Salesforce में data quality बेहतर बनाना कोई ऐसा project नहीं है जिसकी कोई आख़िरी तारीख़ हो। CRM डेटा लगातार खराब होता रहता है — manual entry, integrations, समय और अब records पढ़ने-लिखने वाले AI agents के ज़रिए — इसलिए मकसद एक बार की सफ़ाई नहीं, बल्कि एक ऐसा दोहराया जा सकने वाला loop है जो नए डेटा के आने पर भी quality को ऊँचा बनाए रखे। Decay rate अच्छी तरह documented है: B2B contact data 2.1% per month, या लगभग 22.5% per year stale हो जाता है, जिसका मतलब है कि एक cleanup जो January को ख़त्म हो गई, summer तक measurably out of date हो जाती है। यह गाइड वही loop और वे Salesforce-विशेष तरकीबें बताती है जो हर कदम को कारगर बनाती हैं।
सुधार का Loop
हर टिकाऊ data-quality program, चाहे आप उसे हाथ से चलाएँ या किसी tool से, इन्हीं पाँच कदमों का पालन करता है:
- Detect — आज आप कहाँ खड़े हैं, इसे dimension और field के हिसाब से मापें।
- Prioritize — fix करने के effort के मुकाबले business impact के आधार पर issues को क्रम में रखें।
- Fix — मौजूदा records को साफ़ करें।
- Prevent — वही समस्या दोबारा लौटने से रोकें।
- Monitor — एक schedule पर दोबारा मापें ताकि नए issues जल्दी सामने आएँ।
किसी भी कदम को छोड़ देने से loop टूट जाता है। बिना prevent किए cleaning का मतलब है हर तिमाही वही duplicates fix करते रहना। बिना monitor किए prevent करने का मतलब है यह कभी न जान पाना कि वह काम आया या नहीं। ये कदम एक-दूसरे को मज़बूत करते हैं।
कदम 1: Detect
जो आप देख नहीं सकते, उसे आप prioritize नहीं कर सकते। शुरुआत अपनी data quality मापने से करें ताकि dimension और field के हिसाब से टूटा हुआ एक baseline Data Quality Score मिल जाए। असल बात breakdown ही है: “Accounts पर completeness 64 है, जिसकी वजह एक खाली Industry field है” — यह एक ऐसा शुरुआती बिंदु है जिस पर आप काम कर सकते हैं; “डेटा गड़बड़ है” — यह नहीं।
एक अच्छा baseline तीन सवालों का जवाब देता है: कौन-से objects सबसे खराब हैं, कौन-सी dimension समस्या पर हावी है, और कौन-से ख़ास fields इन failures की जड़ हैं।
कदम 2: Prioritize
हर issue एक जैसी तत्परता का हकदार नहीं होता। आपने जो पाया, उसे दो axes पर क्रम में रखें:
- Business impact — क्या यह field revenue, reporting, automation या AI को चलाती है? एक गायब Opportunity Amount forecast को बिगाड़ देता है; एक गायब secondary fax number नहीं।
- Effort to fix — क्या इसे एक bulk update और एक validation rule से हल किया जा सकता है, या इसके लिए किसी process बदलाव और stakeholder की सहमति की ज़रूरत है?
उच्च-impact, कम-effort वाले issues से शुरू करें। ये गति बनाते हैं और कठिन संरचनात्मक समस्याओं के लिए क्षमता खाली कर देते हैं।
कदम 3: Fix
Salesforce में fixing कुछ दोहराए जा सकने वाले patterns में आती है:
| समस्या | आम fix |
|---|---|
| गायब values (completeness) | किसी भरोसेमंद source से bulk update; enrichment; जहाँ उचित हो वहाँ field को required बनाना |
| अमान्य formats (validity) | Mass correction, फिर आगे के लिए format को लागू करने वाला एक validation rule |
| Duplicates (uniqueness) | Records को merge करना; नए को रोकने के लिए duplicate और matching rules configure करना |
| असंगत values (consistency) | एक नियंत्रित picklist पर standardize करना; free text को एक सीमित field से बदलना |
| पुराने records (timeliness) | Re-engagement या archival workflows; किसी freshness threshold से पुराने records को flag करना |
| उजागर PII | PII detection से पहचानें, फिर mask, restrict या remove करें |
मौजूदा backlog को fix करना ज़रूरी है, लेकिन अकेले यह एक treadmill (कभी न रुकने वाली कसरत) जैसा है। असली leverage अगले कदम में है।
कदम 4: Prevent
एक बार की सफ़ाई और एक टिकाऊ सुधार के बीच का फ़र्क prevention है। Economics इसे heavily favor करते हैं: quality management research (Labovitz और Chang, Making Quality Work, 1992) से 1-10-100 rule estimate करता है कि एक error को entry पर prevent करने में $1 cost होता है, बाद में correct करने में $10, और जब यह customers या decisions तक पहुँचता है तो $100। Salesforce आपको खराब डेटा को स्रोत पर ही रोकने के लिए native controls देता है:
- Validation rules गलत-गठित values को save होने से पहले अस्वीकार कर देते हैं।
- Required fields (page layout पर या validation के ज़रिए) entry के समय ही completeness की कमियाँ भर देते हैं।
- Duplicate और matching rules duplicate Accounts और Contacts को बनते ही रोक देते हैं।
- free text के बजाय Picklists consistency समस्याओं की एक पूरी श्रेणी को ख़त्म कर देते हैं।
- Integration contracts — यह तय करना कि कौन-सा system कौन-सी field का मालिक है — दो sources को एक-दूसरे को overwrite करने से रोकते हैं।
आपके जोड़े गए हर control से वह दर घटती है जिस पर नए issues सामने आते हैं, और असल में यही समय के साथ score को आगे बढ़ाता है।
कदम 5: Monitor
जैसे ही नया डेटा बहना शुरू होता है, एक अकेला fix पल भर में अदृश्य हो जाता है। बार-बार चलने वाले scans को schedule करें — daily, weekly या monthly — ताकि आपका Data Quality Score एक snapshot नहीं, बल्कि एक trend line बन जाए। जब कोई नई integration खराब डेटा लिखना शुरू करती है, तो monitor किया गया score कुछ ही दिनों में गिर जाता है और आप उसे किसी report या AI model तक पहुँचने से पहले पकड़ लेते हैं। बिना monitoring के, वही समस्या महीनों बाद एक ऐसे टूटे dashboard के रूप में सामने आती है जिस पर किसी को भरोसा नहीं।
DQS कैसे मदद करता है
Data Quality Sense पूरे loop को Salesforce के अंदर, बिना किसी data export के, support करता है। आप Definition Builder में तय करते हैं कि अच्छा कैसा दिखता है, एक field-level breakdown वाला weighted Data Quality Score पाने के लिए scan चलाते हैं, उसे दोहराने के लिए schedule करते हैं, और Insight Studio में trend track करते हैं। Detection और prioritization एक spreadsheet कसरत के बजाय एक dashboard बन जाते हैं — ताकि loop ऐसी चीज़ हो जिसे आप लगातार चलाते हैं, न कि कोई project जिसे आप हर तिमाही फिर से शुरू करते हैं।
अगले कदम
- Salesforce में Data Quality: पूरी गाइड
- Salesforce में Data Quality कैसे मापें: Data Quality Score
- आम गलतियाँ: वे गलतियाँ जो data quality programs को कमज़ोर करती हैं
- Data Quality Culture बनाना: सुधार को टिकाऊ बनाना