Datakwaliteit in Salesforce verbeteren is geen project met een einddatum. CRM-data gaat voortdurend in kwaliteit achteruit — door handmatige invoer, integraties, tijd en inmiddels ook AI-agents die records lezen en schrijven — dus het doel is geen eenmalige opschoning maar een herhaalbare cyclus die de kwaliteit hoog houdt naarmate er nieuwe data binnenkomt. De vervlakking is goed gedocumenteerd: B2B-contactgegevens worden schuimig met ruwweg 2,1% per maand, of ongeveer 22,5% per jaar, wat betekent dat een opschoning die in januari eindigt, tegen de zomer aantoonbaar verouderd is. Deze gids beschrijft die cyclus en de Salesforce-specifieke tactieken die elke stap laten werken.
De verbetercyclus
Elk duurzaam datakwaliteitsprogramma, of je het nu met de hand uitvoert of met een tool, volgt dezelfde vijf stappen:
- Detecteren — meet waar je vandaag staat, per dimensie en per veld.
- Prioriteren — rangschik problemen op zakelijke impact afgezet tegen de oplosinspanning.
- Oplossen — schoon bestaande records op.
- Voorkomen — zorg dat hetzelfde probleem niet terugkomt.
- Monitoren — meet opnieuw volgens een schema, zodat nieuwe problemen vroeg aan het licht komen.
Een stap overslaan breekt de cyclus. Opschonen zonder voorkomen betekent dat je elk kwartaal dezelfde duplicaten oplost. Voorkomen zonder monitoren betekent dat je nooit weet of het gewerkt heeft. De stappen versterken elkaar.
Stap 1: Detecteren
Je kunt niet prioriteren wat je niet kunt zien. Begin met het meten van je datakwaliteit om een baseline Data Quality Score te krijgen, uitgesplitst per dimensie en veld. Het is die uitsplitsing die ertoe doet: “volledigheid is 64 op Accounts, gedreven door een leeg Industry-veld” is een startpunt waar je naar kunt handelen; “de data is rommelig” is dat niet.
Een goede baseline beantwoordt drie vragen: welke objecten scoren het slechtst, welke dimensie domineert het probleem, en welke specifieke velden veroorzaken de fouten.
Stap 2: Prioriteren
Niet elk probleem verdient dezelfde urgentie. Rangschik wat je hebt gevonden langs twee assen:
- Zakelijke impact — drijft dit veld omzet, rapportage, automatisering of AI aan? Een ontbrekend Opportunity Amount vertekent de forecast; een ontbrekend tweede faxnummer niet.
- Oplosinspanning — is dit op te lossen met een bulkupdate en een validatieregel, of vraagt het om een procesverandering en draagvlak bij stakeholders?
Begin met problemen met hoge impact en lage inspanning. Ze bouwen momentum op en maken capaciteit vrij voor de lastigere structurele kwesties.
Stap 3: Oplossen
Oplossen valt in Salesforce uiteen in een paar herhaalbare patronen:
| Probleem | Typische oplossing |
|---|---|
| Ontbrekende waarden (volledigheid) | Bulkupdate vanuit een betrouwbare bron; verrijking; maak het veld verplicht waar passend |
| Ongeldige formaten (geldigheid) | Massacorrectie, daarna een validatieregel om het formaat voortaan af te dwingen |
| Duplicaten (uniciteit) | Records samenvoegen; duplicate- en matching rules instellen om nieuwe te blokkeren |
| Inconsistente waarden (consistentie) | Standaardiseren naar een gecontroleerde picklist; vrije tekst vervangen door een beperkt veld |
| Verouderde records (tijdigheid) | Re-engagement- of archiveringsworkflows; records markeren die een actualiteitsdrempel overschrijden |
| Blootgestelde PII | Identificeren met PII-detectie, daarna maskeren, beperken of verwijderen |
De bestaande achterstand oplossen is nodig, maar op zichzelf is het een tredmolen. De hefboom zit in de volgende stap.
Stap 4: Voorkomen
Het verschil tussen een eenmalige opschoning en een blijvende verbetering is preventie. De economie pleit er sterk voor: de 1-10-100-regel van Labovitz en Chang’s kwaliteitsmanagementonderzoek (Making Quality Work, 1992) schat dat een fout €1 kost om bij invoer te voorkomen, €10 om later te corrigeren en €100 zodra het klanten bereikt of beslissingen beïnvloedt. Salesforce geeft je native controls om slechte data bij de bron te stoppen:
- Validatieregels wijzen onjuist gevormde waarden af voordat ze worden opgeslagen.
- Verplichte velden (op de page layout of via validatie) dichten volledigheidsgaten bij de invoer.
- Duplicate- en matching rules blokkeren dubbele Accounts en Contacts terwijl ze worden aangemaakt.
- Picklists in plaats van vrije tekst elimineren een hele klasse consistentieproblemen.
- Integratieafspraken — afspreken welk systeem welk veld bezit — voorkomen dat twee bronnen elkaar overschrijven.
Elke control die je toevoegt verlaagt het tempo waarin nieuwe problemen ontstaan, en dat is wat de score in de loop van de tijd daadwerkelijk verschuift.
Stap 5: Monitoren
Een enkele oplossing is onzichtbaar op het moment dat er nieuwe data begint te stromen. Plan terugkerende scans — dagelijks, wekelijks of maandelijks — zodat je Data Quality Score een trendlijn wordt en geen momentopname. Wanneer een nieuwe integratie slechte data begint te schrijven, daalt een gemonitorde score binnen dagen en vang je het op voordat het een rapport of een AI-model bereikt. Zonder monitoring duikt hetzelfde probleem maanden later op als een kapot dashboard dat niemand vertrouwt.
Hoe DQS helpt
Data Quality Sense ondersteunt de hele cyclus binnen Salesforce, zonder data-export. Je definieert in de Definition Builder hoe goed eruitziet, voert een scan uit voor een gewogen Data Quality Score met een uitsplitsing op veldniveau, plant hem in om te herhalen, en volgt de trend in Insight Studio. Detectie en prioritering worden een dashboard in plaats van een spreadsheet-exercitie — zodat de cyclus iets is wat je continu draait, niet een project dat je elk kwartaal opnieuw start.
Volgende stappen
- Datakwaliteit in Salesforce: de complete gids
- Datakwaliteit in Salesforce meten: de Data Quality Score
- Veelgemaakte fouten: missers die datakwaliteitsprogramma’s ondermijnen
- Een datakwaliteitscultuur opbouwen: verbetering laten beklijven