Firmennamen, damit Ihre Matching-Regeln korrekt greifen

KI-gestützte Automatisierung der CRM-Duplikaterkennung

Regelbasierte Erkennung hat eine Obergrenze. Sie findet nur das, was Sie explizit definiert haben, und prüft typischerweise Felder innerhalb eines einzelnen Datensatzes, statt Duplikate über übergreifende Beziehungen hinweg zu erkennen.

KI-basierte Erkennung funktioniert anders. Sie kombiniert exaktes Matching mit Fuzzy- und probabilistischem Matching und wendet dann Merge-Richtlinien an, mit einem manuellen Prüfschritt für alles, was riskant ist. Diese Kombination findet, was ein starres Regelset übersieht.

lemlists Claude Skill für CRM-Duplikaterkennung basiert genau auf dieser Idee. Er verbindet sich mit lemlist MCP, sodass Sie Duplikate erkennen, Ihre Daten bereinigen und eine personalisierte Outbound-Kampagne aus einem einzigen Prompt heraus starten können, ohne zwischen Tools zu wechseln. Entdecken Sie ihn auf GitHub.

Was dieser Ansatz zusätzlich zur standardmäßigen regelbasierten Erkennung bietet:

  • Kontextbezogenes Matching: gewichtet mehrere Felder gleichzeitig, statt eine Regel nach der anderen zu prüfen, und erkennt so Zusammenhänge zwischen Datensätzen, die Einzelfeld-Regeln übersehen

  • Automatische Auflösung mit Prüfschritten: schlägt Merges vor oder führt sie basierend auf gelernten Mustern durch, reduziert die manuelle Prüf-Warteschlange und leitet Grenzfälle an Personen weiter

  • Workflow-Integration: speist bereinigte, deduplizierte Datensätze direkt in Outbound-Sequenzen ein, damit Kampagnen auf verifizierten Daten starten

  • Cross-Tool-Sync: verbindet Ihr CRM, Ihre Outbound-Plattform und Enrichment-Quellen, sodass die Deduplizierung systemübergreifend läuft, nicht nur innerhalb einer Datenbank

Jetzt sind Sie dran

Saubere Datensätze sorgen dafür, dass jede Sequenz die richtige Person genau einmal erreicht, die Deliverability intakt bleibt und Pipeline-Zahlen tatsächlich widerspiegeln, was passiert. Der Kreislauf ist einfach: Duplikate erkennen, sorgfältig zusammenführen, neue durch Import-Prüfungen und Sync-Regeln verhindern, dann wiederholen.

Wir haben lemlist genau für diese Art der Umsetzung gebaut. Über 2.000 Bewertungen auf G2 mit einem Rating von 4,6 / 5 zeigen uns, dass Teams, die Outbound auf sauberen, verifizierten Daten fahren, den Unterschied bei Antwortraten und Pipeline-Genauigkeit sehen.

14 Tage kostenlos testen und Outbound auf sauberen, verifizierten Daten starten.

Mach aus Leads echte Pipeline

Finde Prospects, automatisiere Follow-ups und generiere mehr Sales-Opportunities.

Häufig gestellte Fragen

Deduplizierung erkennt gezielt Datensätze, die dieselbe Entität abbilden, und führt sie zusammen. Datenbereinigung geht weiter: Sie umfasst Formatierungsfehler, die Standardisierung von Werten und die Korrektur fehlerhafter Daten. Deduplizierung ist ein einzelner Schritt innerhalb dieses größeren Prozesses.

Die E-Mail-Adresse ist in der Regel am zuverlässigsten, weil sie pro Person normalerweise einmalig ist. Unternehmens-Domain, Telefonnummer und LinkedIn-Profil-URL funktionieren gut als Sekundärfelder, wenn die E-Mail allein keine klare Zuordnung liefert.

Manche ja, manche nicht. Viele CRMs gleichen standardmäßig nur exakt ab. Ein Tippfehler im Namen oder eine abweichende Formatierung rutscht dann durch, wenn Sie kein Fuzzy- oder phonetisches Matching konfiguriert haben.

Sie brauchen einen gemeinsamen Matching-Key, in der Regel die E-Mail-Adresse für Kontakte oder die Domain für Accounts, der in Ihren Integrationseinstellungen gemappt ist. Beim Synchronisieren sucht die Integration anhand dieses Keys nach bestehenden Datensätzen und aktualisiert sie, statt neue anzulegen. Ohne diesen gemeinsamen Key riskieren Sie bei jeder Synchronisierung neue Duplikate.
Rémi Kokabi

Rémi Kokabi

Co-founder @GTM Club

Beitrag teilen