On n’améliore pas ce qu’on ne mesure pas. Dans Salesforce, mesurer la qualité des données revient à transformer l’impression vague que « les données sont en désordre » en un chiffre que l’on peut suivre, une ventilation sur laquelle on peut agir, et une tendance que l’on peut surveiller. Ce chiffre, c’est le score de qualité des données — parfois appelé score de fiabilité des données — et ce guide explique comment il fonctionne, comment le lire et comment s’en servir.
Ce qu’est un score de qualité des données
Un score de qualité des données est un chiffre unique, sur une échelle de 0 à 100, qui résume à quel point un ensemble d’enregistrements Salesforce répond aux règles de qualité que vous avez définies. Un score de 100 signifie que chaque enregistrement en périmètre a passé tous les contrôles ; un score plus bas indique à la fois l’ampleur du travail restant et, une fois ventilé, l’endroit précis où il se concentre.
Ce score n’est pas une métrique de façade. Sa valeur repose sur trois propriétés :
- Il est composite. Le score consolide plusieurs dimensions de qualité des données — complétude, validité, unicité, cohérence, actualité — en un seul chiffre comparable.
- Il est pondéré. Tous les problèmes n’ont pas le même poids ; le score reflète les priorités métier plutôt qu’un simple comptage de problèmes.
- Il est reproductible. Exécuté selon un calendrier, le même calcul transforme un audit ponctuel en courbe de tendance que l’on peut piloter.
« Score de fiabilité des données » et « score de qualité des données » décrivent la même idée : une mesure quantifiée et fiable de l’adéquation de vos données à leur usage.
Comment le score est calculé
Un score pertinent dans Salesforce se construit de bas en haut, des champs vers les dimensions puis vers le chiffre global :
- Contrôles au niveau du champ. Chaque règle s’exécute sur les champs en périmètre. Le champ Account Industry est-il renseigné ? L’adresse Contact Email correspond-elle à un format valide ? Cette Opportunity est-elle un doublon ? Chaque contrôle produit un résultat succès/échec au niveau de l’enregistrement.
- Scores par dimension. Les résultats par champ remontent en un score pour chaque dimension. Si 92 % des enregistrements en périmètre passent tous les contrôles de complétude, la complétude affiche 92.
- Score global pondéré. Les scores de dimension se combinent en un chiffre unique, pondéré selon l’importance de chaque dimension pour vous. Un Opportunity Amount manquant peut peser davantage qu’un numéro de téléphone secondaire absent.
C’est cette structure ascendante qui rend le score actionnable. Un simple « 78 » est un point de départ. La ventilation qui le sous-tend — complétude à 65 sur les Accounts, causée par un champ Industry vide issu d’une intégration spécifique — c’est ce que l’on corrige vraiment.
Pourquoi la pondération compte
Deux orgs peuvent afficher 80 et être dans des états très différents. L’un présente des problèmes de formatage mineurs répartis sur des champs peu critiques. L’autre a 20 % de ses Opportunity Amounts manquants. Un simple comptage des anomalies traiterait ces deux situations de la même façon.
La pondération corrige cela. En attribuant un poids plus élevé aux champs et aux dimensions qui pilotent les revenus, le reporting et l’automatisation, le score suit l’impact métier plutôt que le volume de problèmes. Lorsque les poids sont calés sur vos priorités, le chiffre commence à signifier quelque chose qu’un dirigeant peut utiliser.
Lire le score
Un score n’est utile que si l’on peut passer du chiffre de synthèse à une décision. Lisez-le en trois passes :
| Passe | Question | Ce que vous regardez |
|---|---|---|
| 1. Synthèse | Quelle est la santé globale de ces données ? | Le score de qualité des données pondéré unique |
| 2. Par dimension | Quel type de problème domine ? | Scores par dimension (ex. complétude vs. unicité) |
| 3. Par champ | Où se situe précisément le problème ? | Ventilation par champ au sein de la dimension la plus faible |
À la troisième passe, vous ne regardez plus « la qualité des données » dans l’abstrait. Vous regardez un champ précis, sur un objet précis, avec un taux d’anomalie précis — ce qui est une tâche que quelqu’un peut prendre en charge.
Du score à l’action
Un score transforme la mesure en liste de priorités :
- Référence. Lancez le premier scan pour établir votre situation de départ.
- Prioriser. Classez les problèmes par impact métier (poids) par rapport à l’effort de correction. Les problèmes à poids élevé et à faible effort passent en premier.
- Corriger. Nettoyez les enregistrements existants, ajoutez des Validation Rules pour bloquer les nouvelles mauvaises données, et ajustez les processus de saisie.
- Remesurer. Relancez le scan et observez l’évolution du score. Une amélioration qu’on ne peut pas voir est une amélioration qu’on ne peut pas défendre.
Suivre la qualité dans le temps
Une mesure unique est obsolète le lendemain de sa prise, parce que les données Salesforce se dégradent en continu. L’intérêt du score tient à la tendance, pas à l’instantané. Des analyses planifiées — quotidiennes, hebdomadaires ou mensuelles — transforment le score en courbe que l’on peut surveiller : une nouvelle intégration qui commence à écrire de mauvaises données se traduit alors par un creux que l’on détecte en quelques jours, et non par un problème que l’on découvre des mois plus tard dans un rapport cassé.
Comment DQS mesure la qualité des données dans Salesforce
Data Quality Sense produit un score de qualité des données pondéré entièrement dans Salesforce — aucun enregistrement n’est exporté. Vous définissez ce que signifie « bon » dans le Definition Builder (sélection des dimensions, périmètre des objets et champs, définition des seuils et pondérations), lancez l’analyse à la demande ou selon un calendrier, puis explorez les résultats dans Insight Studio : le score global, la ventilation par dimension, l’état de santé des champs et l’évolution dans le temps. Parce qu’il fonctionne nativement, le score reflète toujours les données en direct dans votre org.
Étapes suivantes
- La qualité des données dans Salesforce : le guide complet
- Les cinq dimensions de la qualité des données : ce que le score mesure
- Préparation à Agentforce : préparer votre score pour l’IA