# Porządkowanie danych Salesforce dla Agentforce: przewodnik obiekt po obiekcie

> Playbook porządkowania danych Salesforce dla Agentforce na poziomie pól. Które obiekty i pola czyścić najpierw dla agentów obsługi i sprzedaży, zmapowane na DQS.

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

---

To, które obiekty Salesforce czyścisz najpierw, zależy od tego, jakich agentów wdrażasz. Agenci obsługi czytają Case i Knowledge; agenci sprzedaży czytają Lead, Opportunity, Account i Contact. Ten przewodnik obejmuje „gdzie" porządkowania danych Salesforce dla Agentforce — konkretne obiekty i pola do wyczyszczenia, wymiar zagrożony w każdym z nich oraz działania czyszczące do wykonania.

„Kiedy" — czteroetapowy harmonogram otaczający tę pracę — znajdziesz w artykule [Jakość danych dla Agentforce: przygotowanie danych Salesforce pod AI](/pl/resources/ai-readiness/agentforce-preparation/). Ten artykuł mieści się w Fazie 2 tego harmonogramu, w której naprawiasz dane obiekt po obiekcie. Uruchom [skan DQS](/pl/resources/using-dqs/running-scans/) na każdym obiekcie, zanim zaczniesz, abyś wiedział, które pola faktycznie zawodzą, zamiast czyścić pola, które już są w porządku.

Porządkowanie na tym poziomie nie jest opcjonalne przygotowanie. Według [badań Salesforce State of Data and Analytics](https://www.salesforce.com/news/stories/data-analytics-trends/), 84% liderów ds. danych i analityki stwierdziło, że ich strategia danych wymaga całkowitej przebudowy, zanim ich ambicje AI będą mogły się powieść. Obiekt po obiekcie remediation to jak ta przebudowa wygląda w praktyce wewnątrz CRM.

## Account

Agenci sprzedaży czytają Account, aby oprzeć odpowiedzi na branży, lokalizacji i relacji klienta. Gdy agent odpowiada na pytanie „co wiemy o tym koncie", czerpie z tych pól.

| Pole priorytetowe | Zagrożony wymiar | Co złe dane robią agentowi |
|---|---|---|
| `Name` | Unikalność | Zduplikowane konta rozbijają historię, więc agent pobiera częściowy rekord |
| `Industry` | Spójność | „Tech", „Technology" i „IT" są czytane jako trzy segmenty, psując oparte na danych odpowiedzi |
| `BillingCountry` | Spójność | „US", „USA", „United States" fragmentują kontekst geograficzny |
| `Phone` / `Website` | Poprawność | Zniekształcone wartości dają bezużyteczne dane kontaktowe w odpowiedziach |

Działania czyszczące:

- Uruchom skan unikalności, aby znaleźć zduplikowane rekordy Accounts przed wdrożeniem. Duplikaty uczą agenta sprzecznych faktów o tym samym kliencie. Zobacz [Unikalność](/pl/resources/data-quality/uniqueness/).
- Użyj Import from Field na `Industry` i `BillingCountry`, aby odkryć każdy istniejący wariant, a następnie zdefiniuj wartości kanoniczne w [Definition Builder](/pl/resources/using-dqs/definition-builder/) i znormalizuj.
- Uruchom skan poprawności na `Phone` i `Website`, aby wychwycić zniekształcone wpisy. Celuj w pola, w których Validity Rate spada poniżej 90%.

## Contact

Agenci czytają Contact, aby zidentyfikować, z kim mają do czynienia i jak się skontaktować. Agent sprzedaży redagujący wiadomość outreach pobiera stąd imię, stanowisko i e-mail.

| Pole priorytetowe | Zagrożony wymiar | Co złe dane robią agentowi |
|---|---|---|
| `Email` | Poprawność | Nieprawidłowe adresy sprawiają, że sugerowany przez agenta kontakt zawodzi |
| `Phone` | Poprawność | Zniekształcone numery pojawiają się jako uszkodzone dane kontaktowe |
| `Title` | Kompletność | Puste stanowiska usuwają kontekst roli, którego agent używa do personalizacji |
| `MailingCountry` | Spójność | Niespójne wartości kraju źle kierują odpowiedzi specyficzne dla regionu |

Działania czyszczące:

- Uruchom skan poprawności na `Email` i `Phone`. To pola, na których agent działa, więc błędy formatu zamieniają się w nieudane działania. Zobacz [Poprawność](/pl/resources/data-quality/validity/).
- Uruchom skan kompletności na `Title` i zmierz Completeness Rate. Brakujące stanowiska pozbawiają agenta kontekstu roli, którego potrzebuje, by dostosować wiadomość.
- Ustandaryzuj `MailingCountry` za pomocą Import from Field, dopasowując do listy kanonicznej zdefiniowanej na Account, aby oba obiekty były zgodne.

## Case

Agenci obsługi pracują przede wszystkim na Case. Agent czyta Subject i Description, aby zrozumieć problem, a następnie opiera swoją odpowiedź na tym kontekście. To obiekt o największej dźwigni dla wdrożenia obsługi.

| Pole priorytetowe | Zagrożony wymiar | Co złe dane robią agentowi |
|---|---|---|
| `Description` | Kompletność | Puste pole Description nie daje agentowi kontekstu, więc zwraca generyczną odpowiedź |
| `Subject` | Kompletność | Brakujące tematy osłabiają klasyfikację i kierowanie spraw |
| `Status` / `Origin` | Spójność | Wariantowe wartości fragmentują widok agenta na stan i kanał sprawy |
| `Description` / Comments | PII Detection | Numery SSN i kart wklejone z e-maila trafiają do kontekstu AI |

Działania czyszczące:

- Uruchom skan kompletności na `Description`. Kompletność Description równa się kontekstowi agenta; puste pole to najczęstszy powód, dla którego agent obsługi odpowiada ogólnikowo. Zobacz [Kompletność](/pl/resources/data-quality/completeness/).
- Ustandaryzuj `Status` i `Origin` za pomocą Import from Field, aby ujawnić każdą istniejącą wartość, a następnie znormalizuj do swojej kanonicznej picklisty.
- Uruchom skan PII na `Description` i Case Comments. Email-to-case przechwytuje wiadomości klientów zawierające PII, a agent może ujawnić to PII w odpowiedzi. Zobacz [PII Detection](/pl/resources/ai-readiness/pii-detection/) oraz [przewodnik po zgodności PII dla Agentforce](/pl/resources/ai-readiness/agentforce-pii-compliance/).

## Lead

Agenci sprzedaży czytają Lead, aby kwalifikować i kierować napływające zainteresowanie. Agent decyduje o kolejnych działaniach na podstawie firmy, źródła i statusu, więc luki tutaj kierują leady na niewłaściwą ścieżkę.

| Pole priorytetowe | Zagrożony wymiar | Co złe dane robią agentowi |
|---|---|---|
| `Email` | Poprawność | Nieprawidłowe adresy psują napędzane przez agenta follow-upy |
| `Company` | Kompletność | Brakujące dane firmy blokują logikę kwalifikacji |
| `LeadSource` | Spójność | Niespójne źródła zniekształcają decyzje agenta o kierowaniu |
| `Status` | Spójność | Wariantowe statusy mylą, gdzie lead znajduje się w lejku |

Działania czyszczące:

- Uruchom skan poprawności na `Email` i skan kompletności na `Company`. Te dwa pola decydują o tym, czy agent w ogóle może działać na leadzie.
- Użyj Import from Field na `LeadSource` i `Status`, aby znaleźć rozbieżności, a następnie ogranicz do zdefiniowanego zbioru wartości. Zobacz [Spójność](/pl/resources/data-quality/consistency/).
- Uruchom skan PII na wszelkich polach notatek lub description, gdzie przedstawiciele wklejają surowe wiadomości napływające.

## Opportunity

Agenci sprzedaży czytają Opportunity, aby odpowiadać na pytania o pipeline i prognozy. Nieaktualny etap lub brakująca kwota daje pewną siebie, lecz błędną odpowiedź o statusie transakcji.

| Pole priorytetowe | Zagrożony wymiar | Co złe dane robią agentowi |
|---|---|---|
| `StageName` | Spójność | Niestandardowe etapy zniekształcają obraz tego, gdzie stoją transakcje |
| `CloseDate` | Terminowość | Przeszłe daty zamknięcia na otwartych transakcjach uczą agenta nieaktualnych faktów o pipeline |
| `Amount` | Kompletność | Brakujące kwoty zniekształcają każdą prognozę raportowaną przez agenta |

Działania czyszczące:

- Uruchom skan terminowości, aby oznaczyć otwarte Opportunities z `CloseDate` w przeszłości. Nieaktualne daty sprawiają, że agent raportuje pipeline, który już nie istnieje. Zobacz [Terminowość](/pl/resources/data-quality/timeliness/).
- Uruchom skan kompletności na `Amount`. Agent podsumowujący wartość pipeline nie może zrobić tego wiarygodnie, gdy kwoty są puste.
- Potwierdź, że `StageName` odpowiada Twojemu zdefiniowanemu procesowi sprzedaży za pomocą skanu spójności.

## Knowledge

Agenci obsługi opierają odpowiedzi na artykułach Knowledge. Agent pobiera artykuł i przedstawia jego treść jako autorytatywną odpowiedź, więc nieaktualny lub ubogi artykuł staje się błędną odpowiedzią udzieloną z pewnością siebie.

| Pole priorytetowe | Zagrożony wymiar | Co złe dane robią agentowi |
|---|---|---|
| Data ostatniej modyfikacji | Terminowość | Nieaktualne artykuły dają przestarzałe odpowiedzi, które agent przedstawia jako aktualne |
| `Title` / `Summary` | Kompletność | Uboga metadana osłabia pobieranie, więc agent cytuje niewłaściwy artykuł |
| Treść artykułu | PII Detection | Osadzone dane klientów mogą wyciec do wygenerowanej odpowiedzi |

Działania czyszczące:

- Uruchom skan terminowości względem daty ostatniej modyfikacji, aby ujawnić artykuły przekraczające Twój próg aktualności. Nieaktualne artykuły to główne źródło pewnych siebie, lecz błędnych odpowiedzi obsługi.
- Uruchom skan kompletności na `Title` i `Summary`. Agent używa ich do pobierania, więc słaba metadana prowadzi go do niewłaściwego źródła.
- Uruchom skan PII na treści artykułu, aby potwierdzić, że do opublikowanego artykułu nie wklejono żadnych danych specyficznych dla klienta.

## Które obiekty czyścić najpierw?

Czyść obiekty, które Twoi agenci faktycznie czytają, w kolejności, w jakiej ich odpowiedzi od nich zależą. Poniższa macierz mapuje priorytet czyszczenia na typ agenta.

| Obiekt | Agent obsługi | Agent sprzedaży | Agent wewnętrzny |
|---|---|---|---|
| Case | Priorytet 1 | Niski | Średni |
| Knowledge | Priorytet 1 | Niski | Priorytet 1 |
| Account | Średni | Priorytet 1 | Średni |
| Contact | Średni | Priorytet 1 | Średni |
| Lead | Niski | Priorytet 1 | Niski |
| Opportunity | Niski | Priorytet 2 | Średni |

Dla wdrożenia obsługi zacznij od kompletności Case Description i terminowości Knowledge, ponieważ te dwa pola decydują o tym, czy agent ma poprawny kontekst, na podstawie którego może odpowiadać. Dla wdrożenia sprzedaży zacznij od Account i Contact, a następnie przejdź do Lead i Opportunity. W każdym typie agenta najpierw uruchamiaj skany PII na polach tekstowych, które agent czyta, ponieważ znalezisko PII to kwestia zgodności, a nie jakości. [Lista kontrolna gotowości danych dla Agentforce](/pl/resources/ai-readiness/agentforce-data-readiness-checklist/) wymienia progi przed wdrożeniem do osiągnięcia na każdym obiekcie.

## Dalsze kroki

- [Jakość danych dla Agentforce: przygotowanie danych Salesforce pod AI](/pl/resources/ai-readiness/agentforce-preparation/): czteroetapowy harmonogram, w którym mieści się to porządkowanie
- [Dlaczego agenci Agentforce zawodzą](/pl/resources/ai-readiness/why-agentforce-agents-fail/): problemy z danymi stojące za niewiarygodnymi wynikami agenta
- [Lista kontrolna gotowości danych dla Agentforce](/pl/resources/ai-readiness/agentforce-data-readiness-checklist/): progi przed wdrożeniem dla każdego obiektu
- [Jak poprawić jakość danych w Salesforce](/pl/resources/salesforce/improve-data-quality-in-salesforce/): pętla wykryj, napraw, zapobiegaj, monitoruj
- [FAQ o jakości danych dla Agentforce](/pl/resources/ai-readiness/agentforce-data-quality-faq/): odpowiedzi na typowe pytania
- [Ocena gotowości na AI](/pl/ai-readiness/): uzyskaj swój aktualny wynik gotowości