Limpiar la base de leads estudiantes en el CRM antes de lanzar

Qué es realmente una base de leads "sucia" en un CRM de admisiones

Una base sucia no es una lista con algunos errores de tecleo aislados: es una acumulación silenciosa de fichas que ya no representan a un candidato real y contactable. En un CRM de admisiones el problema tiene una forma reconocible, porque las fuentes de captación se multiplican en pocas semanas — feria, formulario web, jornada de puertas abiertas, folleto descargado, chatbot — y cada una genera su propia ficha.

El resultado típico combina cuatro tipos de suciedad. Primero, duplicados por formulario repetido: el mismo candidato rellena la ficha de información en la web, luego otra vez tras un anuncio en redes, y el CRM crea dos o tres registros distintos para la misma persona. Segundo, teléfonos mal escritos o directamente inventados — un candidato que no quiere dar su número real teclea nueve nueves o un dígito de menos para superar un campo obligatorio. Tercero, emails caducados o genéricos: direcciones de instituto que dejan de existir tras la graduación, o bandejas compartidas tipo info@ o admisiones@ que nunca llegan a una persona concreta. Cuarto, fichas incompletas que llevan meses sin interacción y sin datos suficientes para intentar el contacto.

Ninguno de estos cuatro problemas se nota mirando el CRM fila por fila. Se nota cuando lanza una campaña y la tasa de entrega, la tasa de contacto real o el coste por candidato cualificado se desploman sin motivo aparente. Y el problema no deja de crecer solo: HubSpot estima que las bases de contactos se degradan entre un 22% y un 30% cada año por cambios de email, de número o de situación del candidato, así que una base "limpia" hoy vuelve a ensuciarse sin que nadie toque el CRM.

Por qué limpiar antes de una campaña pesa más que limpiar después

Limpiar la base tras el envío corrige el síntoma, no el coste ya asumido. Cuando una campaña sale con una lista sucia, el daño ya está hecho en el momento en que se pulsa "enviar": el presupuesto se gasta contra contactos inalcanzables y no se recupera limpiando la lista al día siguiente.

El impacto se reparte en cuatro frentes. La entregabilidad de email se resiente de inmediato: muchos rebotes duros en un mismo envío hacen que los proveedores de correo marquen los envíos siguientes como sospechosos, penalizando también a los candidatos cuya dirección sí es válida. Google lo dice sin rodeos en sus directrices para remitentes masivos: una tasa de quejas de spam por encima del 0,3% deja al remitente sin margen de mitigación. El presupuesto de captación se desperdicia dos veces sobre el mismo contacto: primero al pagar por adquirirlo, después al no poder alcanzarlo por un dato erróneo. Frente al coste medio de captación de un estudiante matriculado en España, que se sitúa entre 1.100 y 1.700 euros (Fuente: estimaciones Skolbot basadas en datos sectoriales de EAIE, StudyPortals y Campus France, 2025-2026), cada duplicado o teléfono falso consume presupuesto sin ninguna posibilidad de convertir. El equipo de admisiones pierde horas llamando a números que no existen, tiempo que no dedica a candidatos listos para avanzar. Y las estadísticas de la campaña quedan sesgadas: una tasa de conversión calculada sobre una base con fichas muertas no dice nada fiable sobre el rendimiento real del mensaje.

Limpiar antes de lanzar no es, por tanto, una tarea de mantenimiento aplazable. Es la condición para que las métricas de la campaña signifiquen algo.

Reglas de desduplicación: qué considerar la misma persona

Dos fichas se consideran duplicadas cuando coinciden en al menos un identificador fuerte, no solo cuando el nombre se parece — un nombre similar por sí solo genera falsos positivos entre apellidos comunes. Las reglas de coincidencia más útiles en un CRM de admisiones son estas:

• Email exacto o dominio + nombre aproximado: dos fichas con el mismo email son casi siempre la misma persona. Si el email difiere pero el dominio coincide (dos direcciones del mismo instituto, por ejemplo) y el nombre es una coincidencia aproximada, merece revisión manual antes de fusionar.
• Teléfono normalizado: antes de comparar, quite espacios, prefijos internacionales inconsistentes y separadores. Un mismo número escrito como "612345678" y "+34 612 34 56 78" debe tratarse como idéntico, cosa que no ocurre si compara las cadenas de texto tal cual.
• Nombre + centro de origen + fecha de primera interacción cercana: útil cuando ni el email ni el teléfono coinciden pero todo indica que es la misma persona rellenando dos formularios distintos en pocos días.

Al fusionar, decida de antemano qué campo prevalece: gana el dato más reciente para campos de contacto (email, teléfono) y el dato más completo para campos de contexto (programa de interés, notas de un asesor, fuente de captación). Fusionar sin esta jerarquía produce fichas que mezclan datos antiguos y nuevos sin lógica, lo que obliga a un asesor a verificar cada caso a mano — el trabajo que la desduplicación debía evitarle.

Validar email y teléfono: formato, verificación real y qué automatizar

Validar el formato de un dato y verificar que funciona de verdad son dos pasos distintos, y confundirlos es el error más común al montar un proceso de limpieza. La validación de formato solo comprueba que un email tiene estructura de email (usuario@dominio.tld) o que un teléfono tiene el número correcto de dígitos para España — filtra los casos más burdos pero deja pasar direcciones inexistentes o números nunca asignados.

La verificación real va más allá: comprueba que el buzón existe y acepta mensajes, o que el número recibe un SMS de prueba. También detecta lo que el formato no ve, como los dominios de email desechables (correo temporal, alias de un solo uso) o los prefijos de operador que corresponden a líneas poco fiables para el contacto de admisiones.

Para un equipo de admisiones de tamaño medio, la división práctica es esta: automatice la validación de formato y la verificación de email en el momento de la captura — es barato y evita que el problema entre siquiera al CRM. Reserve el SMS de prueba o la llamada de verificación para los candidatos de mayor prioridad antes de una campaña concreta, en lugar de verificar por teléfono toda la base histórica. La revisión manual queda para los casos ambiguos que la automatización no puede resolver sola: ahí el criterio de un asesor sigue aportando más que cualquier regla automática.

Checklist antes de lanzar una campaña de admisiones

Antes de programar el envío, recorra esta lista sobre el segmento exacto que va a recibir la campaña — no sobre la base completa, que puede incluir contactos ya excluidos con razón.

Aplicar esta checklist a cada envío importante, en vez de solo en una gran limpieza anual, mantiene la base sana sin necesitar un proyecto de depuración masivo cada vez.

Cómo un chatbot evita que los datos sucios entren en el CRM

La forma más eficaz de tener una base limpia no es limpiarla mejor después, sino impedir que la suciedad entre en primer lugar. Un formulario web tradicional acepta casi cualquier cosa en un campo de texto libre: un candidato puede escribir "123456789" en el teléfono solo para poder enviarlo, y ese dato inválido llega intacto al CRM, donde nadie lo detecta hasta el intento fallido de contacto semanas después.

Un chatbot de captación bien configurado corta ese problema en el origen porque valida el formato en el momento mismo de la conversación, no en un lote posterior. Si el candidato escribe un número con dígitos de menos, el chatbot lo señala ahí y pide la corrección — algo que un campo de formulario pasivo no puede hacer. Lo mismo ocurre con el email: la conversación permite pedir una aclaración natural ("ese correo no parece completo, ¿puede confirmarlo?") en vez de aceptar cualquier cadena de texto. Al capturar cada dato en su propio campo de conversación, en lugar de en un formulario largo que muchos abandonan a mitad, reduce a la vez los datos incompletos y el abandono.

Este efecto de captura limpia se refleja también en el volumen y coste de los candidatos que llegan al CRM. En un análisis mediano sobre 18 escuelas que combinaron un chatbot de captación con ajustes de funnel entre 2024 y 2025, los candidatos cualificados captados por mes pasaron de 120 a 195 (+62%) y el coste por lead bajó de 42€ a 26€ (-38%) (Fuente: benchmark interno Skolbot, content/zpd-bank.json#chatbot-roi-metrics). Estos resultados combinan el efecto del chatbot con otras optimizaciones del embudo, así que no reflejan el chatbot en solitario — pero sí ilustran que una captura validada desde el primer contacto reduce el coste efectivo por candidato cualificado, no solo la calidad puntual del dato. El chatbot no sustituye al asesor de admisiones que decide a quién llamar primero: le libera de perder tiempo con fichas que nunca debieron llegar tan lejos.

Nuestra comparativa de CRM para escuelas superiores detalla qué plataformas incorporan deduplicación nativa frente a las que requieren un proceso manual aparte, y la guía para calcular el coste real de captación por estudiante explica cómo medir el impacto de una base sucia sobre su CAC.

Preguntas frecuentes

¿Cada cuánto hay que limpiar la base de leads del CRM?

Lo ideal es aplicar la checklist básica antes de cada campaña importante, no solo una vez al año. Una limpieza anual sigue siendo útil como red de seguridad, pero deja que la suciedad se acumule durante meses, justo el periodo en el que se lanzan la mayoría de campañas de admisiones.

¿Es mejor fusionar duplicados o eliminarlos directamente?

Fusionar es casi siempre preferible a eliminar, porque conserva el historial de ambas fichas — páginas visitadas, preguntas al chatbot, notas de un asesor. Elimine solo cuando la ficha duplicada no tenga ningún dato de contacto válido ni historial útil que preservar.

¿Cuánto tiempo hay que conservar los datos de un candidato que nunca respondió?

No existe un plazo único válido para todos los centros: el informe jurídico de la AEPD sobre plazos de conservación recomienda limitar la conservación de datos de prospectos a un periodo proporcional a la finalidad para la que se recogieron, y en la práctica del sector suele fijarse en torno a 2-3 años desde el último contacto. Pasado ese plazo, la ficha debería purgarse o requerir reconfirmar el consentimiento antes de seguir usándose.

¿Un chatbot elimina por completo la necesidad de limpiar la base después?

No del todo. Reduce de forma notable la entrada de datos inválidos porque valida en el momento de la captura, pero no cubre los leads que llegan por otras vías — ferias, formularios en papel, importaciones de listas externas — ni evita que una ficha válida en su día quede obsoleta con el tiempo. La limpieza periódica sigue siendo necesaria como complemento, no como sustituto.

Una base limpia no se consigue con una gran depuración puntual, sino con reglas de desduplicación claras, validación en el momento de la captura y una checklist repetida antes de cada campaña. Nuestra guía de marketing digital para educación superior sitúa esta higiene de datos dentro de la estrategia completa de captación, y el artículo sobre lead scoring para la captación de estudiantes explica cómo priorizar contacto una vez la base ya está limpia.