# Agentforce를 위한 Salesforce 데이터 정리: 오브젝트별 가이드

> Agentforce를 위한 필드 수준 Salesforce 데이터 정리 플레이북. 서비스 및 영업 에이전트를 위해 어떤 오브젝트와 필드를 먼저 정리할지, DQS에 매핑하여 설명합니다.

Source: https://dataqualitysense.com/ko/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/
Last updated: 2026-07-15

---

어떤 Salesforce 오브젝트를 먼저 정리할지는 어떤 에이전트를 배포하느냐에 따라 달라집니다. 서비스 에이전트는 Case와 Knowledge를 읽고, 영업 에이전트는 Lead, Opportunity, Account, Contact를 읽습니다. 이 가이드는 Agentforce를 위한 Salesforce 데이터 정리의 어디(where)를 다룹니다. 즉 정리할 구체적인 오브젝트와 필드, 각 필드에서 위험에 처한 차원, 그리고 실행할 정리 조치입니다.

언제(when), 즉 이 작업을 둘러싼 4단계 일정에 대해서는 [Agentforce 데이터 품질: Salesforce 데이터를 AI용으로 준비하기](/ko/resources/ai-readiness/agentforce-preparation/)를 참조하십시오. 이 글은 그 일정의 2단계 안에 들어가며, 거기서 오브젝트별로 해결을 진행합니다. 이미 괜찮은 필드를 정리하는 대신 실제로 실패하는 필드를 알 수 있도록, 시작하기 전에 각 오브젝트에 대해 [DQS 스캔](/ko/resources/using-dqs/running-scans/)을 실행하십시오.

이 수준의 정리는 선택 사항이 아닙니다. [Salesforce의 State of Data and Analytics 연구](https://www.salesforce.com/news/stories/data-analytics-trends/)에 따르면, 데이터 및 분석 리더의 84%가 AI 야망이 성공하기 전에 데이터 전략이 완전히 점검되어야 한다고 말했습니다. 오브젝트별 해결이 CRM 내에서 그 점검이 실제로 어떻게 보이는지입니다.

## Account

영업 에이전트는 고객의 산업, 위치, 관계에 관한 응답을 뒷받침하기 위해 Account를 읽습니다. 에이전트가 "이 계정에 대해 우리가 무엇을 알고 있는가"에 답할 때 이 필드들에서 가져옵니다.

| 우선순위 필드 | 위험에 처한 차원 | 나쁜 데이터가 에이전트에 하는 일 |
|---|---|---|
| `Name` | 고유성 | 중복 계정이 이력을 쪼개므로 에이전트가 부분 레코드를 검색함 |
| `Industry` | 일관성 | "Tech", "Technology", "IT"가 세 세그먼트로 읽혀 근거 있는 답변을 깨뜨림 |
| `BillingCountry` | 일관성 | "US", "USA", "United States"가 지리적 맥락을 파편화함 |
| `Phone` / `Website` | 유효성 | 잘못된 형식의 값이 응답에서 쓸 수 없는 연락처 정보를 만들어냄 |

정리 조치:

- 배포 전에 중복 Account를 찾기 위해 고유성 스캔을 실행하십시오. 중복은 에이전트에게 동일한 고객에 대한 모순적인 사실을 가르칩니다. [고유성](/ko/resources/data-quality/uniqueness/)을 참조하십시오.
- `Industry`와 `BillingCountry`에 필드에서 가져오기(Import from Field)를 사용하여 존재하는 모든 변형을 발견한 다음, [Definition Builder](/ko/resources/using-dqs/definition-builder/)에서 표준 값을 정의하고 정규화하십시오.
- `Phone`과 `Website`에 유효성 스캔을 실행하여 잘못된 형식의 입력을 잡아내십시오. 유효성 비율이 90% 미만으로 떨어지는 필드를 대상으로 하십시오.

## Contact

에이전트는 자신이 누구를 상대하는지, 어떻게 연락할지를 파악하기 위해 Contact를 읽습니다. 아웃리치 메시지를 작성하는 영업 에이전트는 여기서 이름, 직함, 이메일을 가져옵니다.

| 우선순위 필드 | 위험에 처한 차원 | 나쁜 데이터가 에이전트에 하는 일 |
|---|---|---|
| `Email` | 유효성 | 유효하지 않은 주소가 에이전트가 제안한 아웃리치를 실패하게 만듦 |
| `Phone` | 유효성 | 잘못된 형식의 번호가 깨진 연락처 정보로 나타남 |
| `Title` | 완전성 | 비어 있는 직함이 에이전트가 개인화에 사용하는 역할 맥락을 제거함 |
| `MailingCountry` | 일관성 | 불일관한 국가 값이 지역별 답변을 잘못 라우팅함 |

정리 조치:

- `Email`과 `Phone`에 유효성 스캔을 실행하십시오. 이들은 에이전트가 작업을 수행하는 필드이므로 형식 오류가 실패한 작업으로 이어집니다. [유효성](/ko/resources/data-quality/validity/)을 참조하십시오.
- `Title`에 완전성 스캔을 실행하고 완전성 비율을 측정하십시오. 누락된 직함은 에이전트가 메시지를 맞춤화하는 데 필요한 역할 맥락을 빼앗습니다.
- 두 오브젝트가 일치하도록 Account에서 정의한 표준 목록에 맞춰 필드에서 가져오기로 `MailingCountry`를 표준화하십시오.

## Case

서비스 에이전트는 주로 Case에서 작업합니다. 에이전트는 Subject와 Description을 읽어 문제를 이해한 다음, 그 맥락에 답변을 근거합니다. 이것은 서비스 배포에서 가장 영향력이 큰 오브젝트입니다.

| 우선순위 필드 | 위험에 처한 차원 | 나쁜 데이터가 에이전트에 하는 일 |
|---|---|---|
| `Description` | 완전성 | 비어 있는 Description은 에이전트에게 맥락을 주지 않으므로 일반적인 답변을 반환함 |
| `Subject` | 완전성 | 누락된 제목이 케이스 분류와 라우팅을 약화시킴 |
| `Status` / `Origin` | 일관성 | 변형 값이 케이스 상태와 채널에 대한 에이전트의 시야를 파편화함 |
| `Description` / Comments | PII 탐지 | 이메일에서 붙여넣어진 SSN과 카드 번호가 AI 맥락에 들어감 |

정리 조치:

- `Description`에 완전성 스캔을 실행하십시오. Description 완전성은 곧 에이전트 맥락과 같습니다. 비어 있는 필드는 서비스 에이전트가 모호하게 답하는 가장 흔한 이유입니다. [완전성](/ko/resources/data-quality/completeness/)을 참조하십시오.
- 필드에서 가져오기를 사용하여 존재하는 모든 값을 드러낸 다음 표준 선택 목록으로 정규화하여 `Status`와 `Origin`을 표준화하십시오.
- `Description`과 Case Comments에 PII 스캔을 실행하십시오. 이메일-투-케이스는 PII를 포함하는 고객 메시지를 캡처하며, 에이전트가 그 PII를 응답에서 노출할 수 있습니다. [PII 탐지](/ko/resources/ai-readiness/pii-detection/)와 [Agentforce PII 컴플라이언스 가이드](/ko/resources/ai-readiness/agentforce-pii-compliance/)를 참조하십시오.

## Lead

영업 에이전트는 인바운드 관심을 검증하고 라우팅하기 위해 Lead를 읽습니다. 에이전트는 회사, 소스, 상태로부터 다음 작업을 결정하므로, 여기의 공백은 리드를 잘못된 경로로 보냅니다.

| 우선순위 필드 | 위험에 처한 차원 | 나쁜 데이터가 에이전트에 하는 일 |
|---|---|---|
| `Email` | 유효성 | 유효하지 않은 주소가 에이전트 주도 후속 조치를 깨뜨림 |
| `Company` | 완전성 | 누락된 회사 데이터가 검증 로직을 막음 |
| `LeadSource` | 일관성 | 불일관한 소스가 에이전트의 라우팅 결정을 왜곡함 |
| `Status` | 일관성 | 변형 상태가 리드가 퍼널의 어디에 있는지 혼란스럽게 함 |

정리 조치:

- `Email`에 유효성 스캔을, `Company`에 완전성 스캔을 실행하십시오. 이 두 필드가 에이전트가 애초에 리드에 대해 작업할 수 있는지를 좌우합니다.
- `LeadSource`와 `Status`에 필드에서 가져오기를 사용하여 드리프트를 찾은 다음, 정의된 값 집합으로 제한하십시오. [일관성](/ko/resources/data-quality/consistency/)을 참조하십시오.
- 담당자가 가공되지 않은 인바운드 메시지를 붙여넣는 모든 노트 또는 description 필드에 PII 스캔을 실행하십시오.

## Opportunity

영업 에이전트는 파이프라인과 예측 질문에 답하기 위해 Opportunity를 읽습니다. 오래된 단계나 누락된 금액은 거래 상태에 대해 확신에 찬 잘못된 답을 만들어냅니다.

| 우선순위 필드 | 위험에 처한 차원 | 나쁜 데이터가 에이전트에 하는 일 |
|---|---|---|
| `StageName` | 일관성 | 비표준 단계가 거래의 위치를 잘못 표현함 |
| `CloseDate` | 적시성 | 진행 중인 거래의 과거 마감일이 에이전트에게 시대에 뒤떨어진 파이프라인 사실을 가르침 |
| `Amount` | 완전성 | 누락된 금액이 에이전트가 보고하는 모든 예측을 왜곡함 |

정리 조치:

- `CloseDate`가 과거인 진행 중 Opportunity에 플래그를 지정하기 위해 적시성 스캔을 실행하십시오. 오래된 날짜는 에이전트가 더 이상 존재하지 않는 파이프라인을 보고하게 만듭니다. [적시성](/ko/resources/data-quality/timeliness/)을 참조하십시오.
- `Amount`에 완전성 스캔을 실행하십시오. 파이프라인 가치를 요약하는 에이전트는 금액이 비어 있으면 신뢰성 있게 그것을 할 수 없습니다.
- 일관성 스캔으로 `StageName`이 정의된 영업 프로세스와 일치하는지 확인하십시오.

## Knowledge

서비스 에이전트는 Knowledge 문서에 답변을 근거합니다. 에이전트는 문서를 검색하여 그 내용을 권위 있는 답변으로 제시하므로, 오래되거나 빈약한 문서는 확신에 차 전달되는 잘못된 답변이 됩니다.

| 우선순위 필드 | 위험에 처한 차원 | 나쁜 데이터가 에이전트에 하는 일 |
|---|---|---|
| 최종 수정 날짜 | 적시성 | 오래된 문서가 에이전트가 최신으로 제시하는 시대에 뒤떨어진 답변을 만들어냄 |
| `Title` / `Summary` | 완전성 | 빈약한 메타데이터가 검색을 약화시켜 에이전트가 잘못된 문서를 인용함 |
| 문서 본문 | PII 탐지 | 포함된 고객 데이터가 생성된 답변으로 유출될 수 있음 |

정리 조치:

- 최신성 기준을 넘긴 문서를 드러내기 위해 최종 수정 날짜에 대해 적시성 스캔을 실행하십시오. 오래된 문서는 확신에 찬 잘못된 서비스 답변의 주된 원인입니다.
- `Title`과 `Summary`에 완전성 스캔을 실행하십시오. 에이전트는 이들을 검색에 사용하므로, 약한 메타데이터는 에이전트를 잘못된 원천으로 이끕니다.
- 게시된 문서에 고객 특정 데이터가 붙여넣어지지 않았는지 확인하기 위해 문서 본문에 PII 스캔을 실행하십시오.

## 어떤 오브젝트를 먼저 정리해야 합니까?

에이전트가 실제로 읽는 오브젝트를, 그 답변이 그것에 의존하는 순서대로 정리하십시오. 아래 매트릭스는 정리 우선순위를 에이전트 유형에 매핑합니다.

| 오브젝트 | 서비스 에이전트 | 영업 에이전트 | 직원 대상 에이전트 |
|---|---|---|---|
| Case | 우선순위 1 | 낮음 | 중간 |
| Knowledge | 우선순위 1 | 낮음 | 우선순위 1 |
| Account | 중간 | 우선순위 1 | 중간 |
| Contact | 중간 | 우선순위 1 | 중간 |
| Lead | 낮음 | 우선순위 1 | 낮음 |
| Opportunity | 낮음 | 우선순위 2 | 중간 |

서비스 배포의 경우, Case Description 완전성과 Knowledge 적시성부터 시작하십시오. 이 두 필드가 에이전트가 답할 올바른 맥락을 가지고 있는지를 결정하기 때문입니다. 영업 배포의 경우, Account와 Contact부터 시작한 다음 Lead와 Opportunity로 이동하십시오. 모든 에이전트 유형에 걸쳐, 에이전트가 읽는 텍스트 필드에 PII 스캔을 먼저 실행하십시오. PII 결과는 품질 문제가 아니라 컴플라이언스 문제이기 때문입니다. [Agentforce 데이터 준비도 체크리스트](/ko/resources/ai-readiness/agentforce-data-readiness-checklist/)는 각 오브젝트에서 도달할 배포 전 기준치를 나열합니다.

## 다음 단계

- [Agentforce 데이터 품질: Salesforce 데이터를 AI용으로 준비하기](/ko/resources/ai-readiness/agentforce-preparation/): 이 정리가 들어가는 4단계 일정
- [Agentforce 에이전트가 실패하는 이유](/ko/resources/ai-readiness/why-agentforce-agents-fail/): 신뢰할 수 없는 에이전트 출력 뒤에 있는 데이터 문제
- [Agentforce 데이터 준비도 체크리스트](/ko/resources/ai-readiness/agentforce-data-readiness-checklist/): 오브젝트별 배포 전 기준치
- [Salesforce에서 데이터 품질을 개선하는 방법](/ko/resources/salesforce/improve-data-quality-in-salesforce/): 탐지, 수정, 예방, 모니터링 루프
- [Agentforce 데이터 품질 FAQ](/ko/resources/ai-readiness/agentforce-data-quality-faq/): 흔한 질문에 대한 답변
- [AI 준비 평가](/ko/ai-readiness/): 현재 준비도 점수 확인