Lo que cubren estos escenarios
Esta página recorre tres configuraciones del mundo real del análisis de completitud de DQS. Cada escenario cubre un problema de negocio concreto, muestra los ajustes exactos que utilizar y explica cómo leer los resultados.
Estos recorridos se apoyan en los conceptos del artículo principal de Completitud. Léalo primero si es nuevo en las métricas de completitud o en el embudo de diagnóstico.
Escenario 1: higiene de correo en Contacts
El problema
Su equipo de ventas informa de que las campañas de correo tienen tasas de entrega bajas. El equipo de operaciones de marketing culpa a los datos, pero nadie sabe cuántos datos de correo faltan en realidad. Necesita un recuento claro de los Contacts sin una dirección de correo utilizable.
Configuración
Esta es una comprobación sencilla de fill rate. Utilice el modo Basic Completeness sobre el objeto Contact, dirigiéndose al campo Email.
| Ajuste | Valor | Motivo |
|---|---|---|
| Modo de análisis | Basic Completeness | Necesita fill rate y desglose, no detección de placeholders |
| Blank As Incomplete | Activado | Capta cadenas vacías procedentes de envíos de formularios, no solo nulls |
| Placeholders As Incomplete | Desactivado | Los campos de correo rara vez contienen valores placeholder como «N/A» |
El campo Email es un campo de texto en Salesforce, por lo que DQS produce tanto el desglose de nulls como el de blancos.
Resultados de ejemplo
| Métrica | Valor |
|---|---|
| Completeness Rate | 73 % |
| Empty Count | 2700 |
| Populated Count | 7300 |
| Null Count | 1800 |
| Null Rate | 18 % |
| Blank Count | 900 |
| Blank Rate | 9 % |
Total de registros de Contact: 10 000.
Leer los resultados
Empiece por la cifra principal: 73 % de completitud. Eso significa que 2700 Contacts no tienen dirección de correo. Sus campañas de correo solo pueden llegar, como máximo, a 7300 de 10 000 contactos.
Ahora recorra el embudo de diagnóstico para entender por qué 2700 registros están vacíos.
Null Count: 1800. Estos Contacts nunca tuvieron un correo introducido. El campo nunca se tocó. Este patrón es habitual en registros creados manualmente en los que los representantes se saltan el campo de correo durante una entrada rápida de datos, o en registros heredados importados de un sistema que no capturaba el correo.
Blank Count: 900. Estos Contacts tienen una cadena vacía en el campo de correo. Se escribió en el campo, pero sin valor. Este patrón apunta a una causa raíz distinta: integraciones con formularios web que envían el registro incluso cuando el campo de correo se deja vacío. La integración escribe '' (cadena vacía) en lugar de dejar el campo como null.
Dos causas raíz requieren dos correcciones distintas:
- Para los 1800 nulls: aborde la laguna de entrada de datos. Haga obligatorio el campo de correo en el page layout de Contact, o añada un aviso durante la creación del registro.
- Para los 900 blancos: corrija la integración. Añada validación en el cliente al formulario web para que los campos de correo vacíos no se envíen, o añada una regla de validación de Salesforce que rechace las cadenas vacías en el correo.
Qué hacer a continuación
Utilice el Empty Count (2700) para delimitar un proyecto de enriquecimiento de datos. Si trabaja con un proveedor de datos, este es su recuento de registros para la estimación de costes. Haga seguimiento de la Completeness Rate a lo largo del tiempo para medir si las correcciones están funcionando.
Escenario 2: detección de placeholders de Industry en Accounts
El problema
Sus informes de segmentación de Account muestran que el 94 % de los Accounts tiene un valor de Industry. Marketing confía en esa cifra y la utiliza para la segmentación de campañas. Sospecha que el 94 % está inflado por valores placeholder como «N/A» y «Unknown» que parecen datos pero no aportan información.
Configuración
Utilice el modo Contextual Completeness sobre el objeto Account, dirigiéndose al campo Industry. Este modo activa la detección de placeholders, que es lo que necesita para probar su hipótesis.
| Ajuste | Valor | Motivo |
|---|---|---|
| Modo de análisis | Contextual Completeness | Activa la detección de placeholders y las métricas de calidad de contenido |
| Blank As Incomplete | Activado | Capta las cadenas vacías junto con los nulls |
| Placeholders As Incomplete | Activado | Este es el núcleo de este análisis |
| Placeholder Values | N/A, TBD, Unknown, Other, None, Not Applicable, - | Valores placeholder habituales para campos de lista desplegable |
| Case-Sensitive Placeholders | Desactivado | Capta «n/a», «tbd», «unknown» y otras variantes de mayúsculas |
Desactive la sensibilidad a mayúsculas para este análisis. Los usuarios introducen los placeholders con todo tipo de capitalización: «n/a», «N/a», «N/A». Captar todas las variantes le da la imagen real.
Resultados de ejemplo
| Métrica | Valor |
|---|---|
| Completeness Rate | 94 % |
| Empty Count | 600 |
| Populated Count | 9400 |
| Incompleted Count | 2400 |
| Placeholder Count | 1800 |
| Placeholder Rate | 18 % |
Total de registros de Account: 10 000.
Leer los resultados
La cifra principal parece saludable: 94 % de completitud. Pero esto es exactamente lo que sospechaba que resultaba engañoso.
Fíjese en la diferencia entre Empty Count e Incompleted Count. Empty Count dice que 600 registros no tienen valor alguno. Incompleted Count dice que 2400 registros no tienen un valor utilizable. La diferencia son 1800 registros con valores placeholder.
Esta es la aritmética:
Incompleted Count (2400) = Empty Count (600) + Placeholder Count (1800)600 registros están visiblemente vacíos. Cualquiera que ejecute un informe estándar de Salesforce los detectaría. Pero 1800 registros contienen valores como «N/A», «Other» o «Unknown» que inflan la tasa de completitud sin aportar datos reales de segmentación.
La completitud utilizable real se acerca más al 76 %, no al 94 %. Esa diferencia de 18 puntos es la incompletitud oculta que los informes estándar no detectan.
Por qué importa para la segmentación: si marketing ejecuta una campaña dirigida a Accounts del sector «Technology», el recuento del segmento es exacto. Pero si ejecuta un informe que muestra la cobertura total por sector, la cifra principal del 94 % oculta que casi 1 de cada 5 registros «cumplimentados» no lleva información de sector utilizable. Las asignaciones de territorio, el enrutamiento por sector y los paneles ejecutivos heredan esta distorsión.
Qué hacer a continuación
Delimite su proyecto de enriquecimiento de datos a 2400 registros, no 600. El objetivo de limpieza es el Incompleted Count, no el Empty Count. Trabaje con sus Account managers para introducir valores de sector reales, o utilice un servicio de enriquecimiento. Vuelva a ejecutar el análisis tras la limpieza para medir la mejora.
Escenario 3: profundidad de Case Description para la preparación para la IA
El problema
Su empresa está evaluando una herramienta de IA que resume las descripciones de Case para los agentes de soporte. El proveedor dice que la IA necesita «datos de texto enriquecido» para funcionar con eficacia. Antes de invertir en la herramienta, necesita evaluar si su campo Case Description tiene suficiente sustancia para que la IA produzca resúmenes útiles.
Configuración
Utilice el modo Contextual Completeness sobre el objeto Case, dirigiéndose al campo Description. Necesita el conjunto completo de métricas contextuales: detección de placeholders y métricas de calidad de texto (Rich Text Ratio, Text Field Utilization, Average Utilization).
| Ajuste | Valor | Motivo |
|---|---|---|
| Modo de análisis | Contextual Completeness | Produce las métricas de profundidad de contenido necesarias para la evaluación de preparación para la IA |
| Blank As Incomplete | Activado | Capta las descripciones vacías |
| Placeholders As Incomplete | Activado | Capta las entradas de relleno superficiales |
| Placeholder Values | See email, Call back, TBD, N/A, -, Pending | Atajos habituales que usan los agentes en lugar de escribir descripciones reales |
La lista de placeholders aquí refleja cómo los agentes de soporte cumplimentan realmente el campo Description. En lugar de escribir una descripción real, escriben una taquigrafía rápida. Esas entradas están técnicamente cumplimentadas, pero no le dan nada a la IA que resumir.
Resultados de ejemplo
| Métrica | Valor |
|---|---|
| Completeness Rate | 88 % |
| Empty Count | 500 |
| Populated Count | 3700 |
| Incompleted Count | 1800 |
| Placeholder Count | 1300 |
| Rich Text Ratio | 31 % |
| Text Field Utilization | 12 % |
| Average Utilization | 8,4 % |
Total de registros de Case: 4200 (estimado a partir de los recuentos de vacíos y cumplimentados, donde 500 vacíos sobre ~4200 en total dan la tasa de completitud del 88 %).
Leer los resultados
Empiece por la cifra principal: 88 % de completitud. Suena saludable para un campo de texto. Pero este análisis trata de la preparación para la IA, no de la higiene de datos. La cifra principal no basta.
Incompleted Count frente a Empty Count. 500 registros no tienen descripción en absoluto. Pero 1800 registros están incompletos cuando se incluyen los placeholders. La diferencia de 1300 registros contiene entradas como «See email», «Call back» y «Pending». Estos registros superan una comprobación básica de completitud, pero no le dan a la IA nada con lo que trabajar.
Rich Text Ratio: 31 %. Esta es la cifra que responde a su pregunta. Solo el 31 % de las descripciones de Case tiene contenido significativo por encima del umbral de caracteres. El 69 % restante de las descripciones «cumplimentadas» son, o bien placeholders (ya contados arriba), o bien entradas demasiado cortas y superficiales para que la IA las resuma, como «incidencia reportada», «el cliente llamó» o «escalado».
Text Field Utilization: 12 %. El campo Description es un Long Text Area con una gran capacidad de caracteres. Los registros utilizan de media solo el 12 % de esa capacidad en el conjunto de datos. Esto confirma que la mayoría de las entradas son muy cortas.
Average Utilization: 8,4 %. El uso medio en todos los registros es del 8,4 % de la capacidad del campo. La mayoría de las descripciones son unas pocas palabras, no párrafos.
El veredicto de preparación para la IA: la herramienta de resumen de IA producirá resultados útiles en aproximadamente el 31 % de los Cases. Para el 69 % restante, la IA no generará un resumen útil o producirá algo basado en un fragmento de frase. La herramienta rendirá por debajo de lo esperado en más de dos tercios de su volumen de casos.
Qué hacer a continuación
Presente estos datos a los grupos de interés antes de comprometerse con la herramienta de IA. Las cifras dejan claro el argumento: el proyecto de IA necesita primero una fase de enriquecimiento de datos. Defina un Rich Text Ratio objetivo (empiece por un 60 % o más) y construya un plan para mejorar la calidad de las descripciones. Las opciones incluyen:
- Actualizar los procesos de creación de Case para exigir una longitud mínima de descripción
- Formar a los agentes de soporte en la redacción de descripciones útiles
- Añadir screen flows que soliciten información detallada durante la apertura del caso
Vuelva a ejecutar el análisis tras cada ciclo de mejora. Siga Rich Text Ratio como su métrica principal de progreso para la preparación para la IA.
Elegir su configuración
Utilice esta tabla para elegir el punto de partida adecuado para su análisis de completitud.
| Si necesita… | Empiece por | Ajustes clave |
|---|---|---|
| Comprobar las tasas básicas de cumplimentación para una auditoría de higiene | Basic Completeness | Blank As Incomplete: activado |
| Detectar valores placeholder que inflan sus cifras | Contextual Completeness | Placeholders As Incomplete: activado, definir su lista de placeholders |
| Evaluar la profundidad de contenido para la preparación para la IA | Contextual Completeness | Placeholders As Incomplete: activado, revisar Rich Text Ratio y las métricas de utilización |
| Delimitar un proyecto de limpieza de datos | Cualquiera de los modos | Use Empty Count (basic) o Incompleted Count (contextual) para los recuentos de registros |
| Distinguir entre datos «nunca introducidos» y «borrados» | Cualquiera de los modos | Compare Null Count con Blank Count para identificar las causas raíz |
Para una referencia completa de las 13 métricas de completitud y su encaje en el embudo de diagnóstico, vuelva al artículo principal de Completitud.
Para ver cómo la completitud y otras dimensiones de calidad de datos afectan a su preparación para la IA, realice la Evaluación de preparación para la IA.