Migliorare la qualità dei dati in Salesforce non è un progetto con una data di fine. I dati CRM si degradano in continuazione — per l’inserimento manuale, le integrazioni, il tempo e ora gli agenti AI che leggono e scrivono record — quindi l’obiettivo non è una pulizia una tantum, ma un ciclo ripetibile che mantenga alta la qualità man mano che arrivano nuovi dati. Questa guida illustra quel ciclo e le tattiche specifiche di Salesforce che fanno funzionare ogni fase.
Il ciclo di miglioramento
Ogni programma duraturo di qualità dei dati, che lo gestiate a mano o con uno strumento, segue gli stessi cinque passi:
- Rilevare — misurare il punto in cui vi trovate oggi, per dimensione e per campo.
- Prioritizzare — ordinare i problemi per impatto sul business rispetto allo sforzo di correzione.
- Correggere — bonificare i record esistenti.
- Prevenire — impedire che lo stesso problema si ripresenti.
- Monitorare — rimisurare secondo una pianificazione, così i nuovi problemi emergono presto.
Saltare un passo spezza il ciclo. Bonificare senza prevenire significa correggere gli stessi duplicati ogni trimestre. Prevenire senza monitorare significa non sapere mai se ha funzionato. I passi si rafforzano a vicenda.
Passo 1: Rilevare
Non si può prioritizzare ciò che non si vede. Iniziate misurando la qualità dei dati per ottenere un punteggio di qualità dei dati di riferimento, suddiviso per dimensione e per campo. È la suddivisione che conta: «la completezza è 64 sugli Account, causata da un campo Industry vuoto» è un punto di partenza su cui agire; «i dati sono disordinati» no.
Una buona baseline risponde a tre domande: quali oggetti sono i peggiori, quale dimensione domina il problema e quali campi specifici causano le anomalie.
Passo 2: Prioritizzare
Non tutti i problemi meritano la stessa urgenza. Classificate ciò che avete trovato su due assi:
- Impatto sul business — questo campo guida fatturato, reporting, automazione o AI? Un Opportunity Amount mancante distorce le previsioni; un numero di fax secondario mancante no.
- Sforzo di correzione — si risolve con un aggiornamento massivo e una validation rule, oppure richiede un cambio di processo e l’adesione degli stakeholder?
Iniziate dai problemi ad alto impatto e basso sforzo. Creano slancio e liberano capacità per i problemi strutturali più complessi.
Passo 3: Correggere
In Salesforce la correzione rientra in pochi schemi ripetibili:
| Problema | Correzione tipica |
|---|---|
| Valori mancanti (completezza) | Aggiornamento massivo da una fonte affidabile; enrichment; rendere obbligatorio il campo dove opportuno |
| Formati non validi (validità) | Correzione di massa, poi una validation rule per imporre il formato in futuro |
| Duplicati (unicità) | Unire i record; configurare duplicate rule e matching rule per bloccarne di nuovi |
| Valori incoerenti (coerenza) | Standardizzare su una picklist controllata; sostituire il testo libero con un campo vincolato |
| Record obsoleti (tempestività) | Workflow di riattivazione o archiviazione; contrassegnare i record oltre una soglia di freschezza |
| PII esposte | Individuarle con il rilevamento PII, poi mascherare, limitare o rimuovere |
Correggere l’arretrato esistente è necessario, ma da solo è un tapis roulant. La leva sta nel passo successivo.
Passo 4: Prevenire
La differenza tra una pulizia una tantum e un miglioramento duraturo è la prevenzione. Salesforce vi offre controlli nativi per fermare i dati errati alla fonte:
- Le validation rule rifiutano i valori malformati prima che vengano salvati.
- I campi obbligatori (sul page layout o tramite validation) colmano le lacune di completezza all’inserimento.
- Le duplicate rule e matching rule bloccano gli Account e i Contact duplicati nel momento in cui vengono creati.
- Le picklist al posto del testo libero eliminano un’intera classe di problemi di coerenza.
- I contratti di integrazione — concordare quale sistema possiede quale campo — impediscono a due fonti di sovrascriversi a vicenda.
Ogni controllo che aggiungete abbassa il ritmo con cui compaiono nuovi problemi, ed è questo che muove davvero il punteggio nel tempo.
Passo 5: Monitorare
Una singola correzione diventa invisibile nel momento in cui iniziano ad affluire nuovi dati. Pianificate scansioni ricorrenti — giornaliere, settimanali o mensili — così il vostro punteggio di qualità dei dati diventa una curva di tendenza e non un’istantanea. Quando una nuova integrazione comincia a scrivere dati errati, un punteggio monitorato cala nel giro di giorni e lo intercettate prima che raggiunga un report o un modello AI. Senza monitoraggio, lo stesso problema riemerge mesi dopo come una dashboard rotta di cui nessuno si fida.
Come aiuta DQS
Data Quality Sense supporta l’intero ciclo all’interno di Salesforce, senza alcuna esportazione di dati. Definite cosa significa «buono» nel Definition Builder, lanciate una scansione per ottenere un punteggio di qualità dei dati ponderato con una suddivisione a livello di campo, ne pianificate la ripetizione e seguite l’andamento in Insight Studio. Rilevamento e prioritizzazione diventano una dashboard invece di un esercizio su foglio di calcolo — così il ciclo diventa qualcosa che eseguite di continuo, non un progetto da ricominciare ogni trimestre.
Prossimi passi
- La qualità dei dati in Salesforce: la guida completa
- Come misurare la qualità dei dati in Salesforce: il punteggio di qualità dei dati
- Errori comuni: gli sbagli che minano i programmi di qualità dei dati
- Costruire una cultura della qualità dei dati: rendere il miglioramento duraturo