Skip to main content

Jakość danych w Salesforce

Czym jest jakość danych w Salesforce, dlaczego dane CRM z czasem się degradują, jakie sześć wymiarów naprawdę się liczy oraz jak mierzyć i poprawiać jakość natywnie.

Zaktualizowano

Jakość danych w Salesforce

Jakość danych w Salesforce to miara tego, jak dobrze rekordy w Twojej org służą pracy, do której ich używasz: raportowaniu, automatyzacji, prognozowaniu, a coraz częściej także sztucznej inteligencji. Org Salesforce może przechowywać miliony rekordów Accounts, Contacts, Leads i Opportunities, ale sama ilość to jeszcze nie wartość. Jeśli dane są niekompletne, nieaktualne, niespójne lub zduplikowane, każdy proces zbudowany na ich podstawie dziedziczy te wady.

Ten przewodnik wyjaśnia, co konkretnie oznacza jakość danych wewnątrz Salesforce, dlaczego dane CRM się degradują, jakie sześć wymiarów decyduje o tym, czy Twoje dane nadają się do użytku, oraz jak mierzyć i poprawiać ich jakość bez eksportowania choćby jednego rekordu poza org.

Dlaczego dane w Salesforce się degradują

Dane w Salesforce nie utrzymują czystości same z siebie. Pogarszają się nieustannie, a przyczyny mają charakter strukturalny, a nie przypadkowy:

  • Ręczne wprowadzanie. Handlowcy zakładają konta pod nieco różniącymi się nazwami, pomijają pola nieobowiązkowe i wklejają notatki w niewłaściwe miejsca. Każde naciśnięcie klawisza to okazja do powstania rozbieżności.
  • Integracje. Automatyzacja marketingu, ERP, systemy rozliczeniowe i narzędzia do wzbogacania danych zapisują do Salesforce według własnych harmonogramów i z własnymi założeniami. Dwa systemy zapisujące to samo pole rzadko pozostają zgodne na dłuższą metę.
  • Czas. Numer telefonu poprawny dwa lata temu dziś jest już błędny. Data zamknięcia, która już minęła, wprowadza w błąd. Aktualność się eroduje niezależnie od tego, czy ktokolwiek dotyka rekordu.
  • Duplikaty. Ten sam klient trafia do systemu przez formularz na stronie, import listy i handlowca — trzy rekordy, jedna realna jednostka. Bez aktywnego monitorowania duplikaty się mnożą.
  • Agenci AI. W miarę jak Agentforce i inni agenci odczytują i zapisują rekordy, niewykryte problemy jakościowe rozprzestrzeniają się szybciej i na większą skalę, niż kiedykolwiek byłoby to możliwe przy wprowadzaniu ręcznym.

Ponieważ przyczyny są strukturalne, rozwiązaniem nie jest jednorazowe porządkowanie. Jest nim ciągły pomiar. Zanik jest mierzalny: dane kontaktowe B2B zanikają mniej więcej 2,1% na miesiąc — około 22,5% rocznie — zgodnie z badaniami branżowymi nad zanikaniem danych opublikowanymi przez ZoomInfo, i to zanim uwzględnisz dryf integracji i duplikaty.

Ile kosztuje Cię słaba jakość danych

W kontekście Salesforce niska jakość danych to nie abstrakcyjny problem. Gartner szacuje średni koszt słabej jakości danych na 12,9 miliona dolarów rocznie na organizację, a badania Salesforce State of Sales pokazują, że sprzedawcy spędzają 60% czasu na zadania niemające związku ze sprzedażą — większość na ręcznym wprowadzaniu danych do CRM i szukaniu informacji, które czyste rekordy udostępniłyby automatycznie. Wewnątrz Twojej org ten koszt pojawia się w trzech miejscach, które naprawdę mają znaczenie dla biznesu:

Raportowanie i prognozowanie. Dashboardy są wiarygodne tylko na tyle, na ile wiarygodne są agregowane w nich pola. Brakujące kwoty, nieaktualne etapy i zduplikowane szanse po cichu zniekształcają liczby pipeline’u i przychodów. Liderzy przestają ufać raportom, a decyzje wracają do arkuszy kalkulacyjnych.

Automatyzacja. Flows, reguły walidacji, logika przypisywania i procesy zatwierdzania — wszystkie zakładają, że odczytywane dane są poprawne. Puste pole regionu kieruje leada w złe miejsce; nieprawidłowy adres e-mail po cichu przerywa sekwencję nurture. Złe dane zamieniają automatyzację z dźwigni w obciążenie.

Gotowość do AI. To najnowszy i najszybciej rosnący koszt. Zanim skierujesz Agentforce lub jakikolwiek system AI na swoje dane w Salesforce, musisz wiedzieć, które pola są kompletne, które zawierają dane osobowe (PII) i które są na tyle aktualne, by oprzeć na nich odpowiedź. Niewykryte PII w indeksie wyszukiwania lub zbiorze treningowym tworzy ryzyko, którego żaden filtr na dalszym etapie nie cofnie w pełni, a dane niekompletne lub nieaktualne prowadzą do pewnych siebie, lecz błędnych odpowiedzi AI.

Sześć wymiarów jakości danych w Salesforce

Jakość danych to nie pojedyncza liczba, którą się ma albo nie. Mierzy się ją w odrębnych wymiarach, z których każdy odpowiada na inne pytanie o Twoje rekordy. Odniesienie ich do Salesforce sprawia, że abstrakcja staje się namacalna:

Wymiar Pytanie, na które odpowiada W Salesforce
Kompletność Czy pola, które powinny być wypełnione, faktycznie są? Istotne dla biznesu pola pozostawione puste: Account Industry, Contact Email, Opportunity Amount
Poprawność Czy wartość odpowiada oczekiwanemu formatowi lub zbiorowi? E-maile bez @, numery telefonów z literami, wartości list wyboru spoza dozwolonego zestawu
Unikalność Czy każda realna jednostka jest reprezentowana tylko raz? Zduplikowane rekordy Accounts i Contacts powstałe przez formularze, importy i ręczne wprowadzanie
Spójność Czy wartości są zgodne z regułami i między sobą? Kraj zapisany na trzy sposoby, Billing State sprzeczny z Billing Country
Terminowość Czy dane są aktualne, a daty wiarygodne? Last Activity sprzed miesięcy, Close Dates w przeszłości, rekordy z datą w przyszłości, które nie powinny istnieć
Wykrywanie PII Gdzie znajdują się wrażliwe dane osobowe? Numery PESEL, dane kart kredytowych i adresy e-mail tkwiące w polach tekstowych Description i Comment

Te sześć wymiarów dzieli się na dwie grupy. Pierwsze pięć — kompletność, poprawność, unikalność, spójność i terminowość — opisuje higienę operacyjną: czy Twoje dane sprawdzają się w codziennej pracy z CRM. Wykrywanie PII należy do drugiej grupy, skupionej na gotowości do AI: czy Twoje dane są bezpieczne i przygotowane na Agentforce oraz inne inicjatywy AI.

Jak mierzyć jakość danych w Salesforce

Nie da się poprawić tego, czego się nie mierzy, a nie da się zmierzyć tego, co sprawdzasz wyłącznie ręcznie. Mierzenie jakości danych w Salesforce oznacza przełożenie tych sześciu wymiarów na powtarzalne, zliczalne skanowania.

Głównym wynikiem jest wskaźnik jakości danych (Data Quality Score) — czasem nazywany wskaźnikiem wiarygodności danych (data reliability score): pojedyncza, ważona wartość, która sumuje istotne dla Ciebie wymiary w jedną liczbę, możliwą do śledzenia w czasie. Wynik 100 oznacza, że każdy rekord w zakresie przeszedł każdą kontrolę; niższy wynik mówi zarówno, ile pracy zostało do wykonania, jak i gdzie się ona koncentruje.

Skuteczne podejście do pomiaru w Salesforce ma trzy cechy:

  1. Na poziomie pól, nie tylko rekordów. Wiedza, że 18% rekordów Accounts ma problem, to dopiero początek. Wiedza, że tym problemem jest puste pole Industry w rekordach Accounts utworzonych przez jedną integrację, pozwala działać.
  2. Ważone według Twoich priorytetów. Brakujący Opportunity Amount waży więcej niż brakujący dodatkowy numer telefonu. Wagi sprawiają, że wynik odzwierciedla wpływ na biznes, a nie surową liczbę przypadków.
  3. Powtarzalne według harmonogramu. Jakość to ruchomy cel. Jednorazowy audyt jest przestarzały już dzień po przeprowadzeniu. Zaplanowane skanowania zamieniają migawkę w linię trendu.

Takie właśnie podejście stosuje Data Quality Sense (DQS). Definiujesz, co oznacza „dobra jakość“ dla każdego obiektu i pola, uruchamiasz skanowanie i otrzymujesz ważony Data Quality Score w rozbiciu na wymiary i pola — a następnie planujesz jego powtarzanie, by obserwować trend.

Dlaczego natywność ma znaczenie

Najważniejsza decyzja architektoniczna przy mierzeniu jakości danych w Salesforce dotyczy tego, gdzie pomiar się odbywa. Wiele narzędzi wymaga eksportu rekordów do zewnętrznej usługi, analizy ich poza platformą i odesłania wyników z powrotem. To rodzi trzy problemy: kopia Twoich danych (w tym wszelkich PII) znajduje się teraz poza Salesforce, wyniki nie nadążają za rzeczywistością, a Ty stajesz się zależny od integracji, która może się zepsuć.

Podejście w 100% natywne dla Salesforce unika tego wszystkiego. Skanowanie działa wewnątrz Twojej org, korzystając z własnego przetwarzania wsadowego platformy. Żadne rekordy nie opuszczają Salesforce, wyniki odzwierciedlają dane na żywo i nie ma zewnętrznego potoku do utrzymywania. W przypadku danych zawierających PII — czyli dokładnie tych, które najpilniej musisz przeanalizować przed projektem AI — pozostawienie ich na platformie to nie wygoda, lecz wymóg zgodności.

Właśnie dlatego DQS działa w całości wewnątrz Salesforce. Wykrywanie jest deterministyczne i przejrzyste: widzisz każdą zastosowaną regułę, a żadne dane nigdy nie są eksportowane.

Od czego zacząć

Poprawa jakości danych w Salesforce przebiega według prostej pętli — tej samej, niezależnie od tego, czy robisz to ręcznie, czy z użyciem narzędzia:

  1. Zdefiniuj, co jakość oznacza dla Twoich najważniejszych obiektów i pól.
  2. Zeskanuj, aby uzyskać bazowy Data Quality Score i rozbicie na poziomie pól.
  3. Spriorytetyzuj problemy o największym wpływie na biznes i najmniejszym nakładzie pracy na naprawę.
  4. Napraw poprzez porządkowanie danych, reguły walidacji i lepsze procesy wprowadzania.
  5. Monitoruj za pomocą zaplanowanych skanowań, aby nowe problemy ujawniały się, zanim się rozprzestrzenią.

W DQS budujesz to za pomocą Definition Builder — prowadzonego kreatora, w którym wybierasz funkcje (sześć wymiarów), wskazujesz obiekty i pola w zakresie, konfigurujesz progi i wszystko przeglądasz. Następnie uruchamiasz skanowanie na żądanie lub planowo i analizujesz wyniki w Insight Studio — z trendami, kondycją pól i rozbiciem na wymiary. Wszystko dzieje się wewnątrz Twojej org Salesforce.

Kolejne kroki