Agentforce-Agenten sind nur so zuverlässig wie die Salesforce-Daten dahinter. Die Datenbereitschaft für Agentforce ist im Kern eine Frage der Datenqualität — vollständige Datensätze, konsistente Werte und keine PII in den Feldern, die Ihre Agenten lesen. Dieser Leitfaden zeigt Phase für Phase, wie Sie Ihre Salesforce-Daten für KI bewerten und vorbereiten.
Was ist Agentforce?
Agentforce ist die KI-Plattform von Salesforce zur Erstellung autonomer Agenten. Diese Agenten rufen Informationen aus Ihren Salesforce-Datensätzen ab, generieren Antworten auf Grundlage Ihrer Daten und führen Aktionen im Namen von Nutzern aus.
Die Qualität Ihrer Daten bestimmt die Qualität des Agentenverhaltens. Agenten arbeiten mit dem, was sie vorfinden. Sind die Daten unvollständig, inkonsistent oder enthalten PII, erzeugt der Agent unvollständige, inkonsistente oder nicht konforme Ausgaben.
Warum Datenqualität für Agentforce entscheidend ist
Drei Datenprobleme führen zu drei unterschiedlichen Fehlern in Agentforce.
Unvollständige Daten führen zu vagen Antworten. Wenn Agentforce einen Case-Datensatz mit leerer Description abruft, gibt es nichts, womit gearbeitet werden kann. Der Agent erzeugt eine generische Antwort, weil kein Kontext verfügbar ist. Die Completeness Rate zeigt Ihnen, wie viele Datensätze in jedem relevanten Feld dieses Problem aufweisen.
Inkonsistente Daten führen zu widersprüchlichen Antworten. Wenn das Feld Country die Werte „US”, „USA”, „United States” und „U.S.A.” enthält, behandelt der Agent diese als vier verschiedene Werte. Ein Kunde, der nach US-Operationen fragt, erhält je nachdem, welchen Datensatz der Agent abruft, eine andere Antwort. Die Conformance Rate zeigt, wie fragmentiert Ihre Daten sind.
PII in Textfeldern schafft Compliance-Risiken. Wenn ein Agent einen Case-Kommentar abruft, der eine Sozialversicherungsnummer enthält, gelangen diese PII in den KI-Kontext. Der Agent kann sie in einer Antwort offenlegen. Die PII Exposure Rate zeigt, wie weit verbreitet dieses Risiko in Ihren Textfeldern ist.
Der Zeitplan für die Agentforce-Datenbereitschaft
Planen Sie die Datenbereitschaft für Agentforce in vier Phasen.
Phase 1: Bewertung (3+ Monate vorher)
Führen Sie DQS-Scans über alle Objekte aus, auf die Agentforce zugreifen wird. Messen Sie Basiswerte für jede Dimension.
| Dimension | Schlüsselmetrik | Was sie Ihnen verrät |
|---|---|---|
| Completeness | Completeness Rate | Prozentsatz der Felder mit Daten |
| Consistency | Conformance Rate | Prozentsatz der Übereinstimmung mit erwarteten Werten |
| Validity | Validity Rate | Prozentsatz, der Formatregeln besteht |
| Timeliness | Timeliness Rate | Prozentsatz aktueller Datensätze |
| Uniqueness | Duplicate Rate | Prozentsatz doppelter Datensätze |
| PII Detection | PII Exposure Rate | Prozentsatz der Datensätze mit PII |
Dokumentieren Sie diese Basiswerte. Sie benötigen sie für den Vergleich nach der Bereinigung.
Phase 2: Bereinigung (2 Monate vorher)
Arbeiten Sie die Dimensionen in Prioritätsreihenfolge ab. PII zuerst, dann die Dimensionen, die die Qualität des KI-Kontexts beeinflussen.
1. PII (Woche 1–2). Bereinigen Sie zuerst SSN- und Kreditkartenfunde. Verwenden Sie den Critical-Preset-Scan, um finanzielle PII zu isolieren. Prüfen Sie Treffer, dann maskieren, löschen oder schließen Sie bestätigte Funde aus. Führen Sie den Scan erneut aus, um die Bereinigung zu validieren.
2. Completeness (Woche 2–4). Konzentrieren Sie sich auf Felder, die Agentforce für Antworten verwendet: Description, Comments, Notes. Fehlende Daten bedeuten fehlenden KI-Kontext. Priorisieren Sie die Felder mit der niedrigsten Completeness Rate.
3. Consistency (Woche 3–5). Standardisieren Sie Picklist- und Referenzfelder. Nutzen Sie „Import from Field”, um vorhandene Varianten zu entdecken, definieren Sie dann Ihre kanonischen Werte und normalisieren Sie. Je weniger Varianten pro Feld, desto zuverlässiger die Antworten des Agenten.
4. Validity (Woche 4–6). Beheben Sie Formatprobleme bei strukturierten Feldern (E-Mail, Telefon, Datum). Ungültige Formate erzeugen unzuverlässige Daten für den KI-Abruf. Konzentrieren Sie sich auf Felder, deren Validity Rate unter 90 % liegt.
5. Timeliness und Uniqueness (Woche 5–8). Kümmern Sie sich um veraltete Datensätze und Duplikate. Alte Daten lehren Agenten überholte Muster. Duplikate erzeugen widersprüchliche Antworten, wenn der Agent verschiedene Versionen desselben Datensatzes abruft.
Phase 3: Validierung (1 Monat vorher)
Führen Sie alle DQS-Scans erneut aus. Vergleichen Sie die Ergebnisse mit den Basiswerten aus Phase 1.
| Metrik | Basiswert | Nach Bereinigung | Ziel |
|---|---|---|---|
| Completeness Rate (Schlüsselfelder) | ___% | ___% | 85 %+ |
| Conformance Rate (Picklists) | ___% | ___% | 90 %+ |
| Validity Rate (strukturierte Felder) | ___% | ___% | 90 %+ |
| PII Exposure Rate | ___% | ___% | Unter 1 % |
Testen Sie Agentenantworten auf bereinigten Daten. Verifizieren Sie, dass Agenten korrekte, angemessene Ausgaben liefern und dass keine PII in generierten Inhalten erscheinen.
Holen Sie vor dem Deployment die Freigabe des Compliance-Teams ein.
Phase 4: Überwachung (laufend)
Planen Sie wiederkehrende DQS-Scans. Die Datenqualität verschlechtert sich, wenn Nutzer neue Datensätze anlegen, daher reicht eine einmalige Bereinigung nicht aus.
Empfohlene Taktung:
| Scan | Häufigkeit | Objekte |
|---|---|---|
| PII Detection | Wöchentlich | Cases, Leads (Textfelder mit hohem Volumen) |
| Completeness + Consistency | Monatlich | Alle Objekte im Agentforce-Umfang |
| Vollständiger Scan (alle Dimensionen) | Quartalsweise | Gesamte Organisation |
Verfolgen Sie Metriktrends über die Zeit. Regelmäßige Scans erkennen Rückschritte frühzeitig, bevor sie die Agentenleistung beeinträchtigen.
Checkliste vor dem Deployment
Datenqualität
- Alle Objekte im Agentforce-Umfang mit DQS gescannt
- Completeness Rate über 85 % bei den von Agentforce verwendeten Feldern
- Conformance Rate über 90 % bei Picklist- und Referenzfeldern
- Validity Rate über 90 % bei strukturierten Feldern (E-Mail, Telefon, Datum)
PII-Sicherheit
- PII Exposure Rate unter 1 % bei Textfeldern, auf die Agentforce zugreift
- Keine SSN- oder Kreditkarten-Treffer bei Case Description und Comments
- Feldspezifische Pattern-Overrides für Felder mit erwartetem Inhalt konfiguriert
Betrieb
- Wiederkehrender Scan-Zeitplan konfiguriert
- Basiswerte zur Trendverfolgung dokumentiert
- Verantwortlichkeiten für Bereinigung je Dimension zugewiesen
Häufige Fallstricke
1. Deployment ohne Bewertung. Führen Sie DQS-Scans vor jeder Deployment-Planung durch. Die meisten Organisationen entdecken unerwartete Probleme. Ein 15-minütiger Scan offenbart Probleme, deren manuelle Identifikation Monate dauern würde.
2. Unterschätzung der PII-Exposition. PII verbergen sich in Description-, Notes- und Comments-Feldern, in die Nutzer Kundenkommunikation einfügen. Email-to-Case erfasst SSNs und Kreditkartennummern aus eingehenden Nachrichten. Scannen Sie alle Textfelder, nicht nur dedizierte PII-Felder.
3. Einmalige Bereinigung. Die Datenqualität verschlechtert sich, wenn Nutzer neue Datensätze anlegen. Ein heute sauberer Datensatz sammelt innerhalb von Wochen neue Probleme an. Planen Sie wiederkehrende Scans und überwachen Sie Metriktrends, um Rückschritte zu erkennen, bevor sie Ihre Agenten erreichen.
Nächste Schritte
- PII Detection: PII-Scans für Agentforce-Daten konfigurieren
- Completeness: Sicherstellen, dass Felder Daten enthalten, mit denen die KI arbeiten kann
- Consistency: Werte standardisieren, die die KI abruft
- Die fünf Dimensionen: Vollständiger Überblick über alle Datenqualitätsdimensionen
- KI-Bereitschafts-Assessment: Ermitteln Sie Ihren aktuellen Bereitschaftswert