Ce que couvrent ces scénarios
Cette page déroule trois configurations réelles de l’analyse de validité DQS. Chaque scénario couvre un problème métier précis.
Ces pas à pas s’appuient sur les concepts de l’article principal Validité.
Scénario 1 : validation d’e-mails secondaires sur un champ texte personnalisé
Le problème
Votre organisation stocke une adresse e-mail secondaire dans un champ texte personnalisé Secondary_Email__c sur l’objet Contact. Contrairement au champ standard Email de Salesforce, un champ texte n’a aucune validation intégrée. Les utilisateurs collent, saisissent et importent n’importe quoi. Le marketing veut utiliser ces adresses pour une campagne de réengagement, mais personne ne sait combien sont structurellement valides.
Pourquoi pas le champ Email standard ? Le champ Email natif valide le format à la saisie. La validation DQS est utile sur des champs texte personnalisés qui stockent des e-mails sans l’application native.
Configuration
Utilisez le mode Format Validation sur Contact, en ciblant Secondary_Email__c.
| Paramètre | Valeur | Pourquoi |
|---|---|---|
| Mode d’analyse | Format Validation | Vous voulez le taux de match et le Valid Count |
| Pattern Type | Motif intégré : ^[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}$ |
|
| Include Blanks | OFF | Les e-mails vides relèvent de la complétude |
| Case Sensitive | OFF | Les adresses e-mail sont insensibles à la casse |
Exemple de résultats
| Métrique | Valeur |
|---|---|
| Validity Rate | 71 % |
| Valid Count | 35 500 |
Total Contacts : 50 000.
Lire les résultats
Commencez par la tête d’affiche : 71 % de validité. 29 % des adresses e-mail secondaires échouent au contrôle de format. Sur 50 000 Contacts renseignés, seules 35 500 ont une adresse structurellement valide.
À quoi ressemblent 29 % d’invalides : il manque un « @ » (john.company.com), un domaine (john@company), des doubles points (john@company..com) ou présence d’espaces. Comme c’est un champ texte, Salesforce les a tous acceptés.
Le calcul des campagnes change. Le marketing projette sur 50 000 adresses. L’audience réelle est de 35 500.
Que faire ensuite
Utilisez Valid Count (35 500) comme audience réelle. Cadrez un projet de nettoyage sur les 14 500 restants. Envisagez une Validation Rule Salesforce ou une conversion vers le type Email.
Scénario 2 : validation de codes produits à longueur fixe
Le problème
Votre entreprise utilise des codes produits de 8 caractères dans un champ Product_Code__c sur Opportunity Product. Ces codes pilotent les recherches d’inventaire, les règles de pricing et l’intégration ERP. La synchro ERP échoue sur environ 5 % des enregistrements chaque semaine.
Configuration
Utilisez le mode Advanced Format Validation sur Opportunity Product, en ciblant Product_Code__c.
| Paramètre | Valeur | Pourquoi |
|---|---|---|
| Mode d’analyse | Advanced Format Validation | Vous voulez Invalid Count et Noise Rate |
| Pattern Type | Fixed Length | Les codes produits font toujours 8 caractères |
| Fixed Length | 8 | Votre longueur standard |
| Include Blanks | ON | Un code vide est invalide pour l’ERP |
| Case Sensitive | OFF | Pas dépendant de la casse |
Exemple de résultats
Métriques fondamentales :
| Métrique | Valeur |
|---|---|
| Validity Rate | 94,2 % |
| Valid Count | 9 420 |
Métriques avancées :
| Métrique | Valeur |
|---|---|
| Invalid Rate | 5,8 % |
| Invalid Count | 580 |
| Noise Rate | 0,4 % |
| Noisy Records Count | 40 |
Total : 10 000.
Lire les résultats
5,8 % d’invalides confirme l’estimation de l’équipe d’intégration. 580 codes ne respectent pas le format 8 caractères.
Invalid Count (580) est le périmètre de nettoyage. Les problèmes courants : codes tronqués (5 à 7 caractères), codes avec espaces finaux (9 caractères à cause d’un espace invisible), codes avec tirets ou préfixes ajoutés (« PC-12345678 »).
Noise Rate (0,4 %) est faible mais à noter. 40 enregistrements contiennent des motifs de bruit (« XXXXXXXX », « asdfghjk »). Ce ne sont pas des erreurs de format, mais du déchet de 8 caractères qui passe le contrôle de longueur.
Include Blanks ON compte ici. Un code vide casse l’intégration comme un code malformé.
Que faire ensuite
Exportez les 580 enregistrements invalides. Catégorisez par type d’erreur. Corrigez en masse. Ajoutez une Validation Rule imposant 8 caractères. Rescannez.
Scénario 3 : détection de bruit sur le nom d’entreprise web-to-lead
Le problème
Votre formulaire web-to-lead exige le champ Company. 20 000 nouveaux leads par trimestre. Mais l’équipe SDR signale que de nombreux leads ont des noms d’entreprise poubelle : « asdf », « test », « xxx » ou « na na na ». Un contrôle de complétude basique montre 98 % de Company renseignés.
Configuration
Utilisez le mode Advanced Format Validation sur Lead, en ciblant Company. Vous avez besoin de Noise Rate pour quantifier le déchet qui se cache derrière un score de complétude sain.
| Paramètre | Valeur | Pourquoi |
|---|---|---|
| Mode d’analyse | Advanced Format Validation | Vous voulez Noise Rate et Noisy Records Count |
| Pattern Type | Custom | Aucun motif intégré pour les noms libres |
| Custom Pattern | ^.*[a-zA-Z0-9].*$ |
Correspond à toute valeur contenant au moins un caractère alphanumérique |
| Include Blanks | ON | Les noms vides sont aussi un problème |
| Case Sensitive | OFF | Pas pertinent |
La vraie valeur de ce scan est dans les métriques de bruit, pas dans la validation de format. Le motif est volontairement large.
Exemple de résultats
Métriques fondamentales :
| Métrique | Valeur |
|---|---|
| Validity Rate | 97,5 % |
| Valid Count | 19 500 |
Métriques avancées :
| Métrique | Valeur |
|---|---|
| Invalid Rate | 2,5 % |
| Invalid Count | 500 |
| Noise Rate | 12 % |
| Noisy Records Count | 2 400 |
Total : 20 000.
Lire les résultats
97,5 % de validité est attendu et hors sujet. Presque chaque valeur passe le motif large. Les 500 invalides sont des entrées purement spéciales (« — », « … »).
Noise Rate (12 %) est la vraie trouvaille. 2 400 leads ont des noms avec des motifs de bruit : caractères répétés, caractères spéciaux consécutifs.
L’image réelle :
| Catégorie | Enregistrements | Ce que cela signifie |
|---|---|---|
| Propres et valides | 17 100 | Vrais noms d’entreprise |
| Invalides (déchet pur) | 500 | Aucun contenu alphanumérique |
| Bruyants (déchet caché) | 2 400 | Renseignés mais poubelle |
Votre équipe SDR a raison. 2 900 leads sur 20 000 (14,5 %) ont des données entreprise inutilisables.
L’écart complétude vs validité. Complétude dit 98 %. Validité dit 97,5 %. Noise Rate dit 12 % de déchet. Chaque dimension révèle une couche différente.
Que faire ensuite
Construisez une file de nettoyage pour les 2 900 enregistrements combinés. Pour les 500 purement invalides, auto-supprimez ou mettez en quarantaine. Pour les 2 400 bruyants, décidez : auto-supprimer ou flaguer pour revue manuelle.
Corrigez la source. Le déchet vient de votre formulaire web. Ajoutez une validation côté client : longueur minimale, blocage des motifs à caractères répétés, envisagez un CAPTCHA.
Choisir votre configuration
| Si vous devez… | Commencez par | Paramètres clés |
|---|---|---|
| Vérifier le format e-mail sur des champs texte personnalisés | Format Validation | Pattern Type : Email, Include Blanks : OFF |
| Valider des codes à longueur fixe | Advanced Format Validation | Pattern Type : Fixed Length, Include Blanks : ON |
| Valider un format URL | Format Validation | Pattern Type : URL, Include Blanks : OFF |
| Appliquer un format métier personnalisé | Advanced Format Validation | Pattern Type : Custom, entrer votre regex |
| Détecter déchet et bruit dans du texte libre | Advanced Format Validation | Motif large, se concentrer sur Noise Rate |
| Cadrer un nettoyage pour une intégration | Advanced Format Validation | Include Blanks : ON, utiliser Invalid Count et Noisy Records Count |
Pour la référence complète, revenez à l’article principal Validité.
Passez l’évaluation de préparation à l’IA pour voir vos scores de validité.