Nie da się poprawić tego, czego się nie mierzy. W Salesforce mierzenie jakości danych oznacza zamianę mglistego wrażenia, że „dane są w nieładzie“, na liczbę, którą możesz śledzić, rozbicie, na którym możesz działać, i trend, który możesz obserwować. Tą liczbą jest Data Quality Score — czasem nazywany wskaźnikiem wiarygodności danych (data reliability score) — a ten przewodnik wyjaśnia, jak działa, jak go czytać i jak na jego podstawie działać.
Czym jest Data Quality Score
Data Quality Score to pojedyncza wartość w skali 0–100, która podsumowuje, jak dobrze zestaw rekordów Salesforce spełnia zdefiniowane przez Ciebie reguły jakości. Wynik 100 oznacza, że każdy rekord w zakresie przeszedł każdą kontrolę; niższy wynik mówi zarówno, ile pracy zostało do wykonania, jak i — po rozbiciu — dokładnie gdzie się ona koncentruje.
Wynik to nie metryka próżności. Jego wartość wynika z trzech właściwości:
- Jest złożony. Wynik sumuje wiele wymiarów jakości danych — kompletność, poprawność, unikalność, spójność, terminowość — w jedną porównywalną liczbę.
- Jest ważony. Nie każdy problem znaczy tyle samo, więc wynik odzwierciedla priorytet biznesowy, a nie surową liczbę przypadków.
- Jest powtarzalny. Uruchamiana według harmonogramu, ta sama kalkulacja zamienia jednorazowy audyt w linię trendu, którą da się zarządzać.
„Wskaźnik wiarygodności danych“ i „wskaźnik jakości danych“ opisują tę samą ideę: zmierzoną, godną zaufania miarę tego, czy Twoje dane nadają się do użytku.
Jak obliczany jest wynik
Sensowny wynik w Salesforce buduje się oddolnie — od pól, przez wymiary, aż do liczby zbiorczej:
- Kontrole na poziomie pól. Każda reguła działa na polach w zakresie. Czy Account Industry jest wypełnione? Czy Contact Email pasuje do prawidłowego formatu? Czy ta Opportunity to duplikat? Każda kontrola daje wynik pozytywny lub negatywny na poziomie rekordu.
- Wyniki wymiarów. Wyniki pól sumują się w wynik dla każdego wymiaru. Jeśli 92% rekordów w zakresie przechodzi każdą kontrolę kompletności, kompletność dostaje 92.
- Ważony wynik ogólny. Wyniki wymiarów łączą się w jedną wartość, ważoną według tego, jak bardzo każdy wymiar jest dla Ciebie istotny. Brakujący Opportunity Amount może liczyć się bardziej niż brakujący dodatkowy numer telefonu.
Ta oddolna struktura sprawia, że wynik daje się przekuć w działanie. Pojedyncze „78“ to punkt wyjścia. Rozbicie za nim — kompletność 65 dla Accounts, napędzana pustym polem Industry z jednej integracji — to to, co faktycznie naprawiasz.
Dlaczego ważenie ma znaczenie
Dwie org mogą obie mieć wynik 80 i być w zupełnie różnej kondycji. Jedna ma drobne problemy z formatowaniem rozsiane po polach o niskiej wadze. Druga ma 20% brakujących wartości Opportunity Amount. Nieważone zliczanie błędów potraktowałoby je tak samo.
Ważenie to naprawia. Przypisując wyższą wagę polom i wymiarom napędzającym przychody, raportowanie i automatyzację, wynik śledzi wpływ na biznes, a nie liczbę przypadków. Gdy dostroisz wagi do swoich priorytetów, liczba zaczyna znaczyć coś, czemu lider może zaufać.
Jak czytać wynik
Wynik jest użyteczny tylko wtedy, gdy potrafisz przejść od nagłówkowej liczby do decyzji. Czytaj go w trzech przejściach:
| Przejście | Pytanie | Na co patrzysz |
|---|---|---|
| 1. Nagłówek | Jak zdrowe są te dane ogółem? | Pojedynczy ważony Data Quality Score |
| 2. Według wymiaru | Jakiego rodzaju problem dominuje? | Wyniki poszczególnych wymiarów (np. kompletność vs. unikalność) |
| 3. Według pola | Gdzie dokładnie jest problem? | Rozbicie na poziomie pól w obrębie najsłabszego wymiaru |
Do trzeciego przejścia nie patrzysz już na „jakość danych“ w oderwaniu. Patrzysz na konkretne pole, na konkretnym obiekcie, z konkretnym wskaźnikiem błędów — czyli na zadanie, które ktoś może wziąć na siebie.
Od wyniku do działania
Wynik zamienia pomiar w spriorytetyzowaną listę zadań:
- Linia bazowa. Uruchom pierwsze skanowanie, by ustalić punkt wyjścia.
- Priorytetyzacja. Posortuj problemy według wpływu na biznes (waga) względem nakładu pracy na naprawę. Najpierw te o najwyższej wadze i najniższym nakładzie.
- Naprawa. Uporządkuj istniejące rekordy, dodaj reguły walidacji, by zatrzymać nowe złe dane, i dostosuj procesy wprowadzania.
- Ponowny pomiar. Uruchom skanowanie jeszcze raz i obserwuj, jak wynik się zmienia. Poprawa, której nie widać, to poprawa, której nie da się obronić.
Śledzenie jakości w czasie
Pojedynczy pomiar jest przestarzały już dzień po jego wykonaniu, ponieważ dane w Salesforce degradują się nieustannie. Sednem wyniku jest trend, a nie migawka. Zaplanowane skanowania — dzienne, tygodniowe lub miesięczne — zamieniają wynik w linię, którą możesz monitorować, tak że nowa integracja zaczynająca zapisywać złe dane ujawnia się jako spadek wychwycony w ciągu dni, a nie problem odkryty miesiące później w zepsutym raporcie.
Jak mierzy to DQS
Data Quality Sense wytwarza ważony Data Quality Score w całości wewnątrz Salesforce — żadne rekordy nie są eksportowane. Definiujesz, jak wygląda dobra jakość, w Definition Builder (wybierasz wymiary, ustalasz zakres obiektów i pól, ustawiasz progi i wagi), uruchamiasz skanowanie na żądanie lub według harmonogramu i analizujesz wynik w Insight Studio: ogólny wynik, rozbicie na wymiary, kondycję pól i trend w czasie. Ponieważ działa natywnie, wynik zawsze odzwierciedla dane na żywo w Twojej org.
Kolejne kroki
- Jakość danych w Salesforce: pełny przewodnik
- Pięć wymiarów jakości danych: co mierzy wynik
- Mierzenie jakości danych: KPI i karty wyników w szczegółach
- Przygotowanie do Agentforce: przygotowanie wyniku pod AI