As cinco dimensões da qualidade de dados

Entendendo as cinco dimensões

Qualidade de dados é medida em cinco dimensões principais. Cada uma responde a uma pergunta específica sobre seus dados, e juntas determinam se os dados estão aptos ao propósito.

O DQS mede as cinco dimensões nativamente dentro do Salesforce.

1. Completude

Completude mede se os valores de dados obrigatórios estão presentes e não faltando.

O que o DQS mede

• Fill Rate: Percentual de registros com valores não vazios
• Blank Detection: Strings vazias e valores só com espaços
• Placeholder Detection: Valores como “N/A”, “TBD” ou “Unknown”

Por que completude importa

Dados incompletos quebram automação. Quando um workflow exige um endereço de e-mail que não existe, ele falha. Quando um relatório filtra por Industry e metade dos registros não têm valor em Industry, os analytics mostram só parte do retrato.

Problemas comuns de completude

Dica: Comece pelos seus campos mais críticos. Você não precisa de 100% de completude em todo campo, só naqueles que importam para o seu caso de uso.

2. Validade

Validade mede se os valores seguem formatos e padrões esperados.

O que o DQS mede

• Format Validation: Padrões de e-mail, telefone, URL
• Pattern Matching: Padrões regex customizados
• Domain Validation: Listas de valores permitidos

Validade vs precisão

Validade e precisão são coisas diferentes. Um e-mail pode ser válido (formato correto), mas impreciso (pessoa errada). O DQS mede validade porque a validação de formato pode ser automatizada. Precisão exige verificação externa.

Problemas comuns de validade no Salesforce

• Endereços de e-mail sem ”@” ou domínio
• Números de telefone com contagem de dígitos errada
• URLs sem protocolo (http/https)
• Texto livre onde são esperados valores de picklist

3. Unicidade

Unicidade mede se os valores são distintos e não duplicados.

O que o DQS mede

• Duplicate Detection: Correspondências exatas entre registros
• Distinct Count: Total de valores únicos por campo
• Entropy Analysis: Diversidade e distribuição de valores

O custo das duplicatas

Registros duplicados desperdiçam armazenamento, confundem usuários e produzem métricas infladas. Quando vendas tem dois registros para a mesma empresa, perde contexto e corre o risco de fazer outreach duplicado.

Pesquisas mostram:

• Bases B2B contêm 10-30% de registros duplicados em média
• Cada duplicata custa às organizações em envios de e-mail desperdiçados, reporting confuso e histórico fragmentado do cliente

Prevenção vs detecção de duplicatas

O DQS foca em detecção, que ajuda a identificar duplicatas que já existem. A prevenção (barrar duplicatas na criação) requer validation rules e matching rules na configuração do Salesforce.

4. Atualidade

Atualidade mede se os dados estão suficientemente atuais para o uso pretendido.

O que o DQS mede

• Freshness Rate: Percentual de registros dentro da janela de atualidade
• Staleness Detection: Registros que excedem seu limite
• Average Age: Idade média dos valores de campos de data
• Future Date Detection: Datas inválidas no futuro

Definindo limites de atualidade

Tipos de dados diferentes têm requisitos diferentes de atualidade:

Por que atualidade importa para IA

Modelos de IA e machine learning aprendem com seus dados. Quando os dados estão desatualizados, a IA aprende padrões defasados. O Agentforce, por exemplo, usa seus dados do Salesforce para fundamentar respostas. Informações de contato desatualizadas levam a recomendações erradas.

5. Consistência

Consistência mede se os valores são uniformes e padronizados.

O que o DQS mede

• Conformance Rate: Percentual que corresponde aos padrões esperados
• Variant Detection: Diferentes representações do mesmo valor
• Dominant Value Analysis: Valor mais comum por campo

Tipos de inconsistência

Por que consistência importa para IA

Modelos de IA tratam “USA” e “United States” como valores diferentes. Se seus registros usam os dois, a IA não consegue agrupá-los corretamente. Dados inconsistentes fragmentam o entendimento da sua IA e produzem saídas pouco confiáveis.

Alcançando consistência

• Use picklists em vez de texto livre sempre que possível
• Padronize um único formato para cada campo
• Importe valores do campo ao configurar as verificações de consistência no DQS

Balanceando as dimensões

Nem toda dimensão é igualmente importante para todo caso de uso. Considere o que você precisa:

Cobertura de dimensões no DQS

O DQS mede as cinco dimensões com capacidades abrangentes:

Próximos passos

Agora que você entende as cinco dimensões:

1. Faça a AI Readiness Assessment para ver suas pontuações atuais
2. Leia sobre Preparação para Agentforce para verificações adicionais além da qualidade de dados básica
3. Aprenda a usar o Definition Builder para configurar seu primeiro scan