Agenci Agentforce są tylko tak wiarygodni, jak dane Salesforce, które za nimi stoją. Gotowość danych dla Agentforce sprowadza się do jakości danych: kompletnych rekordów, spójnych wartości i braku PII w polach, które czytają Twoi agenci. Ten przewodnik krok po kroku pokazuje, jak ocenić i przygotować dane Salesforce pod AI.
Czym jest Agentforce?
Agentforce to platforma AI firmy Salesforce do tworzenia autonomicznych agentów. Agenci ci pobierają informacje z rekordów Salesforce, generują odpowiedzi na podstawie Twoich danych i podejmują działania w imieniu użytkowników.
Jakość Twoich danych decyduje o jakości działania agenta. Agenci pracują z tym, co znajdą. Jeśli dane są niekompletne, niespójne lub zawierają PII, agent produkuje niekompletne, niespójne lub niezgodne z przepisami wyniki.
Dlaczego jakość danych ma znaczenie dla Agentforce
Trzy problemy z danymi prowadzą do trzech odmiennych awarii w Agentforce.
Niekompletne dane generują ogólnikowe odpowiedzi. Gdy Agentforce pobiera rekord Case z pustym polem Description, nie ma z czym pracować. Agent generuje ogólną odpowiedź, ponieważ brakuje kontekstu. Completeness Rate mówi Ci, ile rekordów ma ten problem w każdym analizowanym polu.
Niespójne dane generują sprzeczne odpowiedzi. Gdy pole Country zawiera „US”, „USA”, „United States” i „U.S.A.”, agent traktuje je jako cztery różne wartości. Klient pytający o działalność w USA otrzymuje różne odpowiedzi w zależności od tego, który rekord pobierze agent. Conformance Rate ujawnia, jak bardzo pofragmentowane są Twoje dane.
PII w polach tekstowych tworzy ryzyko zgodności. Gdy agent pobiera komentarz w Case zawierający numer Social Security, to PII trafia do kontekstu AI. Agent może ujawnić je w odpowiedzi. PII Exposure Rate pokazuje, jak rozpowszechnione jest to ryzyko w polach tekstowych.
Harmonogram gotowości danych dla Agentforce
Zaplanuj gotowość danych do Agentforce w czterech fazach.
Faza 1: Ocena (3+ miesiące wcześniej)
Uruchom skany DQS na wszystkich obiektach, do których Agentforce będzie miał dostęp. Zmierz metryki bazowe dla każdego wymiaru.
| Wymiar | Kluczowa metryka | Co Ci mówi |
|---|---|---|
| Completeness | Completeness Rate | Odsetek pól z danymi |
| Consistency | Conformance Rate | Odsetek pól zgodnych z oczekiwanymi wartościami |
| Validity | Validity Rate | Odsetek pól spełniających reguły formatu |
| Timeliness | Timeliness Rate | Odsetek aktualnych rekordów |
| Uniqueness | Duplicate Rate | Odsetek duplikatów |
| PII Detection | PII Exposure Rate | Odsetek rekordów zawierających PII |
Udokumentuj te wartości bazowe. Będziesz ich potrzebować do porównania po działaniach naprawczych.
Faza 2: Naprawa (2 miesiące wcześniej)
Przepracuj wymiary zgodnie z kolejnością priorytetów. Najpierw PII, potem wymiary wpływające na jakość kontekstu AI.
1. PII (tydzień 1–2). Zajmij się najpierw znaleziskami SSN i kart kredytowych. Użyj presetu Critical, aby wyizolować finansowe PII. Przejrzyj dopasowania, a następnie maskuj, usuwaj lub wyklucz potwierdzone znaleziska. Ponownie uruchom skan, aby zweryfikować czyszczenie.
2. Completeness (tydzień 2–4). Skup się na polach, których Agentforce będzie używał do odpowiedzi: Description, Comments, Notes. Brakujące dane oznaczają brakujący kontekst AI. Zacznij od pól z najniższym Completeness Rate.
3. Consistency (tydzień 3–5). Standaryzuj pola typu picklist i referencyjne. Użyj Import from Field, aby odkryć istniejące warianty, następnie zdefiniuj wartości kanoniczne i znormalizuj dane. Im mniej wariantów na pole, tym bardziej wiarygodne odpowiedzi agenta.
4. Validity (tydzień 4–6). Napraw problemy z formatem w polach strukturalnych (email, telefon, daty). Nieprawidłowe formaty tworzą niewiarygodne dane do pobierania przez AI. Skup się na polach, gdzie Validity Rate jest poniżej 90%.
5. Timeliness i Uniqueness (tydzień 5–8). Zajmij się przestarzałymi rekordami i duplikatami. Stare dane uczą agentów nieaktualnych wzorców. Duplikaty tworzą sprzeczne odpowiedzi, gdy agent pobiera różne wersje tego samego rekordu.
Faza 3: Walidacja (1 miesiąc wcześniej)
Uruchom ponownie wszystkie skany DQS. Porównaj wyniki z wartościami bazowymi z Fazy 1.
| Metryka | Wartość bazowa | Po naprawie | Cel |
|---|---|---|---|
| Completeness Rate (kluczowe pola) | ___% | ___% | 85%+ |
| Conformance Rate (picklisty) | ___% | ___% | 90%+ |
| Validity Rate (pola strukturalne) | ___% | ___% | 90%+ |
| PII Exposure Rate | ___% | ___% | Poniżej 1% |
Przetestuj odpowiedzi agenta na naprawionych danych. Zweryfikuj, że agenci zwracają dokładne, odpowiednie wyniki oraz że w generowanej treści nie pojawia się żadne PII.
Uzyskaj akceptację zespołu ds. zgodności przed wdrożeniem.
Faza 4: Monitorowanie (ciągłe)
Zaplanuj cykliczne skany DQS. Jakość danych pogarsza się, gdy użytkownicy wprowadzają nowe rekordy, więc jednorazowa naprawa nie wystarczy.
Sugerowana częstotliwość:
| Skan | Częstotliwość | Obiekty |
|---|---|---|
| PII Detection | Tygodniowo | Case, Lead (pola tekstowe o dużym wolumenie) |
| Completeness + Consistency | Miesięcznie | Wszystkie obiekty w zakresie Agentforce |
| Pełny skan (wszystkie wymiary) | Kwartalnie | Cała organizacja |
Śledź trendy metryk w czasie. Regularne skanowanie wcześnie wychwytuje regresję, zanim wpłynie ona na działanie agenta.
Lista kontrolna przed wdrożeniem
Jakość danych
- Wszystkie obiekty w zakresie Agentforce przeskanowane przy użyciu DQS
- Completeness Rate powyżej 85% dla pól używanych przez Agentforce
- Conformance Rate powyżej 90% dla pól typu picklist i referencyjnych
- Validity Rate powyżej 90% dla pól strukturalnych (email, telefon, data)
Bezpieczeństwo PII
- PII Exposure Rate poniżej 1% dla pól tekstowych dostępnych dla Agentforce
- Zero dopasowań SSN lub kart kredytowych w Case Description i Comments
- Skonfigurowane nadpisania wzorców na poziomie pól dla pól z oczekiwaną zawartością
Operacje
- Skonfigurowany harmonogram skanów cyklicznych
- Udokumentowane metryki bazowe do śledzenia trendów
- Przypisani właściciele działań naprawczych dla każdego wymiaru
Typowe pułapki
1. Wdrażanie bez oceny. Uruchom skany DQS przed jakimkolwiek planowaniem wdrożenia. Większość organizacji odkrywa problemy, których się nie spodziewała. 15-minutowy skan ujawnia problemy, których ręczne znalezienie zajęłoby miesiące.
2. Niedoszacowanie ekspozycji PII. PII kryje się w polach Description, Notes i Comments, gdzie użytkownicy wklejają komunikację z klientami. Email-to-case przechwytuje numery SSN i kart kredytowych z przychodzących wiadomości. Skanuj wszystkie pola tekstowe, nie tylko dedykowane pola PII.
3. Jednorazowa naprawa. Jakość danych pogarsza się, gdy użytkownicy wprowadzają nowe rekordy. Czysty zbiór danych dzisiaj gromadzi nowe problemy w ciągu tygodni. Zaplanuj cykliczne skany i monitoruj trendy metryk, aby wychwycić regresję, zanim dotrze ona do Twoich agentów.
Dalsze kroki
- PII Detection: Skonfiguruj skanowanie PII dla danych Agentforce
- Completeness: Zapewnij, że pola mają dane, z którymi AI może pracować
- Consistency: Ustandaryzuj wartości, które AI będzie pobierać
- Pięć wymiarów: Pełny przegląd wszystkich wymiarów jakości danych
- Ocena gotowości na AI: Uzyskaj swój aktualny wynik gotowości