# Interpretare i risultati

> Imparate a interpretare i risultati delle scansioni DQS, leggere i punteggi delle dimensioni, approfondire fino ai record interessati ed esportare i dati per la pulizia.

Source: https://dataqualitysense.com/it/resources/using-dqs/understanding-results/
Last updated: 2026-06-03

---

## Panoramica dei risultati

Al termine di una scansione, DQS presenta i vostri risultati in una vista dashboard. La dashboard mostra i punteggi a più livelli:

1. **Punteggio complessivo** - Un singolo numero che rappresenta la qualità totale dei dati
2. **Punteggi delle dimensioni** - Punteggi per ciascuna capability (Completezza, Validità, ecc.)
3. **Punteggi dei campi** - Punteggi per ciascun campo analizzato
4. **Dettagli dei record** - Approfondimento fino ai record specifici interessati

## La dashboard dei risultati

### Struttura della dashboard

```
┌─────────────────────────────────────────────────────────────────┐
│                     OVERALL QUALITY SCORE                        │
│                           85%                                    │
│                     ▲ +3% from last scan                         │
├──────────────────────┬──────────────────────┬───────────────────┤
│    COMPLETENESS      │      VALIDITY        │    UNIQUENESS     │
│        92%           │        78%           │       95%         │
├──────────────────────┼──────────────────────┼───────────────────┤
│    TIMELINESS        │    CONSISTENCY       │   AI READINESS    │
│        88%           │        82%           │       76%         │
└──────────────────────┴──────────────────────┴───────────────────┘
```

### Accedere ai risultati

1. Aprite DQS dall'App Launcher
2. Trovate la vostra Definition nell'elenco
3. Cliccate sul nome della Definition
4. Selezionate la scheda **Results**
5. Scegliete una data di scansione da visualizzare

La scansione più recente viene mostrata per impostazione predefinita.

## Punteggio di qualità complessivo

Il punteggio complessivo è una media ponderata di tutti i punteggi delle dimensioni.

### Come viene calcolato

DQS utilizza pesi predefiniti per ciascuna dimensione:

| Dimensione | Peso predefinito |
|-----------|---------------|
| Completezza | 25% |
| Validità | 20% |
| Unicità | 20% |
| Tempestività | 15% |
| Coerenza | 20% |

Formula: Complessivo = (Completezza x 0,25) + (Validità x 0,20) + (Unicità x 0,20) + (Tempestività x 0,15) + (Coerenza x 0,20)

I punteggi AI Readiness vengono mostrati separatamente e non influiscono sul punteggio complessivo di Data Quality.

### Interpretazione del punteggio

| Intervallo di punteggio | Livello di qualità | Azione |
|-------------|---------------|--------|
| 90-100% | Eccellente | Mantenete le pratiche attuali |
| 80-89% | Buono | Intervenite sulle aree deboli specifiche |
| 70-79% | Discreto | Date priorità al miglioramento |
| 60-69% | Scarso | Necessaria attenzione immediata |
| Sotto il 60% | Critico | Richiesta una pulizia importante dei dati |

### Indicatore di tendenza

Accanto al vostro punteggio compare una freccia di tendenza:

- **Freccia verde verso l'alto** - Il punteggio è migliorato rispetto all'ultima scansione
- **Freccia rossa verso il basso** - Il punteggio è peggiorato rispetto all'ultima scansione
- **Trattino grigio** - Punteggio invariato

La percentuale indica l'entità della variazione.

## Punteggi delle dimensioni

Cliccate la scheda di una qualsiasi dimensione per vedere le metriche dettagliate.

### Metriche di Completezza

| Metrica | Tipo | Cosa indica |
|--------|------|---------------|
| Completeness Rate | Percentuale | Campi che hanno un valore |
| Populated Count | Numero | Record con dati |
| Incomplete Count | Numero | Record con dati mancanti |
| Null Rate | Percentuale | Campi che sono NULL |
| Blank Rate | Percentuale | Vuoti o composti solo da spazi |
| Placeholder Rate | Percentuale | Valori N/A, TBD, Unknown |

**Esempio di interpretazione:**
- Completeness Rate del 85% significa che il 15% dei record ha valori mancanti
- Un Placeholder Rate elevato suggerisce che gli utenti inseriscono "TBD" invece di dati reali

### Metriche di Validità

| Metrica | Tipo | Cosa indica |
|--------|------|---------------|
| Validity Rate | Percentuale | Valori che rispettano il formato atteso |
| Valid Count | Numero | Record con formato corretto |
| Invalid Rate | Percentuale | Valori che non rispettano il formato |
| Invalid Count | Numero | Record con errori di formato |

**Esempio di interpretazione:**
- Un Validity Rate del 78% sul campo Email significa che il 22% presenta problemi di formato
- Problemi comuni: @ mancante, spazi, errori di battitura come ".con"

### Metriche di Unicità

| Metrica | Tipo | Cosa indica |
|--------|------|---------------|
| Uniqueness Rate | Percentuale | Valori distinti rispetto al totale |
| Distinct Count | Numero | Numero di valori univoci |
| Entropy | Decimale | Diversità dei valori (più alta = più diversificata) |
| Max Frequency | Numero | Occorrenze del valore più comune |
| Rarity | Percentuale | Come sono distribuiti i valori rari |

**Esempio di interpretazione:**
- Un Uniqueness Rate del 95% significa che il 5% sono duplicati
- Un valore di Entropy basso suggerisce che molti record condividono gli stessi valori

### Metriche di Tempestività

| Metrica | Tipo | Cosa indica |
|--------|------|---------------|
| Freshness Rate | Percentuale | Record entro la finestra di freschezza |
| Staleness Rate | Percentuale | Record oltre la finestra di freschezza |
| Average Age | Giorni | Età media dei valori data |
| Recency Rate | Percentuale | Record aggiornati di recente |
| Future Rate | Percentuale | Record con date future (errori) |
| Overdue Rate | Percentuale | Record oltre l'aggiornamento previsto |

**Esempio di interpretazione:**
- Uno Staleness Rate del 30% significa che il 30% dei record non viene toccato dalla vostra finestra di freschezza
- Un Future Rate superiore allo 0% indica errori di inserimento dati

### Metriche di Coerenza

| Metrica | Tipo | Cosa indica |
|--------|------|---------------|
| Conformance Rate | Percentuale | Valori che rispettano i pattern attesi |
| Conformance Count | Numero | Record conformi |
| Non-Conforming Count | Numero | Record con variazioni |
| Variant Count | Numero | Diverse varianti di valore trovate |
| Dominant Values | JSON | Valori principali e relativi conteggi |

**Esempio di interpretazione:**
- Un Variant Count di 15 sul campo Country suggerisce un inserimento incoerente (USA vs United States vs US)
- Dominant Values mostra quali varianti sono più comuni

### Metriche di AI Readiness

**Rilevamento PII:**
| Metrica | Cosa indica |
|--------|---------------|
| Records with PII | Conteggio assoluto dei record con corrispondenze di pattern (per dimensionare la remediation) |
| PII Exposure Rate | Percentuale di record contenenti PII (per la reportistica di conformità) |

## Dettagli a livello di campo

Cliccate una dimensione per vedere la suddivisione campo per campo.

### Tabella dei punteggi dei campi

| Campo | Punteggio | Problemi | Azioni |
|-------|-------|--------|---------|
| Email | 92% | 234 invalid | View Records |
| Phone | 78% | 1.456 invalid | View Records |
| MailingCity | 95% | 180 missing | View Records |

### Leggere i punteggi dei campi

Ogni campo mostra:
- **Punteggio** - Prestazioni per questo campo
- **Problemi** - Numero di record problematici
- **Azioni** - Link per approfondire ed esportare

### Identificare i campi problematici

Ordinate i campi per punteggio (dal più basso) per individuare:
- I campi con più problemi
- I campi che richiedono attenzione immediata
- I pattern tra campi correlati

> **Suggerimento:** concentratevi prima sui campi ad alto impatto. Un miglioramento del 10% nella validità di Email ha più valore di business rispetto al perfezionare un campo usato di rado.

## Approfondimento fino ai record

Cliccate **View Records** per vedere i dati interessati.

### Vista elenco dei record

L'approfondimento mostra i record con problemi:

| Name | Email | Problema | Created Date |
|------|-------|-------|--------------|
| John Smith | `john.smith@example` | Invalid format | 2026-01-15 |
| Jane Doe | `jane.doe@mail,com` | Invalid format | 2026-01-20 |

### Filtrare l'elenco dei record

Filtrate per:
- Tipo di problema (mancante, non valido, duplicato, ecc.)
- Intervallo di date
- Owner
- Valori di campi personalizzati

### Accesso diretto ai record

Cliccate un qualsiasi record per aprirlo in Salesforce. Apportate le correzioni direttamente o assegnatelo al membro del team più appropriato.

## Confrontare i risultati nel tempo

### Grafici delle tendenze

DQS visualizza grafici delle tendenze che mostrano:
- Il punteggio complessivo nel tempo
- I punteggi delle dimensioni nel tempo
- I punteggi dei campi nel tempo

I grafici vi aiutano a:
- Monitorare i progressi del miglioramento
- Individuare le aree in calo
- Misurare l'impatto degli interventi di pulizia

### Confronto tra scansioni

Confrontate due scansioni qualsiasi:

1. Cliccate **Compare** nella scheda Results
2. Selezionate una scansione di riferimento (più vecchia)
3. Selezionate una scansione di confronto (più recente)
4. Visualizzate le metriche affiancate

Il confronto evidenzia:
- Le metriche migliorate (verde)
- Le metriche peggiorate (rosso)
- Le metriche invariate (grigio)

### Definire obiettivi di miglioramento

Usate i dati storici per stabilire obiettivi realistici:

| Punteggio attuale | Obiettivo realistico a 90 giorni |
|---------------|------------------------|
| Sotto il 60% | 70-75% |
| 60-70% | 75-82% |
| 70-80% | 82-88% |
| 80-90% | 90-94% |
| Sopra il 90% | Mantenere o 95%+ |

## Esportare i dati

Potete esportare i risultati per l'analisi offline e i flussi di lavoro di pulizia.

### Esportazione CSV

Opzioni di esportazione:
- **Summary Export** - Solo punteggi e metriche
- **Affected Records Export** - Elenco completo dei record con problemi
- **Field Detail Export** - Suddivisione campo per campo

### Come esportare

1. Aprite i risultati della scansione
2. Cliccate **Export** (icona di download)
3. Scegliete il tipo di esportazione
4. Selezionate il formato (CSV)
5. Scaricate il file

### Contenuti dell'esportazione

**L'Affected Records Export include:**
- Record ID
- Record Name
- Campo con il problema
- Tipo di problema
- Valore corrente
- Azione suggerita

**Esempio di riga:**
```
0031x00000ABC123,John Smith,Email,INVALID_FORMAT,john.smith@example,Fix email domain
```

### Usare le esportazioni per la pulizia

1. Esportate i record interessati in CSV
2. Apriteli in Excel o Google Sheets
3. Rivedete e correggete i valori
4. Usate Data Loader per aggiornare Salesforce
5. Rilanciate la scansione per verificare i miglioramenti

> **Suggerimento:** create un flusso di lavoro per l'assegnazione della pulizia. Esportate i record, assegnate gli owner in base ad Account o Region e tenete traccia delle correzioni.

## Condividere i risultati

### Opzioni di condivisione

Condividete i risultati con gli stakeholder:

1. **Condivisione del link** - Copiate l'URL dei risultati della scansione
2. **Screenshot** - Vista dashboard per le presentazioni
3. **Esportazione** - CSV per un'analisi dettagliata
4. **Riepilogo via email** - Report automatici

### Creare report per il management

Per le presentazioni direzionali, concentratevi su:
- Il punteggio complessivo e la tendenza
- Il miglioramento rispetto al periodo precedente
- Le 3 principali aree problematiche
- Un piano d'azione con tempistiche

Evitate di sommergere con i dettagli delle metriche. Partite dalla storia.

## Comprendere le variazioni del punteggio

### Perché i punteggi cambiano

| Variazione | Cause comuni |
|--------|---------------|
| Punteggio migliorato | Interventi di pulizia, migliore inserimento dati |
| Punteggio peggiorato | Nuovi dati con problemi, soglie modificate |
| Forte aumento | Pulizia massiva dei dati completata |
| Forte calo | Importazione di dati con problemi di qualità |

### Indagare le variazioni

Quando i punteggi cambiano in modo inatteso:

1. Confrontate le scansioni per individuare quali metriche sono cambiate
2. Approfondite fino al livello di campo
3. Rivedete le recenti modifiche ai dati (importazioni, integrazioni)
4. Verificate se la configurazione della Definition è cambiata

## Prossimi passi

- [Guida al Definition Builder](/it/resources/using-dqs/definition-builder/): regolate le soglie in base ai risultati
- [Esecuzione delle scansioni](/it/resources/using-dqs/running-scans/): pianificate scansioni regolari
- [Misurare la qualità dei dati](/it/resources/best-practices/measuring-data-quality/): costruite una scorecard della qualità