Skip to main content

Agentforce-datakwaliteit: veelgestelde vragen

Antwoorden op veelgestelde vragen over Agentforce-datakwaliteit: heeft Agentforce schone data nodig, welke data het leest, gereedheidsdrempels, PII-risico en hoe u zich voorbereidt.

Bijgewerkt

Agentforce-datakwaliteit: veelgestelde vragen

Teams stellen dezelfde vragen voordat ze Agentforce verbinden met hun Salesforce-data. Deze pagina beantwoordt er tien direct. Elk antwoord is opgebouwd voor snelle naslag en verwijst naar diepere begeleiding waar u die nodig heeft.

Heeft Agentforce schone data nodig?

Ja. Agentforce heeft schone data nodig omdat agents hun reacties baseren op de Salesforce-records die ze ophalen. Een agent werkt met wat het ook maar vindt in de velden binnen zijn bereik. Wanneer die velden onvolledig, inconsistent of ongeldig zijn, produceert de agent onvolledige, inconsistente of ongeldige uitkomsten. Schone data is het verschil tussen een agent die gebruikers helpt en een die ze misleidt. De inzet is gedocumenteerd: Gartner voorspelde in 2024 dat minstens 30% van generatieve AI-projecten zou worden opgegeven na proof of concept tegen eind 2025, met slechte datakwaliteit als een van de voornaamste oorzaken. Zie waarom Agentforce-agents falen voor de specifieke faalwijzen die slechte data veroorzaakt.

Welke data gebruikt Agentforce?

Agentforce gebruikt uw Salesforce-records. Agents halen informatie op uit objecten waartoe u ze toegang geeft, genereren reacties op basis van die data en ondernemen namens gebruikers acties. De velden die het belangrijkst zijn voor reactiekwaliteit zijn vrijetekstvelden zoals Description, Comments en Notes, samen met picklists en referentievelden die context aandrijven. Als een veld binnen het bereik van een agent valt, wordt de inhoud ervan invoer voor de antwoorden van de agent. Voor het volledige beeld van hoe CRM-data AI voedt, lees Datakwaliteit in Salesforce.

Hoe weet ik of mijn Salesforce-data klaar is voor Agentforce?

U weet dat uw data klaar is wanneer deze voldoet aan gedefinieerde gereedheidsdrempels op het gebied van volledigheid, consistentie, geldigheid en PII-blootstelling. Gereedheid is meetbaar, geen gevoel. Voer een DQS-scan uit over elk object waartoe een agent toegang heeft, registreer een basislijnpercentage voor elke dimensie en vergelijk die percentages met uw doelen. De Agentforce-datagereedheidschecklist loopt door elk item dat u bevestigt voordat u implementeert.

Wat gebeurt er als Agentforce onvolledige records leest?

Wanneer Agentforce onvolledige records leest, genereert het vage of generieke reacties omdat het geen context heeft om uit te putten. Een leeg Description-veld geeft de agent niets specifieks om naar te verwijzen, dus valt het terug op brede taal die weinig waarde toevoegt. Het probleem schaalt mee met het volume. Het Volledigheidspercentage vertelt u hoeveel records dit gat dragen over de velden die een agent gebruikt, zodat u de slechtste velden eerst kunt prioriteren. Volledigheid is de eerste van de vijf datakwaliteitsdimensies.

Kan Agentforce PII blootleggen?

Ja. Agentforce kan persoonlijk identificeerbare informatie naar boven halen die in de Salesforce-velden staat die het leest. PII verbergt zich in vrijetekstvelden waar gebruikers klantcommunicaties plakken. Email-to-case bijvoorbeeld vangt burgerservicenummers en creditcardnummers op uit inkomende berichten en slaat ze op in Case Description en Comments. Wanneer een agent een van die records ophaalt, komt de PII in de AI-context terecht en kan deze in een gegenereerde reactie verschijnen. DQS PII-detectie levert acht patronen om deze data te vinden, en de gids Agentforce PII-compliance behandelt hoe u ermee omgaat.

Hoe meet ik de Salesforce-datakwaliteit voordat ik Agentforce implementeer?

U meet de Salesforce-datakwaliteit met DQS, dat uw records binnen Salesforce scant en een percentage rapporteert voor elke dimensie. Selecteer in de Definition Builder de objecten en velden waartoe een agent toegang heeft, en voer dan een scan uit. Insight Studio retourneert Volledigheidspercentage, Conformiteitspercentage, Geldigheidspercentage, Tijdigheidspercentage, Duplicaatpercentage en PII-blootstellingspercentage voor dat bereik. De volledige scan draait in uw org, dus er verlaat geen data Salesforce. Voor een stapsgewijze methode, zie hoe u datakwaliteit in Salesforce meet.

Hoe schoon moet mijn data zijn?

Streef naar een Volledigheidspercentage van 85% of hoger op sleutelvelden, een Conformiteitspercentage van 90% of hoger op picklist- en referentievelden, een Geldigheidspercentage van 90% of hoger op gestructureerde velden, en een PII-blootstellingspercentage onder 1% op tekstvelden. Deze drempels geven agents genoeg volledige, consistente en geldige data om betrouwbaar te reageren terwijl gevoelige data buiten de AI-context blijft. Verhoog de doelen voor gereguleerde of klantgerichte velden waar fouten meer risico met zich meebrengen. De Agentforce-voorbereidingsgids legt uit hoe u elk percentage valideert tegen deze doelen vóór go-live.

Hoe lang duurt de datavoorbereiding voor Agentforce?

Reken op ongeveer drie maanden voor datavoorbereiding vóór go-live. Voer uw beoordeling ongeveer drie maanden van tevoren uit om basislijnen vast te stellen. Voltooi het herstel ongeveer twee maanden van tevoren, waarbij u eerst PII aanpakt, dan volledigheid en consistentie. Valideer ongeveer een maand van tevoren door elke scan opnieuw uit te voeren en de nieuwe percentages te vergelijken met uw basislijnen. Ga na implementatie over op doorlopende monitoring. De omvang van de org en het aantal objecten in het bereik verschuiven de tijdlijn, maar de volgorde blijft gelijk. Voor de herstelfase in detail, zie Salesforce-dataopschoning voor Agentforce.

Is datakwaliteitsmonitoring belangrijk na go-live?

Ja. Datakwaliteitsmonitoring is belangrijk na go-live omdat data degradeert naarmate gebruikers nieuwe records invoeren. Een dataset die u voor de lancering hebt opgeschoond, accumuleert binnen weken nieuwe gaten, inconsistenties en PII. Eenmalig herstel houdt geen stand. Plan terugkerende DQS-scans, wekelijks voor tekstvelden met hoog volume en maandelijks voor objecten in het agentbereik, en volg de statistiekentrends. Regelmatig scannen vangt regressie vroeg op, voordat het uw agents en uw gebruikers bereikt.

Wat is het verschil tussen datakwaliteit en datagereedheid?

Datakwaliteit meet of uw records geschikt zijn voor hun beoogde doel. Datagereedheid meet of diezelfde records voorbereid zijn voor een specifiek gebruik, in dit geval Agentforce. Gereedheid bouwt voort op de vijf datakwaliteitsdimensies en voegt één zorg toe die traditioneel kwaliteitswerk negeert: blootstelling van gevoelige data. Een record kan volledig, consistent en geldig zijn en toch een burgerservicenummer bevatten dat een agent nooit mag blootleggen. Gereedheid combineert beide controles. Begin met de basis in wat is datakwaliteit.

Volgende stappen