# 완전성

> DQS가 측정하는 10가지 완전성 메트릭, 누락 데이터를 찾기 위한 진단 단계, 완전성 분석 구성 방법.

Source: https://dataqualitysense.com/ko/resources/data-quality/completeness/
Last updated: 2026-04-16

---

## 완전성이란 무엇인가?

완전성은 데이터가 실제로 존재하는지를 측정합니다. 필드는 의미 있는 데이터를 포함할 때 완전하고, 널이거나 공백이거나 "N/A" 또는 "TBD"와 같은 자리 표시자로 채워져 있을 때 불완전합니다.

완전성은 가장 기본적인 데이터 품질 차원입니다. 데이터가 없으면 유효성을 검사하거나, 중복을 제거하거나, 분석할 것도 없습니다.

```
완전성 비율 = (데이터가 있는 레코드 / 전체 레코드) x 100
```

1,000개의 Contact 레코드 중 850개에 Email 값이 있다면, Email 완전성 비율은 85%입니다. 이 메트릭(충족률이라고도 함)은 모든 필드의 핵심 수치입니다.

## 완전성이 중요한 이유

### 보고

불완전한 데이터는 분석을 왜곡합니다. Account 레코드의 40%에 Industry 값이 없으면, Industry별로 그룹화된 보고서는 부분적인 사실만 보여줍니다. 대시보드가 신뢰할 수 없게 됩니다. 경영진의 결정이 전체 그림의 일부에만 근거하게 됩니다.

### 자동화

Salesforce 자동화는 필드 값에 의존합니다. 이메일을 발송하는 워크플로는 Email이 공백이면 실패합니다. Account Owner를 업데이트하는 프로세스는 조회가 널이면 실패합니다. 각 누락 값은 잠재적인 자동화 실패입니다.

### AI 및 Agentforce

AI 모델은 데이터에서 학습합니다. 필드가 비어 있으면 모델이 학습할 것이 없습니다. Agentforce는 Salesforce 데이터를 사용하여 응답을 생성하고 작업을 수행합니다. 누락 데이터는 불완전한 맥락과 덜 유용한 AI 결과를 의미합니다.

| 시스템 | 완전성 영향 |
|--------|-------------|
| 보고서 | 부분 데이터가 왜곡된 메트릭을 생성함 |
| 워크플로 | 누락 값이 프로세스 실패를 초래함 |
| 중복 규칙 | 불완전한 레코드는 매칭이 더 어려움 |
| Agentforce | 맥락 공백이 AI 정확도를 감소시킴 |

## DQS가 완전성을 측정하는 방법

DQS는 진단적 질문을 중심으로 구성된 10가지 완전성 메트릭을 제공합니다. **"데이터가 어디서 누락되고, 왜 누락되며, 존재하는 데이터가 실제로 유용한가?"**

이 메트릭들을 진단 단계로 생각하십시오. 각 단계는 이전 단계를 기반으로 합니다.

### 1단계: 얼마나 완전한가?

**완전성 비율(Completeness Rate)**은 핵심 메트릭입니다. 필드에 비어 있지 않고 널이 아닌 값이 있는 레코드의 백분율을 계산합니다. 이것이 대시보드에 표시하는 숫자입니다.

Account 오브젝트에 대한 스캔을 실행합니다. `Industry` 필드가 62%의 완전성 비율을 보여줍니다. 이는 Account의 38%에 산업 값이 없음을 의미하며, 산업별로 필터링하는 세분화 보고서, 지역 규칙, 마케팅 캠페인이 모두 불완전한 데이터로 작동하고 있음을 의미합니다.

다른 모든 완전성 메트릭은 이 숫자가 100%가 되지 않는 *이유*를 설명하기 위해 존재합니다.

### 2단계: 규모는 어떠한가?

비율은 심각도를 알려줍니다. 개수는 작업량을 알려줍니다. **채워진 개수(Populated Count)**가 규모 질문에 답합니다. 실제로 값이 있는 레코드가 몇 개인지를 알려줍니다. 적용 범위 보고와 전체 레코드 수 대비 공백 규모 파악에 사용합니다. 전체 수와 채워진 개수의 차이가 정리 백로그입니다.

**예시:** 데이터 관리자가 정리 캠페인을 구축해야 합니다. 50,000개의 Contact에서 `Phone`의 채워진 개수가 35,800개라면, 14,200개의 레코드에 보강이 필요함을 알게 되었으며, 데이터 공급업체와의 비용을 추정하고 현실적인 일정을 설정할 수 있습니다.

### 3단계: 왜 불완전한가?

세 가지 메트릭이 불완전성의 *원인*을 분석합니다. 각각은 다른 근본 문제를 가리킵니다.

**널 개수 및 널 비율(Null Count and Null Rate)**은 필드에 진정한 데이터베이스 널이 있는 레코드를 측정합니다. 즉, 필드가 채워진 적이 없음을 의미합니다. Salesforce에서 널과 빈 문자열은 다른 상태입니다. 한 번도 건드리지 않은 필드는 널입니다. 명시적으로 지운 필드는 빈 문자열입니다. 이 구분은 데이터가 캡처된 적이 없는지 또는 의도적으로 제거되었는지를 알려줍니다.

**예시:** 데이터 마이그레이션 후, Account의 `Fax` 필드가 45% 널 비율을 보입니다. 팩스 데이터는 캡처된 후 나중에 지워진 것이 아니라 레거시 시스템에서 마이그레이션되지 않았습니다(널 = 존재한 적 없음). 높은 널 비율은 사용자 행동이 아닌 소스 시스템을 가리킵니다.

**자리 표시자 개수 및 자리 표시자 비율(Placeholder Count and Placeholder Rate)**은 "N/A", "TBD", "Unknown" 또는 사용자가 정의한 사용자 정의 값과 같은 알려진 자리 표시자 값을 포함하는 레코드를 측정합니다. 이러한 값들은 *데이터처럼 보이지만* 실제 정보를 담고 있지 않습니다.

**예시:** 글로벌 Account 데이터가 `Industry`에서 94%의 완전성 비율을 보여줍니다. 표면적으로는 좋아 보입니다. 하지만 자리 표시자 비율에 따르면 "채워진" 값의 18%가 실제로 "N/A", "Other", 또는 "Unknown"입니다. 실제 완전성은 76%에 더 가깝습니다. 이것이 녹색 대시보드를 빨간색으로 바꾸는 메트릭입니다.

### 4단계: "완전한" 데이터가 유용한가?

처음 세 단계는 누락된 것을 파악합니다. 4단계는 더 어려운 질문을 합니다. 실제로 *있는* 데이터가 가질 만한 가치가 있는가?

**불완전 개수(Incompleted Count)**는 누락 데이터의 가장 넓은 측정값입니다. 이는 모든 형태의 불완전성(널, 공백, *그리고* 자리 표시자 값)을 결합합니다. 자리 표시자 감지가 활성화된 경우, 불완전 개수는 공백만 있는 항목과 자리 표시자 항목도 포착하므로 항상 널 개수만보다 크거나 같습니다.

**예시:** Opportunity의 `Description` 필드가 500의 널 개수를 보이지만 불완전 개수는 1,800입니다. 차이는? 1,300개의 레코드에 "TBD", "N/A", 또는 "---"와 같은 설명이 있습니다. 이러한 레코드들은 기술적으로는 채워져 있지만 실질적으로는 쓸모가 없습니다. 이 메트릭이 없으면 1,800개 대신 500개의 레코드만 수정하면 된다고 생각할 것입니다.

**풍부한 텍스트 비율(Rich Text Ratio)**은 특정 문자 임계값 이상의 상당한 내용을 포함하는 텍스트 필드 레코드의 백분율을 측정합니다. 이는 의미 있는 문장이 있는 필드와 몇 가지 단어만 있는 필드를 구분합니다. `Description` 필드는 "좋은 고객"이든 세 단락의 계획이든 "채워진" 것으로 간주됩니다. AI 준비 측면에서 내용의 깊이는 존재만큼이나 중요합니다.

**예시:** 회사가 Case 설명을 요약하는 AI 도구를 평가하고 있습니다. Case의 `Description` 필드를 스캔합니다. 88%의 완전성 비율이지만 풍부한 텍스트 비율은 31%에 불과합니다. Case 설명의 31%만이 AI가 활용할 수 있는 충분한 내용을 가지고 있습니다. 나머지는 "콜백", "이메일 참조", "문제 보고됨"과 같은 항목들입니다. AI 프로젝트는 가치를 제공하기 전에 데이터 보강 단계가 필요합니다.

**텍스트 필드 활용도(Text Field Utilization)**는 텍스트 필드의 사용 가능한 문자 용량이 얼마나 사용되는지를 측정합니다. 32,000자 용량의 Long Text Area에서 평균 항목이 45자라면 활용도가 매우 낮습니다.

**평균 활용도(Average Utilization)**는 모든 레코드에 걸쳐 사용된 필드 길이의 평균 백분율을 제공합니다. 텍스트 필드 활용도와 함께, 텍스트 필드의 크기가 적절한지 완전한 그림을 제공합니다.

**예시:** 조직 평가 중, 텍스트 필드 활용도가 `Notes__c`(Long Text Area, 131,072자)가 평균 3.2%의 활용도를 보이며 대부분의 항목이 200자 미만임을 보여줍니다. 한편, `Short_Description__c`(Text, 255자)는 94% 활용도를 보이며 빈번한 잘림 문제가 있습니다. 스키마는 크기 조정이 필요합니다. Long Text Area는 과도하고, Text 필드는 너무 작습니다.

> **참고:** 텍스트 필드 활용도 및 평균 활용도는 String 및 TextArea 필드에만 적용됩니다. 이러한 필드 유형들만이 측정할 수 있는 정의된 문자 용량을 가지고 있기 때문입니다.

### 비율과 개수가 쌍으로 제공되는 이유

대부분의 메트릭은 비율(백분율)과 개수(절대 숫자)로 제공됩니다. 이는 의도적인 설계입니다.

- **비율**은 대시보드, 경영진 보고, 추세 추적에 사용됩니다. "완전성이 이번 분기에 72%에서 89%로 향상되었습니다."
- **개수**는 프로젝트 계획, 작업량 추정, 정리 범위 지정에 사용됩니다. "14,200개의 레코드를 수정해야 합니다."

진척도를 전달하는 데는 비율을 사용하고, 작업을 계획하는 데는 개수를 사용하십시오.

## 메트릭 참조

### 기본 메트릭

이 5가지 메트릭은 모든 완전성 분석의 기반을 형성합니다. 거의 모든 필드 유형에서 작동합니다.

| 메트릭 | 유형 | 적용 대상 |
|--------|------|-----------|
| 완전성 비율 | 백분율 | 모든 필드 유형 |
| 채워진 개수 | 개수 | 모든 필드 유형 |
| 불완전 개수 | 개수 | 모든 필드 유형 |
| 널 비율 | 백분율 | 모든 필드 유형 |
| 널 개수 | 개수 | 모든 필드 유형 |

### 맥락적 메트릭

이 5가지 메트릭은 "그것이 있는가?"를 넘어 "의미 있는가?"를 묻습니다. 맥락적 완전성 분석 모드가 필요합니다.

| 메트릭 | 유형 | 적용 대상 |
|--------|------|-----------|
| 자리 표시자 비율 | 백분율 | 텍스트 필드만 |
| 자리 표시자 개수 | 개수 | 텍스트 필드만 |
| 풍부한 텍스트 비율 | 백분율 | 텍스트 필드만 |
| 텍스트 필드 활용도 | 백분율 | String 및 TextArea만 |
| 평균 활용도 | 백분율 | String 및 TextArea만 |

### 필드 유형 적용 범위

DQS는 모든 표준 Salesforce 필드 유형에 대해 완전성 검사를 지원합니다.

| 적용 범위 그룹 | 필드 유형 | 사용 가능한 메트릭 |
|----------------|-----------|-------------------|
| 모든 유형 (20) | String, TextArea, LongTextArea, Html, EncryptedText, Picklist, Multipicklist, Email, Phone, URL, Reference (Lookup), Date, DateTime, Double, Integer, Currency, Percent, Boolean, Combobox, Id | 완전성 비율, 채워진/불완전 개수, 널 비율/개수 |
| 텍스트 필드 (8) | Text, TextArea, LongTextArea, Html, EncryptedText, Email, Phone, URL | 위 + 자리 표시자 비율/개수, 풍부한 텍스트 비율 |
| String 및 TextArea (2) | String, TextArea | 위 + 텍스트 필드 활용도, 평균 활용도 |

## 두 가지 분석 모드

DQS는 두 가지 완전성 분석 모드를 제공합니다.

**기본 완전성(Basic Completeness)**은 "필드가 채워져 있는가?"라는 질문에 답합니다. 5가지 기본 메트릭을 생성하며 모든 조직이 데이터 위생 검사 또는 빠른 감사에 필요한 필수 사항을 다룹니다.

**맥락적 완전성(Contextual Completeness)**은 더 깊이 파고듭니다. 자리 표시자 감지, 풍부한 텍스트 분석, 필드 활용도를 포함한 10가지 메트릭을 모두 생성합니다. *존재하는* 데이터와 *유용한* 데이터를 구분해야 할 때 이 모드를 사용하십시오.

| 비즈니스 요구 | 권장 모드 |
|---------------|-----------|
| 빠른 위생 검사 또는 기준선 감사 | 기본 완전성 |
| 데이터 마이그레이션 평가 | 맥락적 (자리 표시자 감지가 레거시 시스템의 가짜 데이터를 포착) |
| AI 준비 평가 | 맥락적 (풍부한 텍스트 비율 및 활용도 메트릭이 내용 깊이를 평가) |
| 지속적인 데이터 거버넌스 | 기본 완전성으로 시작하고, 더 깊은 분석이 필요할 때 맥락적으로 이동 |

## 완전성 구성

DQS는 완전성을 위한 네 가지 구성 입력을 제공합니다. 각각은 전역 수준(모든 필드에 적용)에서 설정할 수 있으며 개별 필드 수준에서 재정의할 수 있습니다.

| 설정 | 제어 내용 |
|------|-----------|
| **공백을 불완전으로(Blank As Incomplete)** | 활성화하면 DQS가 빈 문자열과 공백만 있는 값을 불완전으로 취급합니다. 기본값: 활성화. |
| **자리 표시자를 불완전으로(Placeholders As Incomplete)** | 활성화하면 DQS가 자리 표시자 값("N/A" 또는 "TBD"와 같은)을 불완전으로 취급합니다. 기본값: 비활성화. |
| **자리 표시자 값(Placeholder Values)** | DQS가 자리 표시자로 취급하는 문자열 목록. 조직의 데이터 입력 패턴을 기반으로 정의합니다(예: N/A, TBD, Unknown, --, 000-000-0000). |
| **대소문자 구분 자리 표시자(Case-Sensitive Placeholders)** | 자리 표시자 매칭이 대소문자를 구분하는지 여부를 제어합니다. 활성화하면 "tbd"와 "TBD"가 다른 값으로 처리됩니다. 기본값: 대소문자 구분. |

> **팁:** 일반적인 자리 표시자("N/A", "TBD", "Unknown", "--")로 시작하고, 스캔 결과에서 발견되는 조직별 값을 추가하십시오.

## 일반적인 완전성 문제

### 선택적 필드가 채워지지 않음

필드가 선택 사항이면 사용자들이 건너뜁니다. 시간이 지남에 따라 회사 설명이나 LinkedIn URL과 같은 귀중한 필드들의 완전성 비율이 거의 0에 가까워집니다.

**해결책:** 중요한 필드를 필수로 만들거나 레코드 편집 중에 프롬프트를 만드십시오.

### 공백이 있는 대량 가져오기

데이터 마이그레이션과 목록 가져오기는 특정 필드의 값이 없는 경우가 많습니다. 구매한 연락처 목록에는 Account 연결이 없습니다. 레거시 시스템 내보내기에는 표준화된 Industry 값이 없습니다.

**해결책:** 로드하기 전에 가져오기를 감사하십시오. DQS를 사용하여 기준선을 설정하고 각 가져오기 후 개선을 추적하십시오.

### 자리 표시자 남용

사용자들이 유효성 검사 규칙을 통과하기 위해 "N/A" 또는 "TBD"를 입력합니다. 필드는 완전해 보이지만 사용 가능한 데이터를 포함하지 않습니다. 표준 보고서는 이를 채워진 것으로 계산합니다.

**해결책:** 자리 표시자 감지를 활성화하고 자리 표시자 값 목록을 정의하십시오. 정기적인 데이터 유지 관리 중에 자리 표시자 값을 검토하고 업데이트하십시오.

### 공백 패딩

일부 통합이나 수동 입력이 공백만 있는 필드를 남깁니다. Salesforce는 이를 "채워진" 것으로 계산하지만 유용한 내용이 없습니다.

**해결책:** 공백만 있는 값을 포착하기 위해 공백 감지를 활성화하십시오.

## 모범 사례

### 비즈니스 영향에 따라 우선순위 지정

모든 필드에 높은 완전성이 필요한 것은 아닙니다. 자동화를 구동하고, 경영진 대시보드에 표시되고, AI 및 Agentforce에 공급되거나, 컴플라이언스 요구 사항을 지원하는 필드에 집중하십시오.

### 시간에 따른 추세 추적

단일 완전성 점수는 스냅샷입니다. 여러 스캔에 걸쳐 점수를 추적하여 초기에 저하를 감지하고, 개선 이니셔티브를 측정하고, 문제 있는 데이터 소스를 파악하십시오.

### 근본 원인 해결

낮은 완전성은 프로세스 문제를 나타냅니다. 사용자가 필드를 건너뛰고 있는지, 가져오기에 데이터가 누락되고 있는지, 또는 통합이 조용히 실패하고 있는지 조사하십시오. 증상이 아닌 소스를 수정하십시오.

### 진단 단계 사용

완전성 비율에서 멈추지 마십시오. 단계를 따라 진행하십시오. 규모를 확인하고(채워진 개수), 원인을 파악하고(널 vs 자리 표시자), 그런 다음 내용 품질을 평가하십시오(풍부한 텍스트 비율, 활용도). 각 단계는 서로 다른 수정이 필요한 다른 유형의 문제를 드러냅니다.

## 다음 단계

이제 완전성을 측정하고 개선하는 방법을 이해했습니다. 다음 차원에 대한 학습을 계속하십시오.

- **다음:** [유효성](/ko/resources/data-quality/validity/) - 데이터가 예상 형식에 부합하는지 확인
- **관련:** [다섯 가지 차원](/ko/resources/data-quality/five-dimensions/) - 모든 차원 개요
- **실행:** [AI 준비 평가](/ko/ai-readiness/) - 현재 완전성 점수 확인