# Pięć wymiarów jakości danych

> Poznaj pięć wymiarów mierzonych przez DQS: Kompletność, Poprawność, Unikalność, Aktualność i Spójność.

Source: https://dataqualitysense.com/pl/resources/data-quality/five-dimensions/
Last updated: 2026-04-15

---

## Zrozumienie pięciu wymiarów

Jakość danych mierzy się w pięciu kluczowych wymiarach. Każdy wymiar odpowiada na konkretne pytanie o Twoje dane, a razem decydują o tym, czy Twoje dane są przydatne do celu.

Mierzenie według wymiarów ma znaczenie, ponieważ porażka jest normą, a nie wyjątkiem: [badania Harvard Business Review (Nagle, Redman, Sammon, 2017)](https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards) wykazały, że 47% nowo utworzonych rekordów danych zawiera co najmniej jeden błąd krytyczny. Jedno ogólne wrażenie "jakości" ukrywa, który z pięciu wymiarów producuje te błędy.

DQS mierzy wszystkie pięć wymiarów natywnie w Salesforce.

| Wymiar | Kluczowe pytanie | Przykładowy problem |
|--------|------------------|--------------------|
| Kompletność | Czy dane są obecne? | Brakujące adresy e-mail |
| Poprawność | Czy format jest prawidłowy? | Zniekształcone numery telefonów |
| Unikalność | Czy każdy rekord jest odrębny? | Zduplikowane kontakty |
| Aktualność | Czy dane są bieżące? | Przestarzałe daty Opportunity |
| Spójność | Czy dane są jednolite? | „USA" vs „United States" |

## 1. Kompletność

Kompletność mierzy, czy wymagane wartości danych są obecne i nie brakuje ich.

### Co DQS mierzy

- **Stopień wypełnienia**: Procent rekordów z niepustymi wartościami
- **Wykrywanie pustych wartości**: Puste ciągi znaków i wartości zawierające tylko białe znaki
- **Wykrywanie wartości zastępczych**: Wartości takie jak „N/A", „TBD" lub „Unknown"

### Dlaczego kompletność ma znaczenie

Niekompletne dane psują automatyzację. Kiedy Flow wymaga adresu e-mail, którego nie ma, Flow kończy się niepowodzeniem. Kiedy raport filtruje po polu Industry, a połowa rekordów nie ma wartości Industry, analityka pokazuje tylko część obrazu.

### Typowe problemy z kompletnością

| Problem | Przykład | Wpływ |
|---------|----------|-------|
| Puste pola | Puste Contact Phone | Nie można dzwonić do prospektów |
| Wartości zastępcze | „TBD" w Company Name | Nieprawidłowe do raportowania |
| Tylko białe znaki | „   " w Description | Wygląda na wypełnione, ale nie jest |

> **Wskazówka:** Zacznij od najbardziej krytycznych pól. Nie potrzebujesz 100% kompletności w każdym polu, tylko w tych, które mają znaczenie dla Twojego przypadku użycia.

## 2. Poprawność

Poprawność mierzy, czy wartości danych są zgodne z oczekiwanymi formatami i wzorcami.

### Co DQS mierzy

- **Walidacja formatu**: Wzorce e-mail, telefonu, URL
- **Dopasowanie wzorca**: Niestandardowe wyrażenia regularne
- **Walidacja domeny**: Listy dozwolonych wartości

### Poprawność a dokładność

Poprawność i dokładność to różne rzeczy. Adres e-mail może być poprawny (prawidłowy format), ale niedokładny (zła osoba). DQS mierzy poprawność, ponieważ walidację formatu można zautomatyzować. Dokładność wymaga weryfikacji zewnętrznej.

| Sprawdzenie | Poprawne? | Dokładne? |
|-------------|-----------|-----------|
| john@company.com | Tak | Nieznane bez weryfikacji |
| john@company | Nie | N/D (format jest zły) |
| john.smith@oldcompany.com | Tak | Nie (osoba odeszła z firmy) |

### Typowe problemy z poprawnością w Salesforce

- Adresy e-mail bez „@" lub domeny
- Numery telefonów z niewłaściwą liczbą cyfr
- URL bez protokołu (http/https)
- Tekst dowolny tam, gdzie oczekiwane są wartości picklisty

## 3. Unikalność

Unikalność mierzy, czy wartości danych są odrębne i nie zduplikowane.

### Co DQS mierzy

- **Wykrywanie duplikatów**: Dokładne dopasowania między rekordami
- **Liczba odrębnych wartości**: Łączna liczba unikalnych wartości w polu
- **Analiza entropii**: Różnorodność i rozkład wartości

### Koszt duplikatów

Zduplikowane rekordy marnują przestrzeń dyskową, dezorientują użytkowników i produkują zawyżone metryki. Kiedy Sales ma dwa rekordy dla tej samej firmy, tracą kontekst i ryzykują zawstydzające zdublowane działania.

Badania pokazują:
- Bazy danych B2B zawierają średnio 10-30% zduplikowanych rekordów
- Każdy duplikat kosztuje organizacje w postaci zmarnowanych wysyłek e-mail, błędnych raportów i fragmentarycznej historii klienta

### Zapobieganie duplikatom vs wykrywanie

DQS koncentruje się na wykrywaniu, co pomaga zidentyfikować duplikaty, które już istnieją. Zapobieganie (blokowanie duplikatów przy tworzeniu) wymaga reguł walidacji i reguł dopasowania w konfiguracji Salesforce.

## 4. Aktualność

Aktualność mierzy, czy dane są wystarczająco bieżące do zamierzonego użytku.

### Co DQS mierzy

- **Stopień świeżości**: Procent rekordów w akceptowalnym wieku
- **Wykrywanie nieaktualnych danych**: Rekordy przekraczające próg
- **Średni wiek**: Średni wiek wartości pól dat
- **Wykrywanie dat z przyszłości**: Nieprawidłowe daty w przyszłości

### Ustalanie progów świeżości

Różne typy danych mają różne wymagania co do świeżości:

| Typ danych | Typowy próg | Dlaczego |
|------------|-------------|----------|
| Lead Last Activity | 30 dni | Zimne Leady tracą wartość |
| Dane kontaktowe | 90 dni | Ludzie zmieniają pracę |
| Opportunity Close Date | Bieżący kwartał | Dokładność prognozy |
| Account Annual Revenue | 1 rok | Oczekiwane aktualizacje roczne |

### Dlaczego aktualność ma znaczenie dla AI

Modele AI i ML uczą się z Twoich danych. Kiedy dane są nieaktualne, AI uczy się przestarzałych wzorców. Agentforce na przykład wykorzystuje dane Salesforce do formułowania odpowiedzi. Nieaktualne informacje kontaktowe prowadzą do nieprawidłowych rekomendacji.

## 5. Spójność

Spójność mierzy, czy wartości danych są jednolite i ustandaryzowane.

### Co DQS mierzy

- **Wskaźnik zgodności**: Procent dopasowania do oczekiwanych wzorców
- **Wykrywanie wariantów**: Różne reprezentacje tej samej wartości
- **Analiza wartości dominującej**: Najczęstsza wartość w polu

### Typy niespójności

| Typ | Przykład | Problem |
|-----|----------|---------|
| Wariacja formatu | „USA" vs „United States" vs „US" | Psuje filtrowanie i grupowanie |
| Wariacja pisowni | „Acme Corp" vs „ACME Corporation" | Tworzy fałszywe duplikaty |
| Wariacja wielkości liter | „new york" vs „New York" | Wygląda nieprofesjonalnie w raportach |

### Dlaczego spójność ma znaczenie dla AI

Modele AI traktują „USA" i „United States" jako różne wartości. Jeśli Twoje rekordy używają obu, AI nie może ich poprawnie zgrupować. Niespójne dane fragmentują rozumienie AI i dają nierzetelne wyniki.

### Osiąganie spójności

- Używaj picklist zamiast tekstu dowolnego tam, gdzie to możliwe
- Standaryzuj jeden format dla każdego pola
- Importuj z wartości picklist przy konfigurowaniu sprawdzeń spójności DQS

## Balansowanie wymiarów

Nie każdy wymiar jest równie ważny dla każdego przypadku użycia. Zastanów się, czego potrzebujesz:

| Przypadek użycia | Priorytetowe wymiary |
|------------------|----------------------|
| Kampanie marketingowe | Kompletność, Poprawność (dla dostarczalności) |
| Prognozowanie sprzedaży | Aktualność, Kompletność |
| Obsługa klienta | Unikalność (jedno źródło prawdy) |
| AI/Agentforce | Wszystkie pięć, plus sprawdzenia gotowości na AI |

## Pokrycie wymiarów przez DQS

DQS mierzy wszystkie pięć wymiarów kompleksowo:

| Wymiar | Co DQS mierzy |
|--------|---------------|
| Kompletność | Stopień wypełnienia, wykrywanie null, wykrywanie pustych wartości, wykrywanie wartości zastępczych, logika kontekstowa |
| Poprawność | Walidacja formatu, niestandardowe wyrażenia regularne, identyfikacja nieprawidłowych rekordów |
| Unikalność | Wykrywanie duplikatów, analiza entropii, rozkład częstości |
| Aktualność | Stopień świeżości, wykrywanie nieaktualnych danych, średni wiek, wykrywanie dat z przyszłości |
| Spójność | Sprawdzanie zgodności, odkrywanie wariantów, analiza wartości dominującej |

## Następne kroki

Teraz, gdy rozumiesz pięć wymiarów:

1. Wykonaj [ocenę gotowości na AI](/pl/ai-readiness/), aby zobaczyć swoje aktualne wyniki
2. Przeczytaj o [Przygotowaniu do Agentforce](/pl/resources/ai-readiness/agentforce-preparation/), aby poznać dodatkowe sprawdzenia wykraczające poza podstawową jakość danych
3. Dowiedz się, jak używać [Definition Builder](/resources/using-dqs/definition-builder/), aby skonfigurować pierwsze skanowanie