# Limpeza de dados do Salesforce para o Agentforce: guia objeto por objeto > Um playbook de limpeza de dados do Salesforce no nível de campo para o Agentforce. Quais objetos e campos limpar primeiro para agentes de service e sales, mapeados ao DQS. Source: https://dataqualitysense.com/pt/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/ Last updated: 2026-07-15 --- Quais objetos do Salesforce você limpa primeiro depende de quais agentes você faz o deployment. Agentes de service leem Case e Knowledge; agentes de sales leem Lead, Opportunity, Account e Contact. Este guia cobre o onde da limpeza de dados do Salesforce para o Agentforce — os objetos e campos específicos a limpar, a dimensão em risco em cada um e as ações de limpeza a executar. Para o quando — o cronograma de quatro fases que envolve este trabalho — veja [Qualidade de dados para o Agentforce: preparar seus dados do Salesforce para a IA](/pt/resources/ai-readiness/agentforce-preparation/). Este artigo se encaixa dentro da Fase 2 desse cronograma, onde você remedia objeto por objeto. Rode um [scan do DQS](/pt/resources/using-dqs/running-scans/) em cada objeto antes de começar para saber quais campos de fato falham, em vez de limpar campos que já estão bem. A limpeza neste nível não é trabalho preparatório opcional. Na [pesquisa State of Data and Analytics do Salesforce](https://www.salesforce.com/news/stories/data-analytics-trends/), 84% dos líderes de dados e analytics disseram que sua estratégia de dados precisa de uma revisão completa antes que suas ambições de IA consigam ter sucesso. Remediação objeto por objeto é o que essa revisão parece na prática dentro de um CRM. ## Account Agentes de sales leem Account para embasar respostas sobre o setor, a localização e o relacionamento de um cliente. Quando o agente responde "o que sabemos sobre esta conta", ele extrai destes campos. | Campo prioritário | Dimensão em risco | O que dados ruins fazem com o agente | |---|---|---| | `Name` | Unicidade | Accounts duplicadas dividem o histórico, então o agente recupera um registro parcial | | `Industry` | Consistência | "Tech", "Technology" e "IT" lidos como três segmentos, quebrando respostas embasadas | | `BillingCountry` | Consistência | "US", "USA", "United States" fragmentam o contexto geográfico | | `Phone` / `Website` | Validade | Valores malformados produzem detalhes de contato inutilizáveis nas respostas | Ações de limpeza: - Rode um scan de Unicidade para encontrar Accounts duplicadas antes do deployment. Duplicatas ensinam ao agente fatos contraditórios sobre o mesmo cliente. Veja [Unicidade](/pt/resources/data-quality/uniqueness/). - Use Import from Field em `Industry` e `BillingCountry` para descobrir cada variante existente, defina valores canônicos no [Definition Builder](/pt/resources/using-dqs/definition-builder/) e normalize. - Rode um scan de Validade em `Phone` e `Website` para pegar entradas malformadas. Mire em campos onde a Validity Rate cai abaixo de 90%. ## Contact Os agentes leem Contact para identificar com quem estão lidando e como contatá-los. Um agente de sales redigindo uma mensagem de abordagem puxa daqui o nome, o título e o e-mail. | Campo prioritário | Dimensão em risco | O que dados ruins fazem com o agente | |---|---|---| | `Email` | Validade | Endereços inválidos fazem a abordagem sugerida pelo agente falhar | | `Phone` | Validade | Números malformados aparecem como detalhes de contato quebrados | | `Title` | Completude | Títulos vazios removem o contexto de cargo que o agente usa para personalizar | | `MailingCountry` | Consistência | Valores de país inconsistentes desviam respostas específicas por região | Ações de limpeza: - Rode um scan de Validade em `Email` e `Phone`. Esses são os campos sobre os quais um agente age, então erros de formato viram ações falhas. Veja [Validade](/pt/resources/data-quality/validity/). - Rode um scan de Completude em `Title` e meça a Completeness Rate. Títulos faltando tiram do agente o contexto de cargo de que ele precisa para adaptar uma mensagem. - Padronize `MailingCountry` com Import from Field, alinhando à lista canônica que você definiu em Account para que os dois objetos concordem. ## Case Os agentes de service trabalham principalmente a partir de Case. O agente lê o Subject e a Description para entender o problema e, então, embasa sua resposta nesse contexto. Este é o objeto de maior alavancagem para um deployment de service. | Campo prioritário | Dimensão em risco | O que dados ruins fazem com o agente | |---|---|---| | `Description` | Completude | Uma Description vazia não deixa contexto ao agente, então ele retorna uma resposta genérica | | `Subject` | Completude | Subjects faltando enfraquecem a classificação e o roteamento de casos | | `Status` / `Origin` | Consistência | Valores variantes fragmentam a visão do agente sobre o estado e o canal do caso | | `Description` / Comments | PII Detection | SSNs e números de cartão colados de e-mail entram no contexto da IA | Ações de limpeza: - Rode um scan de Completude em `Description`. Completude da Description equivale a contexto do agente; um campo em branco é o motivo mais comum de um agente de service responder de forma vaga. Veja [Completude](/pt/resources/data-quality/completeness/). - Padronize `Status` e `Origin` usando Import from Field para revelar cada valor existente e, então, normalize para sua picklist canônica. - Rode um scan de PII em `Description` e Case Comments. O email-to-case captura mensagens de clientes que contêm PII, e o agente pode revelar esse PII em uma resposta. Veja [PII Detection](/pt/resources/ai-readiness/pii-detection/) e o [guia de compliance de PII no Agentforce](/pt/resources/ai-readiness/agentforce-pii-compliance/). ## Lead Agentes de sales leem Lead para qualificar e rotear o interesse de entrada. O agente decide as próximas ações a partir da empresa, da origem e do status, então lacunas aqui mandam leads pelo caminho errado. | Campo prioritário | Dimensão em risco | O que dados ruins fazem com o agente | |---|---|---| | `Email` | Validade | Endereços inválidos quebram o follow-up conduzido pelo agente | | `Company` | Completude | Dados de empresa faltando bloqueiam a lógica de qualificação | | `LeadSource` | Consistência | Origens inconsistentes distorcem as decisões de roteamento do agente | | `Status` | Consistência | Status variantes confundem onde o lead está no funil | Ações de limpeza: - Rode um scan de Validade em `Email` e um scan de Completude em `Company`. Esses dois campos determinam se o agente consegue agir sobre um lead de modo algum. - Use Import from Field em `LeadSource` e `Status` para encontrar desvios e, então, restrinja a um conjunto de valores definido. Veja [Consistência](/pt/resources/data-quality/consistency/). - Rode um scan de PII em quaisquer campos de notas ou descrição onde os reps colam mensagens de entrada brutas. ## Opportunity Agentes de sales leem Opportunity para responder perguntas de pipeline e forecast. Uma fase desatualizada ou um valor faltando produz uma resposta confiantemente errada sobre o status do negócio. | Campo prioritário | Dimensão em risco | O que dados ruins fazem com o agente | |---|---|---| | `StageName` | Consistência | Fases fora do padrão deturpam onde os negócios estão | | `CloseDate` | Atualidade | Close dates passadas em negócios abertos ensinam ao agente fatos de pipeline desatualizados | | `Amount` | Completude | Valores faltando distorcem qualquer forecast que o agente reporte | Ações de limpeza: - Rode um scan de Atualidade para sinalizar Opportunities abertas com `CloseDate` no passado. Datas desatualizadas fazem o agente reportar um pipeline que já não existe. Veja [Atualidade](/pt/resources/data-quality/timeliness/). - Rode um scan de Completude em `Amount`. Um agente resumindo o valor do pipeline não consegue fazê-lo de forma confiável quando os valores estão em branco. - Confirme que `StageName` corresponde ao seu processo de vendas definido com um scan de Consistência. ## Knowledge Agentes de service embasam respostas em artigos de Knowledge. O agente recupera um artigo e apresenta seu conteúdo como a resposta autoritativa, então um artigo desatualizado ou raso vira uma resposta errada entregue com confiança. | Campo prioritário | Dimensão em risco | O que dados ruins fazem com o agente | |---|---|---| | Last modified date | Atualidade | Artigos desatualizados produzem respostas defasadas que o agente apresenta como atuais | | `Title` / `Summary` | Completude | Metadados rasos enfraquecem o retrieval, então o agente cita o artigo errado | | Corpo do artigo | PII Detection | Dados de cliente embutidos podem vazar em uma resposta gerada | Ações de limpeza: - Rode um scan de Atualidade contra a last modified date para revelar artigos além do seu limiar de atualidade. Artigos desatualizados são a principal fonte de respostas de service confiantemente erradas. - Rode um scan de Completude em `Title` e `Summary`. O agente usa esses campos para retrieval, então metadados fracos o levam à fonte errada. - Rode um scan de PII no corpo do artigo para confirmar que nenhum dado específico de cliente foi colado em um artigo publicado. ## Quais objetos você deve limpar primeiro? Limpe os objetos que seus agentes de fato leem, na ordem em que suas respostas dependem deles. A matriz abaixo mapeia a prioridade de limpeza ao tipo de agente. | Objeto | Agente de service | Agente de sales | Agente voltado a funcionários | |---|---|---|---| | Case | Prioridade 1 | Baixa | Média | | Knowledge | Prioridade 1 | Baixa | Prioridade 1 | | Account | Média | Prioridade 1 | Média | | Contact | Média | Prioridade 1 | Média | | Lead | Baixa | Prioridade 1 | Baixa | | Opportunity | Baixa | Prioridade 2 | Média | Para um deployment de service, comece pela completude da Case Description e pela atualidade de Knowledge, porque esses dois campos determinam se o agente tem o contexto correto para responder. Para um deployment de sales, comece por Account e Contact e, depois, passe para Lead e Opportunity. Em todo tipo de agente, rode primeiro scans de PII nos campos de texto que o agente lê, já que um achado de PII é uma questão de compliance, não de qualidade. O [checklist de prontidão de dados para o Agentforce](/pt/resources/ai-readiness/agentforce-data-readiness-checklist/) lista os limiares pré-deployment a atingir em cada objeto. ## Próximos passos - [Qualidade de dados para o Agentforce: preparar seus dados do Salesforce para a IA](/pt/resources/ai-readiness/agentforce-preparation/): o cronograma de quatro fases dentro do qual esta limpeza se encaixa - [Por que os agentes do Agentforce falham](/pt/resources/ai-readiness/why-agentforce-agents-fail/): os problemas de dados por trás da saída pouco confiável do agente - [Checklist de prontidão de dados para o Agentforce](/pt/resources/ai-readiness/agentforce-data-readiness-checklist/): limiares pré-deployment por objeto - [Como melhorar a qualidade de dados no Salesforce](/pt/resources/salesforce/improve-data-quality-in-salesforce/): o ciclo detectar, corrigir, prevenir, monitorar - [FAQ de qualidade de dados do Agentforce](/pt/resources/ai-readiness/agentforce-data-quality-faq/): dúvidas comuns respondidas - [AI Readiness Assessment](/pt/ai-readiness/): obtenha sua pontuação atual de prontidão