Mejorar la calidad de datos en Salesforce no es un proyecto con fecha de fin. Los datos del CRM se degradan de forma continua —por la entrada manual, las integraciones, el tiempo y ahora los agentes de IA que leen y escriben registros—, de modo que el objetivo no es una limpieza puntual, sino un ciclo repetible que mantenga alta la calidad a medida que llegan datos nuevos. Esta guía expone ese ciclo y las tácticas específicas de Salesforce que hacen que cada paso funcione.
El ciclo de mejora
Todo programa de calidad de datos duradero, lo ejecute a mano o con una herramienta, sigue los mismos cinco pasos:
- Detectar — medir dónde se encuentra hoy, por dimensión y por campo.
- Priorizar — clasificar los problemas por impacto en el negocio frente al esfuerzo de corrección.
- Corregir — limpiar los registros existentes.
- Prevenir — impedir que el mismo problema vuelva a aparecer.
- Supervisar — volver a medir según un calendario para que los nuevos problemas afloren pronto.
Saltarse cualquier paso rompe el ciclo. Limpiar sin prevenir significa corregir los mismos duplicados cada trimestre. Prevenir sin supervisar significa no saber nunca si funcionó. Los pasos se refuerzan entre sí.
Paso 1: Detectar
No se puede priorizar lo que no se ve. Empiece por medir su calidad de datos para obtener una puntuación de calidad de datos de referencia desglosada por dimensión y por campo. El desglose es lo que importa: “la completitud es de 64 en los Accounts, causada por un campo Industry en blanco” es un punto de partida sobre el que puede actuar; “los datos están desordenados” no lo es.
Una buena referencia responde a tres preguntas: qué objetos son los peores, qué dimensión domina el problema y qué campos concretos impulsan los fallos.
Paso 2: Priorizar
No todos los problemas merecen la misma urgencia. Clasifique lo que ha encontrado en dos ejes:
- Impacto en el negocio — ¿impulsa este campo los ingresos, el reporting, la automatización o la IA? Un Opportunity Amount que falta distorsiona la previsión; un número de fax secundario ausente no.
- Esfuerzo de corrección — ¿se puede resolver con una actualización masiva y una validation rule, o requiere un cambio de proceso y el respaldo de las partes interesadas?
Empiece por los problemas de alto impacto y bajo esfuerzo. Generan impulso y liberan capacidad para los problemas estructurales más difíciles.
Paso 3: Corregir
La corrección se reparte en unos pocos patrones repetibles en Salesforce:
| Problema | Corrección habitual |
|---|---|
| Valores que faltan (completitud) | Actualización masiva desde una fuente fiable; enriquecimiento; hacer obligatorio el campo cuando corresponda |
| Formatos no válidos (validez) | Corrección masiva, seguida de una validation rule que imponga el formato en adelante |
| Duplicados (unicidad) | Fusionar registros; configurar duplicate rules y matching rules para bloquear los nuevos |
| Valores incoherentes (coherencia) | Estandarizar a un picklist controlado; sustituir el texto libre por un campo restringido |
| Registros obsoletos (actualidad) | Flujos de reactivación o de archivado; marcar los registros que superen un umbral de frescura |
| PII expuesta | Identificarla con detección de PII, y luego enmascarar, restringir o eliminar |
Corregir el backlog existente es necesario, pero por sí solo es una cinta de correr. La palanca está en el siguiente paso.
Paso 4: Prevenir
La diferencia entre una limpieza puntual y una mejora duradera es la prevención. Salesforce le ofrece controles nativos para frenar los datos defectuosos en su origen:
- Las validation rules rechazan los valores malformados antes de guardarlos.
- Los campos obligatorios (en el page layout o mediante validación) cierran las brechas de completitud en el momento de la entrada.
- Las duplicate rules y matching rules bloquean los Accounts y Contacts duplicados a medida que se crean.
- Los picklists en lugar de texto libre eliminan toda una clase de problemas de coherencia.
- Los contratos de integración —acordar qué sistema es propietario de qué campo— evitan que dos fuentes se sobrescriban entre sí.
Cada control que añade reduce el ritmo al que aparecen nuevos problemas, que es lo que realmente mueve la puntuación con el tiempo.
Paso 5: Supervisar
Una sola corrección se vuelve invisible en cuanto empiezan a fluir datos nuevos. Programe análisis recurrentes —diarios, semanales o mensuales— para que su puntuación de calidad de datos se convierta en una línea de tendencia, no en una instantánea. Cuando una nueva integración empieza a escribir datos defectuosos, una puntuación supervisada cae en cuestión de días y la detecta antes de que llegue a un informe o a un modelo de IA. Sin supervisión, el mismo problema aflora meses después como un dashboard roto en el que nadie confía.
Cómo ayuda DQS
Data Quality Sense da soporte a todo el ciclo dentro de Salesforce, sin exportar datos. Usted define qué significa “bueno” en el Definition Builder, ejecuta un análisis para obtener una puntuación de calidad de datos ponderada con un desglose a nivel de campo, lo programa para que se repita y sigue la tendencia en Insight Studio. La detección y la priorización se convierten en un dashboard en lugar de un ejercicio de hoja de cálculo, de modo que el ciclo es algo que ejecuta de forma continua, no un proyecto que reinicia cada trimestre.
Próximos pasos
- La calidad de datos en Salesforce: la guía completa
- Cómo medir la calidad de datos en Salesforce: la puntuación de calidad de datos
- Errores frecuentes: fallos que socavan los programas de calidad de datos
- Construir una cultura de calidad de datos: hacer que la mejora perdure