Was nicht gemessen wird, lässt sich nicht verbessern. In Salesforce bedeutet das Messen von Datenqualität, ein vages Gefühl von „die Daten sind irgendwie unordentlich” in eine Kennzahl zu verwandeln, die man verfolgen kann, eine Aufschlüsselung, auf die man reagieren kann, und einen Trend, den man im Blick behält. Diese Kennzahl ist der Datenqualitäts-Score — manchmal auch Data Reliability Score genannt — und dieser Leitfaden erklärt, wie er funktioniert, wie man ihn liest und wie man auf Basis dieses Scores handelt.
Was ein Datenqualitäts-Score ist
Ein Datenqualitäts-Score ist eine einzelne Kennzahl auf einer Skala von 0 bis 100, die zusammenfasst, wie gut eine Menge von Salesforce-Datensätzen die von Ihnen definierten Qualitätsregeln erfüllt. Ein Score von 100 bedeutet, dass jeder Datensatz im Prüfbereich jede Prüfung bestanden hat; ein niedrigerer Wert zeigt Ihnen sowohl, wie viel Handlungsbedarf besteht, als auch — aufgeschlüsselt — genau wo er sich konzentriert.
Der Score ist keine Schönheitszahl. Seinen Wert bezieht er aus drei Eigenschaften:
- Er ist zusammengesetzt. Der Score fasst mehrere Datenqualitätsdimensionen — Vollständigkeit, Gültigkeit, Eindeutigkeit, Konsistenz, Aktualität — in einer vergleichbaren Zahl zusammen.
- Er ist gewichtet. Nicht jedes Problem wiegt gleich schwer; der Score spiegelt deshalb geschäftliche Prioritäten wider, keine bloße Fehleranzahl.
- Er ist wiederholbar. Regelmäßig ausgeführt, verwandelt dieselbe Berechnung eine einmalige Prüfung in einen Trend, den man aktiv steuern kann.
„Data Reliability Score” und „Datenqualitäts-Score” beschreiben dieselbe Idee: eine quantifizierte, belastbare Aussage darüber, ob Ihre Daten fit for use sind.
Wie der Score berechnet wird
Ein aussagekräftiger Score in Salesforce entsteht von unten nach oben — von Feldern über Dimensionen zur Gesamtbewertung:
- Prüfungen auf Feldebene. Jede Regel wird gegen die Felder im Prüfbereich ausgeführt. Ist Account Industry befüllt? Entspricht Contact Email einem gültigen Format? Handelt es sich bei dieser Opportunity um ein Duplikat? Jede Prüfung ergibt ein Bestanden/Nicht bestanden auf Datensatzebene.
- Dimensions-Scores. Die Ergebnisse auf Feldebene verdichten sich zu einem Score für jede Dimension. Bestehen 92 % der Datensätze im Prüfbereich alle Vollständigkeitsprüfungen, erreicht die Vollständigkeitsdimension einen Score von 92.
- Gewichteter Gesamtscore. Die Dimensions-Scores fließen gewichtet in eine Gesamtzahl ein — entsprechend der Bedeutung jeder Dimension für Ihr Unternehmen. Ein fehlender Opportunity Amount kann dabei mehr zählen als eine fehlende Nebentelefonnummer.
Diese Struktur von unten nach oben macht den Score handlungsfähig. Eine einzelne „78” ist ein Ausgangspunkt. Die dahinterliegende Aufschlüsselung — Vollständigkeit 65 bei Accounts, getrieben durch ein leeres Industry-Feld aus einer bestimmten Integration — ist das, was Sie tatsächlich angehen.
Warum die Gewichtung zählt
Zwei Orgs können beide einen Score von 80 haben und sich dabei in völlig unterschiedlicher Verfassung befinden. Die eine hat kleinere Formatierungsprobleme, verteilt über wenig relevante Felder. Die andere hat bei 20 % ihrer Opportunity Amounts keinen Wert eingetragen. Eine ungewichtete Fehlerzählung würde beides gleich behandeln.
Die Gewichtung korrigiert genau das. Indem Sie Feldern und Dimensionen, die Umsatz, Reporting und Automatisierung antreiben, ein höheres Gewicht geben, misst der Score geschäftlichen Einfluss statt bloßes Fehlvolumen. Wenn Sie die Gewichte auf Ihre Prioritäten abstimmen, beginnt die Zahl etwas zu bedeuten, dem Führungskräfte vertrauen können.
Den Score lesen
Ein Score nützt nur dann etwas, wenn er den Weg von der Gesamtzahl zu einer Entscheidung öffnet. Lesen Sie ihn in drei Durchgängen:
| Durchgang | Frage | Worauf Sie schauen |
|---|---|---|
| 1. Gesamtbild | Wie gesund sind diese Daten insgesamt? | Der einzelne gewichtete Datenqualitäts-Score |
| 2. Nach Dimension | Welche Art von Problem überwiegt? | Scores je Dimension (z. B. Vollständigkeit vs. Eindeutigkeit) |
| 3. Nach Feld | Wo genau liegt das Problem? | Feldbezogene Aufschlüsselung innerhalb der schwächsten Dimension |
Nach dem dritten Durchgang schauen Sie nicht mehr auf „Datenqualität” im Abstrakten. Sie sehen ein konkretes Feld, auf einem konkreten Objekt, mit einer konkreten Fehlerquote — und das ist eine Aufgabe, die jemand übernehmen kann.
Vom Score zur Maßnahme
Ein Score verwandelt die Messung in eine priorisierte Aufgabenliste:
- Baseline ermitteln. Führen Sie den ersten Scan durch, um Ihren Ausgangspunkt zu kennen.
- Priorisieren. Sortieren Sie Probleme nach geschäftlichem Einfluss (Gewichtung) im Verhältnis zum Behebungsaufwand. Probleme mit hohem Gewicht und geringem Aufwand kommen zuerst.
- Beheben. Bestehende Datensätze bereinigen, Validierungsregeln einführen, damit neue Fehler erst gar nicht entstehen, und Erfassungsprozesse überarbeiten.
- Erneut messen. Führen Sie den Scan erneut aus und beobachten Sie, wie sich der Score verändert. Eine Verbesserung, die Sie nicht sehen können, ist eine Verbesserung, die Sie nicht verteidigen können.
Qualität langfristig verfolgen
Eine einzelne Messung ist am Tag nach ihrer Durchführung bereits überholt, denn Salesforce-Daten verschlechtern sich kontinuierlich. Der eigentliche Wert eines Scores liegt im Trend, nicht in der Momentaufnahme. Geplante Scans — täglich, wöchentlich oder monatlich — verwandeln den Score in einen Verlauf, den Sie aktiv überwachen können. So zeigt sich eine neue Integration, die fehlerhafte Daten schreibt, als Ausschlag im Diagramm, den Sie innerhalb von Tagen erkennen — und nicht als Problem, das Sie Monate später in einem fehlerhaften Bericht entdecken.
Wie DQS dies umsetzt
Data Quality Sense erzeugt einen gewichteten Datenqualitäts-Score vollständig innerhalb von Salesforce — ohne Datenexport. Sie definieren im Definition Builder, wie „gut” für Sie aussieht (Dimensionen auswählen, Objekte und Felder im Prüfbereich festlegen, Schwellenwerte und Gewichtungen konfigurieren), starten den Scan on demand oder planmäßig und erkunden das Ergebnis in Insight Studio: den Gesamtscore, die Dimensionsaufschlüsselung, den Feldzustand und den Trendverlauf. Da DQS nativ läuft, spiegelt der Score jederzeit die aktuellen Daten in Ihrer Org wider.
Nächste Schritte
- Datenqualität in Salesforce: der vollständige Überblick
- Die fünf Dimensionen der Datenqualität: was der Score misst
- Datenqualität messen: KPIs und Scorecards im Detail
- Agentforce-Vorbereitung: Ihren Score für KI fit machen