Completezza: scenari di configurazione

Cosa coprono questi scenari

Questa pagina illustra tre configurazioni reali dell’analisi di completezza di DQS. Ogni scenario affronta un problema aziendale specifico, mostra le impostazioni esatte da utilizzare e spiega come leggere i risultati.

Queste guide si basano sui concetti trattati nell’articolo principale sulla Completezza. Si consiglia di leggerlo prima se non si ha familiarita con le metriche di completezza o il funnel diagnostico.

Scenario 1: igiene delle email sui Contact

Il problema

Il team commerciale segnala che le campagne email hanno tassi di consegna bassi. Il team di marketing operations attribuisce la colpa ai dati, ma nessuno sa quanti dati email manchino effettivamente. Serve un conteggio chiaro dei Contact privi di un indirizzo email utilizzabile.

Configurazione

Si tratta di un semplice controllo del tasso di compilazione. Utilizzare la modalita Basic Completeness sull’oggetto Contact, selezionando il campo Email.

Il campo Email e un campo di testo in Salesforce, quindi DQS produce sia la suddivisione dei null sia quella dei blank.

Risultati di esempio

Totale record Contact: 10.000.

Lettura dei risultati

Si parta dal dato principale: 73% di completezza. Cio significa che 2.700 Contact non hanno un indirizzo email. Le campagne email possono raggiungere al massimo 7.300 contatti su 10.000.

Ora si percorra il funnel diagnostico per comprendere perche 2.700 record sono vuoti.

Null Count: 1.800. Questi Contact non hanno mai avuto un’email inserita. Il campo non e mai stato compilato. Questo schema e comune con i record creati manualmente, dove i commerciali saltano il campo email durante l’inserimento rapido dei dati, o con record legacy importati da un sistema che non acquisiva le email.

Blank Count: 900. Questi Contact hanno una stringa vuota nel campo email. Il campo e stato scritto, ma senza alcun valore. Questo schema indica una causa radice diversa: integrazioni con moduli web che inviano il record anche quando il campo email viene lasciato vuoto. L’integrazione scrive '' (stringa vuota) invece di lasciare il campo null.

Due cause radice richiedono due correzioni diverse:

• Per i 1.800 null: affrontare il gap nell’inserimento dati. Rendere il campo email obbligatorio sul layout della pagina Contact, o aggiungere un prompt durante la creazione del record.
• Per i 900 blank: correggere l’integrazione. Aggiungere una validazione lato client sul modulo web affinche i campi email vuoti non vengano inviati, oppure aggiungere una Validation Rule in Salesforce che rifiuti le stringhe vuote sul campo email.

Cosa fare dopo

Utilizzare l’Empty Count (2.700) per dimensionare un progetto di arricchimento dati. Se si collabora con un fornitore di dati, questo e il conteggio dei record per la stima dei costi. Monitorare il Completeness Rate nel tempo per verificare se le correzioni stanno funzionando.

Scenario 2: rilevamento dei segnaposto nel campo Industry sugli Account

Il problema

I report di segmentazione degli Account mostrano che il 94% degli Account ha un valore Industry. Il marketing si fida di questo numero e lo utilizza per il targeting delle campagne. Si sospetta che il 94% sia gonfiato da valori segnaposto come «N/A» e «Unknown» che sembrano dati reali ma non contengono informazioni.

Configurazione

Utilizzare la modalita Contextual Completeness sull’oggetto Account, selezionando il campo Industry. Questa modalita abilita il rilevamento dei segnaposto, che e cio che serve per verificare la propria ipotesi.

Si disattivi la distinzione tra maiuscole e minuscole per questa scansione. Gli utenti inseriscono i segnaposto con ogni tipo di capitalizzazione: «n/a», «N/a», «N/A». Intercettare tutte le varianti fornisce il quadro reale.

Risultati di esempio

Totale record Account: 10.000.

Lettura dei risultati

Il dato principale sembra sano: 94% di completezza. Ma e esattamente cio che si sospettava essere fuorviante.

Si osservi il divario tra Empty Count e Incompleted Count. L’Empty Count indica che 600 record non hanno alcun valore. L’Incompleted Count indica che 2.400 record non hanno un valore utilizzabile. La differenza e rappresentata da 1.800 record con valori segnaposto.

Ecco il calcolo:

Incompleted Count (2.400) = Empty Count (600) + Placeholder Count (1.800)

600 record sono visibilmente vuoti. Chiunque esegua un report standard di Salesforce li noterebbe. Ma 1.800 record contengono valori come «N/A», «Other» o «Unknown» che gonfiano il tasso di completezza senza fornire dati di segmentazione reali.

La completezza realmente utilizzabile e piu vicina al 76%, non al 94%. Quel divario di 18 punti e l’incompletezza nascosta che i report standard non rilevano.

Perche questo e importante per la segmentazione: se il marketing esegue una campagna rivolta agli Account del settore «Technology», il conteggio del segmento e accurato. Ma se si esegue un report che mostra la copertura totale per settore, il 94% del dato principale nasconde il fatto che quasi 1 record su 5 «popolati» non contiene informazioni di settore utilizzabili. Le assegnazioni territoriali, l’instradamento per settore e le dashboard direzionali ereditano tutti questa distorsione.

Cosa fare dopo

Dimensionare il progetto di arricchimento dati su 2.400 record, non 600. L’obiettivo del cleanup e l’Incompleted Count, non l’Empty Count. Lavorare con i responsabili degli Account per inserire valori di settore reali, oppure utilizzare un servizio di arricchimento. Eseguire nuovamente la scansione dopo il cleanup per misurare il miglioramento.

Scenario 3: profondita della descrizione dei Case per la preparazione all’IA

Il problema

L’azienda sta valutando uno strumento di IA che riassume le descrizioni dei Case per gli agenti di supporto. Il fornitore afferma che l’IA necessita di «dati testuali ricchi» per funzionare efficacemente. Prima di investire nello strumento, e necessario valutare se il campo Description dei Case contiene abbastanza sostanza affinche l’IA produca riassunti utili.

Configurazione

Utilizzare la modalita Contextual Completeness sull’oggetto Case, selezionando il campo Description. Servono l’intero set di metriche contestuali: rilevamento dei segnaposto e le metriche di qualita del testo (Rich Text Ratio, Text Field Utilization, Average Utilization).

L’elenco dei segnaposto riflette il modo in cui gli agenti di supporto compilano effettivamente il campo Description. Invece di scrivere una descrizione reale, digitano una rapida abbreviazione. Queste voci sono tecnicamente popolate ma non danno all’IA nulla da riassumere.

Risultati di esempio

Totale record Case: 4.200 (stimato dalla somma di vuoti + popolati, dove 500 vuoti su circa 4.200 totali danno l’88% di completezza).

Lettura dei risultati

Si parta dal dato principale: 88% di completezza. Sembra un buon risultato per un campo di testo. Ma questa analisi riguarda la preparazione all’IA, non l’igiene dei dati. Il dato principale non e sufficiente.

Incompleted Count vs Empty Count. 500 record non hanno alcuna descrizione. Ma 1.800 record risultano incompleti quando si includono i segnaposto. Il divario di 1.300 record contiene voci come «See email», «Call back» e «Pending». Questi record superano un controllo di completezza base ma non forniscono all’IA nulla su cui lavorare.

Rich Text Ratio: 31%. Questo e il numero che risponde alla domanda. Solo il 31% delle descrizioni dei Case ha contenuto significativo al di sopra della soglia di caratteri. Il restante 69% delle descrizioni «popolate» e composto da segnaposto (gia conteggiati sopra) o da voci troppo brevi e superficiali perche l’IA possa riassumerle, come «issue reported», «customer called» o «escalated».

Text Field Utilization: 12%. Il campo Description e un Long Text Area con grande capacita di caratteri. I record utilizzano in media solo il 12% di tale capacita nell’intero dataset. Cio conferma che la maggior parte delle voci e molto breve.

Average Utilization: 8,4%. L’utilizzo medio su tutti i record e l’8,4% della capacita del campo. La maggior parte delle descrizioni e composta da poche parole, non da paragrafi.

Il verdetto sulla preparazione all’IA: lo strumento di riassunto IA produrra risultati utili per circa il 31% dei Case. Per il restante 69%, l’IA non riuscira a generare un riassunto oppure produrra qualcosa basato su un frammento di frase. Lo strumento avra prestazioni insufficienti su piu di due terzi del volume dei Case.

Cosa fare dopo

Presentare questi dati agli stakeholder prima di impegnarsi con lo strumento di IA. I numeri parlano chiaro: il progetto di IA necessita prima di una fase di arricchimento dei dati. Definire un Rich Text Ratio obiettivo (partire dal 60% o superiore) e costruire un piano per migliorare la qualita delle descrizioni. Le opzioni includono:

• Aggiornare i processi di creazione dei Case per richiedere una lunghezza minima della descrizione
• Formare gli agenti di supporto sulla scrittura di descrizioni utili
• Aggiungere screen Flow che richiedano informazioni dettagliate durante l’acquisizione dei Case

Eseguire nuovamente la scansione dopo ogni ciclo di miglioramento. Monitorare il Rich Text Ratio come metrica primaria di avanzamento per la preparazione all’IA.

Scelta della configurazione

Utilizzare questa tabella per scegliere il punto di partenza corretto per l’analisi di completezza.

Per un riferimento completo di tutte le 13 metriche di completezza e di come si inseriscono nel funnel diagnostico, tornare all’articolo principale sulla Completezza.

Per scoprire come la completezza e le altre dimensioni della qualita dei dati influenzano la preparazione all’IA, effettuare la Valutazione di preparazione all’IA.