Complétude : scénarios de configuration

Ce que couvrent ces scénarios

Cette page déroule trois configurations réelles de l’analyse de complétude DQS. Chaque scénario couvre un problème métier précis, montre les paramètres exacts à utiliser et explique comment lire les résultats.

Ces pas à pas s’appuient sur les concepts de l’article principal Complétude. Lisez-le d’abord si vous débutez avec les métriques de complétude ou l’entonnoir de diagnostic.

Scénario 1 : hygiène e-mail sur les Contacts

Le problème

Votre équipe commerciale signale que les campagnes e-mail ont des taux de livraison faibles. L’équipe marketing ops accuse les données, mais personne ne sait combien d’adresses manquent vraiment. Vous avez besoin d’un chiffre clair de Contacts sans e-mail utilisable.

Configuration

C’est un contrôle de taux de remplissage direct. Utilisez le mode Basic Completeness sur l’objet Contact, en ciblant le champ Email.

Le champ Email est de type texte dans Salesforce, donc DQS produit à la fois les décompositions null et blanc.

Exemple de résultats

Total d’enregistrements Contact : 10 000.

Lire les résultats

Commencez par la tête d’affiche : 73 % de complétude. Cela signifie que 2 700 Contacts n’ont pas d’adresse e-mail. Vos campagnes e-mail ne peuvent atteindre que 7 300 Contacts sur 10 000 au mieux.

Parcourez maintenant l’entonnoir de diagnostic pour comprendre pourquoi 2 700 enregistrements sont vides.

Null Count : 1 800. Ces Contacts n’ont jamais eu d’e-mail saisi. Le champ n’a jamais été touché. Ce schéma est courant sur les enregistrements créés manuellement où les commerciaux sautent le champ e-mail à la volée, ou sur des enregistrements legacy importés d’un système qui ne capturait pas l’e-mail.

Blank Count : 900. Ces Contacts ont une chaîne vide dans le champ e-mail. Le champ a été écrit, mais sans valeur. Ce schéma pointe vers une autre cause racine : des intégrations de formulaires web qui soumettent l’enregistrement même quand le champ e-mail est vide.

Deux causes racines exigent deux correctifs :

• Pour les 1 800 nulls : traitez la lacune de saisie. Rendez le champ e-mail obligatoire sur la Page Layout Contact, ou ajoutez une invite à la création.
• Pour les 900 blancs : corrigez l’intégration. Ajoutez une validation côté client au formulaire web pour ne pas soumettre d’e-mails vides, ou ajoutez une Validation Rule qui rejette les chaînes vides.

Que faire ensuite

Utilisez Empty Count (2 700) pour cadrer un projet d’enrichissement. Si vous travaillez avec un fournisseur de données, c’est votre volume pour l’estimation de coût. Suivez Completeness Rate dans le temps pour mesurer l’efficacité des correctifs.

Scénario 2 : détection de placeholders sur Industry (Accounts)

Le problème

Vos rapports de segmentation Account montrent que 94 % des Accounts ont une valeur Industry. Le marketing se fie à ce chiffre et l’utilise pour le ciblage de campagnes. Vous suspectez que les 94 % sont gonflés par des placeholders comme « N/A » et « Unknown » qui ressemblent à des données mais ne portent aucune information.

Configuration

Utilisez le mode Contextual Completeness sur l’objet Account, en ciblant le champ Industry. Ce mode active la détection de placeholders, qui est exactement ce dont vous avez besoin.

Désactivez la sensibilité à la casse. Les utilisateurs saisissent des placeholders dans toutes les capitalisations.

Exemple de résultats

Total Accounts : 10 000.

Lire les résultats

Le chiffre principal semble sain : 94 % de complétude. Mais c’est exactement ce que vous suspectiez comme trompeur.

Regardez l’écart entre Empty Count et Incompleted Count. Empty Count dit que 600 enregistrements n’ont pas de valeur du tout. Incompleted Count dit que 2 400 enregistrements n’ont pas de valeur utilisable. La différence est de 1 800 enregistrements avec des placeholders.

Voici le calcul :

Incompleted Count (2 400) = Empty Count (600) + Placeholder Count (1 800)

600 enregistrements sont visiblement vides. N’importe qui avec un rapport Salesforce standard les repérerait. Mais 1 800 enregistrements contiennent des valeurs comme « N/A », « Other » ou « Unknown » qui gonflent le taux de complétude sans fournir de vraie donnée de segmentation.

La véritable complétude utile est plus proche de 76 %, pas 94 %. Cet écart de 18 points est l’incomplétude cachée que les rapports standards ne voient pas.

Pourquoi cela compte pour la segmentation : si le marketing lance une campagne ciblant l’industrie « Technology », le comptage du segment est exact. Mais s’il lance un rapport de couverture totale par industrie, l’affichage principal à 94 % cache le fait que près d’un enregistrement sur 5 « renseignés » ne porte aucune information d’industrie utilisable.

Que faire ensuite

Cadrez votre projet d’enrichissement sur 2 400 enregistrements, pas 600. La cible de nettoyage est Incompleted Count, pas Empty Count. Travaillez avec vos account managers pour remplir de vraies valeurs Industry, ou utilisez un service d’enrichissement. Relancez le scan après pour mesurer l’amélioration.

Scénario 3 : profondeur des descriptions de Cases pour la préparation à l’IA

Le problème

Votre entreprise évalue un outil d’IA qui résume les descriptions de Cases pour les agents de support. Le fournisseur dit que l’IA a besoin de « données texte riches » pour fonctionner efficacement. Avant d’investir, vous devez évaluer si votre champ Description a assez de substance.

Configuration

Utilisez le mode Contextual Completeness sur l’objet Case, en ciblant le champ Description. Vous avez besoin de l’ensemble complet des métriques contextuelles : détection de placeholders et métriques de qualité de texte (Rich Text Ratio, Text Field Utilization, Average Utilization).

La liste de placeholders reflète la façon dont les agents remplissent réellement ce champ. Au lieu d’écrire une vraie description, ils tapent un raccourci.

Exemple de résultats

Total Cases : 4 200.

Lire les résultats

Commencez par la tête d’affiche : 88 % de complétude. Cela semble sain. Mais cette analyse concerne la préparation à l’IA, pas l’hygiène des données.

Incompleted Count vs Empty Count. 500 enregistrements n’ont aucune description. Mais 1 800 enregistrements sont incomplets en incluant les placeholders. L’écart de 1 300 enregistrements contient des entrées comme « See email », « Call back » et « Pending ». Ces enregistrements passent un contrôle basique mais ne donnent rien à l’IA.

Rich Text Ratio : 31 %. Voilà le chiffre qui répond à votre question. Seulement 31 % des descriptions ont un contenu significatif au-dessus du seuil de caractères. Les 69 % restants de descriptions « renseignées » sont soit des placeholders soit des entrées trop courtes et superficielles pour que l’IA les résume.

Text Field Utilization : 12 %. Le champ Description est un Long Text Area avec une grande capacité. Les enregistrements n’utilisent que 12 % de cette capacité en moyenne.

Average Utilization : 8,4 %. L’utilisation moyenne est de 8,4 % de la capacité. La plupart des descriptions sont de quelques mots, pas des paragraphes.

Le verdict préparation IA : l’outil de synthèse IA produira des résultats utiles pour environ 31 % des Cases. Pour les 69 % restants, l’IA échouera ou produira quelque chose à partir d’un fragment de phrase.

Que faire ensuite

Présentez ces données aux parties prenantes avant d’engager l’outil IA. Les chiffres parlent d’eux-mêmes : le projet IA a d’abord besoin d’une phase d’enrichissement de données. Définissez un Rich Text Ratio cible (commencez à 60 % ou plus) et bâtissez un plan :

• Mettez à jour les processus de création de Cases pour exiger une longueur minimale de description
• Formez les agents à écrire des descriptions utiles
• Ajoutez des Screen Flows qui demandent des informations détaillées à la prise en charge

Relancez le scan après chaque cycle d’amélioration.

Choisir votre configuration

Pour une référence complète des 13 métriques de complétude, revenez à l’article principal Complétude.

Pour voir comment la complétude et les autres dimensions affectent votre préparation à l’IA, passez l’évaluation de préparation à l’IA.