Qualidade de dados no Salesforce é o quanto os registros da sua org realmente servem ao trabalho que você faz com eles: relatórios, automação, previsões e, cada vez mais, IA. Uma org Salesforce pode guardar milhões de Accounts, Contacts, Leads e Opportunities, mas volume não é valor. Quando os dados estão incompletos, desatualizados, inconsistentes ou duplicados, todo processo construído sobre eles herda essas falhas.
Este guia explica o que qualidade de dados significa especificamente dentro do Salesforce, por que os dados de CRM se degradam, as seis dimensões que determinam se seus dados são adequados ao uso e como medir e melhorar a qualidade sem exportar um único registro para fora da sua org.
Por que os dados do Salesforce se degradam
Os dados do Salesforce não permanecem limpos sozinhos. Eles se deterioram continuamente, por razões que são estruturais, não acidentais:
- Entrada manual. Os reps cadastram accounts sob nomes ligeiramente diferentes, pulam campos não obrigatórios e colam anotações no lugar errado. Cada tecla digitada é uma chance de introduzir desvios.
- Integrações. Marketing automation, ERP, billing e ferramentas de enriquecimento de dados escrevem no Salesforce cada uma com seu próprio calendário e suas próprias premissas. Dois sistemas escrevendo no mesmo campo dificilmente concordam para sempre.
- Tempo. Um número de telefone que estava correto dois anos atrás agora está errado. Uma close date que já passou agora engana. A atualidade se desgasta quer alguém toque no registro ou não.
- Duplicação. O mesmo cliente entra por um formulário web, por uma importação de lista e por um sales rep — três registros, uma entidade. Sem monitoramento ativo, as duplicatas se multiplicam.
- Agentes de IA. À medida que o Agentforce e outros agentes leem e escrevem registros, problemas de qualidade não detectados se propagam mais rápido e em escala muito maior do que a entrada humana jamais conseguiria.
Como as causas são estruturais, a resposta não é uma limpeza pontual. É medição contínua.
O que a má qualidade de dados custa a você
Em um contexto Salesforce, a baixa qualidade de dados não é uma preocupação abstrata. Ela aparece em três lugares que importam para o negócio:
Relatórios e previsões. Dashboards só são tão confiáveis quanto os campos que agregam. Amounts faltando, estágios desatualizados e Opportunities duplicadas distorcem silenciosamente os números de pipeline e de receita. Os líderes deixam de confiar nos relatórios, e as decisões voltam para as planilhas.
Automação. Flows, validation rules, lógica de atribuição e processos de aprovação presumem que os dados que leem estão corretos. Um campo Region em branco roteia um Lead para o lugar errado; um e-mail inválido quebra silenciosamente uma sequência de nurturing. Dados ruins transformam a automação de multiplicador em passivo.
Prontidão para IA. Esse é o custo mais recente e que mais cresce. Antes de apontar o Agentforce ou qualquer sistema de IA para seus dados do Salesforce, você precisa saber quais campos estão completos, quais contêm informações pessoais identificáveis (PII) e quais estão atuais o suficiente para fundamentar uma resposta. PII não detectado em um índice de retrieval ou em um conjunto de treino cria uma exposição que nenhum filtro posterior consegue desfazer por completo, e dados incompletos ou desatualizados produzem respostas de IA confiantes, porém erradas.
As seis dimensões da qualidade de dados no Salesforce
Qualidade de dados não é um número único que você tem ou não tem. Ela é medida em dimensões distintas, cada uma respondendo a uma pergunta diferente sobre seus registros. Mapeá-las para o Salesforce torna o abstrato concreto:
| Dimensão | A pergunta que ela responde | No Salesforce |
|---|---|---|
| Completude | Os campos que deveriam estar preenchidos estão de fato populados? | Campos obrigatórios para o negócio deixados em branco: Account Industry, Contact Email, Opportunity Amount |
| Validade | O valor está em conformidade com o formato ou conjunto esperado? | E-mails sem @, números de telefone com letras, valores de picklist fora do conjunto permitido |
| Unicidade | Cada entidade do mundo real é representada uma única vez? | Accounts e Contacts duplicados criados por formulários, importações e entrada manual |
| Consistência | Os valores concordam com as regras e entre si? | Country grafado de três formas, Billing State que contradiz o Billing Country |
| Atualidade | Os dados estão atuais e as datas são plausíveis? | Last Activity de meses atrás, Close Dates no passado, registros com data futura que não deveriam existir |
| PII Detection | Onde estão os dados pessoais sensíveis? | SSNs, números de cartão de crédito e e-mails parados em campos de texto livre como Description e Comments |
Essas seis dimensões se dividem em dois grupos. As cinco primeiras — completude, validade, unicidade, consistência e atualidade — descrevem a higiene operacional: se seus dados funcionam para o uso diário do CRM. A PII Detection pertence a um segundo grupo focado em prontidão para IA: se seus dados estão seguros e preparados para o Agentforce e outras iniciativas de IA.
Como medir a qualidade de dados no Salesforce
Você não pode melhorar o que não mede, e não pode medir o que só verifica na mão. Medir a qualidade de dados no Salesforce significa transformar essas seis dimensões em varreduras repetíveis e quantificadas.
O resultado central é uma pontuação de qualidade de dados (às vezes chamada de pontuação de confiabilidade de dados): um número único e ponderado que consolida as dimensões que importam para você em um indicador que dá para acompanhar ao longo do tempo. Uma pontuação de 100 significa que todo registro passou em todas as verificações no escopo; uma pontuação menor indica tanto quanto trabalho ainda resta quanto onde ele se concentra.
Uma boa abordagem de medição no Salesforce tem três propriedades:
- No nível do campo, não só do registro. Saber que 18% dos Accounts têm um problema é um começo. Saber que o problema é um campo Industry em branco em Accounts criados por uma integração específica é acionável.
- Ponderada para suas prioridades. Um Opportunity Amount faltando importa mais do que um número de telefone secundário faltando. A ponderação faz a pontuação refletir o impacto no negócio, não apenas contagens brutas.
- Repetível em um cronograma. Qualidade é um alvo em movimento. Uma auditoria pontual fica obsoleta no dia seguinte à execução. Varreduras agendadas transformam um instantâneo em uma linha de tendência.
Essa é a abordagem do Data Quality Sense (DQS). Você define o que é “bom” para cada objeto e campo, roda a varredura e obtém uma pontuação de qualidade de dados ponderada, detalhada por dimensão e por campo — depois agenda sua repetição para acompanhar a tendência.
Por que o nativo importa
A decisão de arquitetura mais importante ao medir a qualidade de dados no Salesforce é onde a medição acontece. Muitas ferramentas exigem que você exporte os registros para um serviço externo, faça o profiling fora da plataforma e devolva os resultados. Isso cria três problemas: uma cópia dos seus dados (incluindo qualquer PII) passa a viver fora do Salesforce, os resultados ficam atrasados em relação à realidade e você depende de uma integração que pode quebrar.
Uma abordagem 100% nativa do Salesforce evita tudo isso. A varredura roda dentro da sua org usando o próprio processamento batch da plataforma. Nenhum registro sai do Salesforce, os resultados refletem os dados ao vivo e não há pipeline externo para manter. Para dados que contêm PII — exatamente os dados que você mais precisa analisar antes de um projeto de IA — mantê-los na plataforma não é uma conveniência, é uma exigência de compliance.
O DQS roda inteiramente dentro do Salesforce por essa razão. A detecção é determinística e transparente: você vê cada regra aplicada, e nenhum dado é jamais exportado.
Como começar
Melhorar a qualidade de dados no Salesforce segue um loop simples, e é o mesmo loop quer você o faça manualmente ou com uma ferramenta:
- Defina o que qualidade significa para seus objetos e campos mais importantes.
- Varra para obter uma pontuação de qualidade de dados de referência e um detalhamento por campo.
- Priorize os problemas com maior impacto no negócio e menor esforço de correção.
- Corrija por meio de limpeza, validation rules e melhores processos de entrada.
- Monitore com varreduras agendadas para que novos problemas apareçam antes de se espalharem.
No DQS, você monta isso com o Definition Builder — um assistente guiado em que você seleciona capabilities (as seis dimensões), escolhe os objetos e campos no escopo, configura os limiares e revisa. A partir daí, você roda a varredura sob demanda ou a agenda, e explora os resultados no Insight Studio com tendências, saúde dos campos e detalhamentos por dimensão. Tudo acontece dentro da sua org Salesforce.
Próximos passos
- Como medir a qualidade de dados no Salesforce: a pontuação de qualidade de dados em detalhe
- Como melhorar a qualidade de dados no Salesforce: o loop detectar-corrigir-prevenir
- Dashboard de qualidade de dados no Salesforce: as métricas que vale a pena acompanhar
- As cinco dimensões da qualidade de dados: o framework por trás das dimensões
- PII Detection: encontrar dados sensíveis antes de um projeto de IA
- Preparação para o Agentforce: deixar os dados do Salesforce prontos para a IA
- O que é qualidade de dados?: os fundamentos, desde o início