# Agentforce के लिए Salesforce Data Cleanup: Object-by-Object Guide

> Agentforce के लिए एक field-level Salesforce data cleanup playbook। service और sales agents के लिए कौन से objects और fields पहले clean करें, DQS से mapped।

Source: https://dataqualitysense.com/hi/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/
Last updated: 2026-07-15

---

आप पहले कौन से Salesforce objects clean करते हैं यह इस पर निर्भर करता है कि आप कौन से agents deploy करते हैं। Service agents Case और Knowledge पढ़ते हैं; sales agents Lead, Opportunity, Account, और Contact पढ़ते हैं। यह guide Agentforce के लिए Salesforce data cleanup के "कहाँ" को cover करती है — clean करने के लिए specific objects और fields, हर एक पर risk में dimension, और चलाने के लिए cleanup actions।

"कब" के लिए — इस काम के आसपास की चार-phase timeline — [Agentforce Data Quality: Salesforce डेटा को AI के लिए तैयार करना](/hi/resources/ai-readiness/agentforce-preparation/) देखें। यह article उस timeline के Phase 2 के अंदर fit होता है, जहाँ आप object by object remediate करते हैं। शुरू करने से पहले हर object पर एक [DQS scan](/hi/resources/using-dqs/running-scans/) चलाएँ ताकि आप जानें कि कौन से fields असल में fail होते हैं, बजाय उन fields को clean करने के जो पहले से ठीक हैं।

इस level पर cleanup optional groundwork नहीं है। [Salesforce की State of Data and Analytics research में](https://www.salesforce.com/news/stories/data-analytics-trends/), 84% data और analytics leaders ने कहा कि उनकी data strategy को एक complete overhaul की आवश्यकता है इससे पहले कि उनकी AI ambitions succeed कर सकें। Object-by-object remediation यह है कि यह overhaul एक CRM के अंदर practice में कैसा दिखता है।

## Account

Sales agents एक customer के industry, location, और relationship के बारे में responses ground करने के लिए Account पढ़ते हैं। जब agent जवाब देता है "इस account के बारे में हम क्या जानते हैं," तो यह इन fields से draw करता है।

| Priority field | Risk में Dimension | Bad data agent के साथ क्या करता है |
|---|---|---|
| `Name` | Uniqueness | Duplicate accounts history को बाँट देते हैं, इसलिए agent एक partial record retrieve करता है |
| `Industry` | Consistency | "Tech", "Technology", और "IT" तीन segments के रूप में पढ़े जाते हैं, grounded answers को तोड़ते हुए |
| `BillingCountry` | Consistency | "US", "USA", "United States" geographic context को fragment करते हैं |
| `Phone` / `Website` | Validity | Malformed values responses में unusable contact details पैदा करती हैं |

Cleanup actions:

- deployment से पहले duplicate Accounts खोजने के लिए एक Uniqueness scan चलाएँ। Duplicates agent को एक ही customer के बारे में contradictory facts सिखाते हैं। [Uniqueness](/hi/resources/data-quality/uniqueness/) देखें।
- मौजूद हर variant को discover करने के लिए `Industry` और `BillingCountry` पर Import from Field का उपयोग करें, फिर [Definition Builder](/hi/resources/using-dqs/definition-builder/) में canonical values define करें और normalize करें।
- malformed entries पकड़ने के लिए `Phone` और `Website` पर एक Validity scan चलाएँ। उन fields को target करें जहाँ Validity Rate 90% से नीचे गिरती है।

## Contact

Agents यह पहचानने के लिए Contact पढ़ते हैं कि वे किसके साथ deal कर रहे हैं और उन तक कैसे पहुँचें। एक outreach message draft करने वाला sales agent name, title, और email यहाँ से खींचता है।

| Priority field | Risk में Dimension | Bad data agent के साथ क्या करता है |
|---|---|---|
| `Email` | Validity | Invalid addresses agent-suggested outreach को fail कर देते हैं |
| `Phone` | Validity | Malformed numbers broken contact details के रूप में surface होते हैं |
| `Title` | Completeness | Empty titles वह role context हटा देते हैं जिसका agent personalize करने के लिए उपयोग करता है |
| `MailingCountry` | Consistency | Inconsistent country values region-specific answers को misroute करते हैं |

Cleanup actions:

- `Email` और `Phone` पर एक Validity scan चलाएँ। ये वे fields हैं जिन पर एक agent act करता है, इसलिए format errors failed actions में बदल जाते हैं। [Validity](/hi/resources/data-quality/validity/) देखें।
- `Title` पर एक Completeness scan चलाएँ और Completeness Rate मापें। Missing titles agent से वह role context छीन लेते हैं जिसकी उसे एक message tailor करने के लिए जरूरत है।
- `MailingCountry` को Import from Field के साथ standardize करें, उस canonical list से match करते हुए जो आपने Account पर define की थी ताकि दोनों objects सहमत हों।

## Case

Service agents मुख्य रूप से Case से काम करते हैं। Agent समस्या समझने के लिए Subject और Description पढ़ता है, फिर अपनी reply को उस context में ground करता है। यह एक service deployment के लिए सबसे high-leverage object है।

| Priority field | Risk में Dimension | Bad data agent के साथ क्या करता है |
|---|---|---|
| `Description` | Completeness | एक empty Description agent को कोई context नहीं छोड़ता, इसलिए यह एक generic reply लौटाता है |
| `Subject` | Completeness | Missing subjects case classification और routing को कमजोर करते हैं |
| `Status` / `Origin` | Consistency | Variant values case state और channel के agent के view को fragment करते हैं |
| `Description` / Comments | PII Detection | email से paste किए गए SSNs और card numbers AI context में enter करते हैं |

Cleanup actions:

- `Description` पर एक Completeness scan चलाएँ। Description completeness agent context के बराबर है; एक blank field सबसे आम कारण है कि एक service agent vaguely जवाब देता है। [Completeness](/hi/resources/data-quality/completeness/) देखें।
- हर मौजूदा value को surface करने के लिए Import from Field का उपयोग करके `Status` और `Origin` को standardize करें, फिर अपने canonical picklist में normalize करें।
- `Description` और Case Comments पर एक PII scan चलाएँ। Email-to-case ऐसे customer messages capture करता है जिनमें PII होती है, और agent एक response में वह PII surface कर सकता है। [PII Detection](/hi/resources/ai-readiness/pii-detection/) और [Agentforce PII compliance guide](/hi/resources/ai-readiness/agentforce-pii-compliance/) देखें।

## Lead

Sales agents inbound interest को qualify और route करने के लिए Lead पढ़ते हैं। Agent company, source, और status से next actions तय करता है, इसलिए यहाँ gaps leads को गलत path पर भेजते हैं।

| Priority field | Risk में Dimension | Bad data agent के साथ क्या करता है |
|---|---|---|
| `Email` | Validity | Invalid addresses agent-driven follow-up को तोड़ देते हैं |
| `Company` | Completeness | Missing company data qualification logic को block करता है |
| `LeadSource` | Consistency | Inconsistent sources agent के routing decisions को विकृत करते हैं |
| `Status` | Consistency | Variant statuses confuse करते हैं कि lead funnel में कहाँ है |

Cleanup actions:

- `Email` पर एक Validity scan और `Company` पर एक Completeness scan चलाएँ। ये दो fields तय करते हैं कि agent एक lead पर बिल्कुल act कर सकता है या नहीं।
- drift खोजने के लिए `LeadSource` और `Status` पर Import from Field का उपयोग करें, फिर एक defined value set तक constrain करें। [Consistency](/hi/resources/data-quality/consistency/) देखें।
- किसी भी notes या description fields पर एक PII scan चलाएँ जहाँ reps raw inbound messages paste करते हैं।

## Opportunity

Sales agents pipeline और forecast सवालों के जवाब देने के लिए Opportunity पढ़ते हैं। एक stale stage या missing amount deal status के बारे में एक confidently गलत जवाब पैदा करता है।

| Priority field | Risk में Dimension | Bad data agent के साथ क्या करता है |
|---|---|---|
| `StageName` | Consistency | Non-standard stages गलत तरीके से दर्शाते हैं कि deals कहाँ खड़े हैं |
| `CloseDate` | Timeliness | open deals पर past close dates agent को outdated pipeline facts सिखाते हैं |
| `Amount` | Completeness | Missing amounts agent द्वारा report किए किसी भी forecast को विकृत करते हैं |

Cleanup actions:

- `CloseDate` के अतीत में होने वाले open Opportunities को flag करने के लिए एक Timeliness scan चलाएँ। Stale dates agent को एक ऐसी pipeline report करवाते हैं जो अब मौजूद नहीं है। [Timeliness](/hi/resources/data-quality/timeliness/) देखें।
- `Amount` पर एक Completeness scan चलाएँ। pipeline value को summarize करने वाला एक agent ऐसा reliably नहीं कर सकता जब amounts blank हों।
- एक Consistency scan के साथ पुष्टि करें कि `StageName` आपके defined sales process से match करता है।

## Knowledge

Service agents Knowledge articles में answers ground करते हैं। Agent एक article retrieve करता है और उसकी content को authoritative answer के रूप में present करता है, इसलिए एक stale या thin article confidence के साथ delivered एक गलत answer बन जाता है।

| Priority field | Risk में Dimension | Bad data agent के साथ क्या करता है |
|---|---|---|
| Last modified date | Timeliness | Stale articles outdated answers पैदा करते हैं जिन्हें agent current के रूप में present करता है |
| `Title` / `Summary` | Completeness | Thin metadata retrieval कमजोर करती है, इसलिए agent गलत article cite करता है |
| Article body | PII Detection | Embedded customer data एक generated answer में leak हो सकता है |

Cleanup actions:

- आपके freshness threshold से परे articles को surface करने के लिए last modified date के विरुद्ध एक Timeliness scan चलाएँ। Outdated articles confidently गलत service answers का प्रमुख स्रोत हैं।
- `Title` और `Summary` पर एक Completeness scan चलाएँ। Agent retrieval के लिए इनका उपयोग करता है, इसलिए weak metadata इसे गलत source तक ले जाती है।
- यह पुष्टि करने के लिए article body पर एक PII scan चलाएँ कि एक published article में कोई customer-specific data paste नहीं किया गया था।

## आपको पहले कौन से objects clean करने चाहिए?

उन objects को clean करें जिन्हें आपके agents असल में पढ़ते हैं, उस क्रम में जिसमें उनके answers उन पर निर्भर करते हैं। नीचे का matrix cleanup priority को agent type से map करता है।

| Object | Service agent | Sales agent | Employee-facing agent |
|---|---|---|---|
| Case | Priority 1 | Low | Medium |
| Knowledge | Priority 1 | Low | Priority 1 |
| Account | Medium | Priority 1 | Medium |
| Contact | Medium | Priority 1 | Medium |
| Lead | Low | Priority 1 | Low |
| Opportunity | Low | Priority 2 | Medium |

एक service deployment के लिए, Case Description completeness और Knowledge timeliness से शुरू करें, क्योंकि वे दो fields तय करते हैं कि agent के पास जवाब देने के लिए correct context है या नहीं। एक sales deployment के लिए, Account और Contact से शुरू करें, फिर Lead और Opportunity की ओर बढ़ें। हर agent type में, agent जिन text fields को पढ़ता है उन पर पहले PII scans चलाएँ, क्योंकि एक PII finding एक quality issue के बजाय एक compliance issue है। [Agentforce data readiness checklist](/hi/resources/ai-readiness/agentforce-data-readiness-checklist/) हर object पर hit करने के लिए pre-deployment thresholds सूचीबद्ध करती है।

## अगले कदम

- [Agentforce Data Quality: Salesforce डेटा को AI के लिए तैयार करना](/hi/resources/ai-readiness/agentforce-preparation/): चार-phase timeline जिसके अंदर यह cleanup fit होता है
- [Agentforce Agents क्यों Fail होते हैं](/hi/resources/ai-readiness/why-agentforce-agents-fail/): unreliable agent output के पीछे की data समस्याएँ
- [Agentforce Data Readiness Checklist](/hi/resources/ai-readiness/agentforce-data-readiness-checklist/): प्रति object pre-deployment thresholds
- [Salesforce में Data Quality कैसे सुधारें](/hi/resources/salesforce/improve-data-quality-in-salesforce/): detect, fix, prevent, monitor loop
- [Agentforce Data Quality FAQ](/hi/resources/ai-readiness/agentforce-data-quality-faq/): सामान्य सवालों के जवाब
- [AI Readiness Assessment](/hi/ai-readiness/): अपना current readiness score प्राप्त करें