Salesforce में Data Quality कैसे मापें

जिसे आप मापते नहीं, उसे आप बेहतर नहीं बना सकते। Salesforce में data quality मापने का मतलब है “डेटा गड़बड़ है” वाली एक धुँधली समझ को एक ऐसी संख्या में बदलना जिसे आप track कर सकें, एक ऐसे breakdown में जिस पर आप काम कर सकें, और एक ऐसे trend में जिसे आप देख सकें। वह संख्या है एक Data Quality Score — जिसे कभी-कभी data reliability score भी कहते हैं — और यह गाइड समझाती है कि यह कैसे काम करता है, इसे कैसे पढ़ें, और इस पर कैसे काम करें।

Data Quality Score क्या है

Data Quality Score एक अकेला आँकड़ा है, 0–100 के पैमाने पर, जो यह संक्षेप में बताता है कि Salesforce records का एक समूह आपके तय किए गए quality नियमों पर कितना खरा उतरता है। 100 का score इसका मतलब है कि scope का हर record हर check पास कर गया; इससे कम score आपको दोनों बातें बताता है — कितना काम बाकी है, और breakdown में देखने पर, ठीक-ठीक कहाँ केंद्रित है।

यह score कोई दिखावटी metric नहीं है। इसकी value तीन गुणों से आती है:

• यह composite है। Score कई data quality dimensions — completeness, validity, uniqueness, consistency, timeliness — को एक तुलनीय संख्या में समेट देता है।
• यह weighted है। हर समस्या बराबर मायने नहीं रखती, इसलिए score raw issue counts के बजाय business priority दर्शाता है।
• यह दोहराने योग्य है। एक schedule पर चलाया जाए, तो वही गणना एक बार के audit को एक ऐसी trend line में बदल देती है जिसे आप manage कर सकें।

“Data reliability score” और “data quality score” एक ही विचार का वर्णन करते हैं: एक गिनती में आने वाला, भरोसेमंद माप कि आपका डेटा इस्तेमाल के लायक है या नहीं।

Score की गणना कैसे होती है

Salesforce में एक सार्थक score नीचे से ऊपर की ओर बनता है, fields से dimensions तक और फिर एक समग्र संख्या तक:

1. Field-level checks. हर नियम scope के fields के विरुद्ध चलता है। क्या Account Industry भरा हुआ है? क्या Contact Email एक मान्य format से मेल खाता है? क्या यह Opportunity एक duplicate है? हर check record-level पर एक pass/fail पैदा करता है।
2. Dimension scores. Field के नतीजे हर dimension के लिए एक score में समाते हैं। अगर scope के 92% records हर completeness check पास करते हैं, तो completeness का score 92 होता है।
3. Weighted overall score. Dimension scores एक संख्या में मिल जाते हैं, इस आधार पर weighted कि हर dimension आपके लिए कितनी मायने रखती है। एक गायब Opportunity Amount किसी गायब secondary phone number से ज़्यादा गिना जा सकता है।

यही नीचे-से-ऊपर वाली संरचना score को actionable बनाती है। एक अकेला “78” तो बस एक शुरुआती बिंदु है। उसके पीछे का breakdown — Accounts पर completeness 65, जिसकी वजह एक integration से आया खाली Industry field है — वही है जिसे आप असल में fix करते हैं।

Weighting क्यों मायने रखता है

दो orgs दोनों 80 score कर सकते हैं और फिर भी बिल्कुल अलग हालत में हो सकते हैं। एक में कम-दाँव वाले fields पर फैली मामूली formatting समस्याएँ हैं। दूसरे में 20% Opportunity Amounts गायब हैं। failures की एक unweighted गिनती इन दोनों को एक जैसा मानेगी।

Weighting इसे ठीक कर देता है। revenue, reporting और automation को चलाने वाले fields और dimensions को ज़्यादा weight देकर, score issue की मात्रा के बजाय business impact को track करता है। जब आप weights को अपनी प्राथमिकताओं के हिसाब से tune करते हैं, तो वह संख्या कुछ ऐसा बन जाती है जिस पर कोई leader भरोसा कर सकता है।

Score को पढ़ना

एक score तभी उपयोगी है जब आप मुख्य संख्या से एक फ़ैसले तक पहुँच सकें। इसे तीन passes में पढ़ें:

तीसरे pass तक आते-आते आप अब अमूर्त “data quality” नहीं देख रहे होते। आप एक ख़ास field देख रहे होते हैं, एक ख़ास object पर, एक ख़ास failure rate के साथ — जो एक ऐसा काम है जिसका कोई मालिक बन सकता है।

Score से Action तक

एक score measurement को एक prioritized to-do list में बदल देता है:

1. Baseline. यह तय करने के लिए कि आप कहाँ खड़े हैं, पहला scan चलाएँ।
2. Prioritize. Issues को fix करने के effort के मुकाबले business impact (weight) के हिसाब से छाँटें। सबसे ज़्यादा-weight, सबसे कम-effort वाली समस्याएँ पहले आती हैं।
3. Fix. मौजूदा records साफ़ करें, नए खराब डेटा को रोकने के लिए validation rules जोड़ें, और intake processes में बदलाव करें।
4. Re-measure. Scan दोबारा चलाएँ और score को हिलते देखें। जो सुधार आप देख नहीं सकते, वह ऐसा सुधार है जिसका आप बचाव नहीं कर सकते।

समय के साथ Quality को Track करना

एक अकेला measurement लेने के अगले ही दिन पुराना पड़ जाता है, क्योंकि Salesforce डेटा लगातार खराब होता रहता है। score का असली मकसद trend है, snapshot नहीं। Scheduled scans — daily, weekly या monthly — score को एक ऐसी line में बदल देते हैं जिसे आप monitor कर सकें, ताकि कोई नई integration जो खराब डेटा लिखना शुरू करे, वह दिनों के भीतर एक dip के रूप में दिखे जिसे आप पकड़ लें, न कि एक ऐसी समस्या के रूप में जिसे आप महीनों बाद किसी टूटी report में खोजें।

DQS इसे कैसे मापता है

Data Quality Sense पूरी तरह Salesforce के अंदर एक weighted Data Quality Score बनाता है — कोई record export नहीं होता। आप Definition Builder में तय करते हैं कि अच्छा कैसा दिखता है (dimensions चुनें, objects और fields को scope करें, thresholds और weights सेट करें), scan को on demand या किसी schedule पर चलाते हैं, और नतीजे को Insight Studio में देखते हैं: समग्र score, हर dimension का breakdown, field health, और समय के साथ trend। चूँकि यह natively चलता है, score हमेशा आपके org के live डेटा को दर्शाता है।

अगले कदम

• Salesforce में Data Quality: पूरी गाइड
• Data Quality की पाँच Dimensions: score क्या मापता है
• Data Quality मापना: KPIs और scorecards विस्तार से
• Agentforce Preparation: अपने score को AI-ready बनाना