# Como melhorar a qualidade de dados no Salesforce

> Um fluxo prático e repetível para melhorar e manter a qualidade de dados no Salesforce: detectar, priorizar, corrigir, prevenir e monitorar.

Source: https://dataqualitysense.com/pt/resources/salesforce/improve-data-quality-in-salesforce/
Last updated: 2026-07-15

---

Melhorar a qualidade de dados no Salesforce não é um projeto com data de término. Os dados de CRM se deterioram continuamente — por entrada manual, integrações, tempo e, agora, agentes de IA lendo e escrevendo registros — então o objetivo não é uma limpeza pontual, mas um loop repetível que mantém a qualidade alta à medida que novos dados chegam. A taxa de degradação é bem documentada: dados de contatos B2B ficam obsoletos em aproximadamente [2,1% ao mês, ou cerca de 22,5% ao ano](https://pipeline.zoominfo.com/marketing/b2b-data-decay), o que significa que uma limpeza que termina em janeiro está mensuravelmente fora de data até o verão. Este guia apresenta esse loop e as táticas específicas do Salesforce que fazem cada etapa funcionar.

## O loop de melhoria

Todo programa duradouro de qualidade de dados, quer você o execute na mão ou com uma ferramenta, segue as mesmas cinco etapas:

1. **Detectar** — medir onde você está hoje, por dimensão e por campo.
2. **Priorizar** — classificar os problemas por impacto no negócio contra o esforço de correção.
3. **Corrigir** — limpar os registros existentes.
4. **Prevenir** — impedir que o mesmo problema volte.
5. **Monitorar** — remedir em um cronograma para que novos problemas apareçam cedo.

Pular qualquer etapa quebra o loop. Limpar sem prevenir significa corrigir as mesmas duplicatas a cada trimestre. Prevenir sem monitorar significa nunca saber se funcionou. As etapas reforçam umas às outras.

## Etapa 1: Detectar

Você não pode priorizar o que não consegue ver. Comece [medindo sua qualidade de dados](/pt/resources/salesforce/measure-data-quality-in-salesforce/) para obter uma pontuação de qualidade de dados de referência detalhada por dimensão e por campo. O detalhamento é o que importa: "a completude está em 64 nos Accounts, causada por um campo Industry em branco" é um ponto de partida sobre o qual dá para agir; "os dados estão uma bagunça" não é.

Uma boa baseline responde a três perguntas: quais objetos estão piores, qual dimensão domina o problema e quais campos específicos causam as falhas.

## Etapa 2: Priorizar

Nem todo problema merece a mesma urgência. Classifique o que você encontrou em dois eixos:

- **Impacto no negócio** — esse campo move receita, relatórios, automação ou IA? Um Opportunity Amount faltando distorce a previsão; um número de fax secundário faltando não.
- **Esforço de correção** — isso pode ser resolvido com uma atualização em massa e uma validation rule, ou exige uma mudança de processo e adesão dos stakeholders?

Comece pelos problemas de alto impacto e baixo esforço. Eles criam impulso e liberam capacidade para os problemas estruturais mais difíceis.

## Etapa 3: Corrigir

A correção se encaixa em alguns padrões repetíveis no Salesforce:

| Problema | Correção típica |
|---|---|
| Valores faltando (completude) | Atualização em massa a partir de uma fonte confiável; enriquecimento; tornar o campo obrigatório onde fizer sentido |
| Formatos inválidos (validade) | Correção em massa, depois uma validation rule para impor o formato daqui para frente |
| Duplicatas (unicidade) | Mesclar registros; configurar duplicate e matching rules para bloquear novas |
| Valores inconsistentes (consistência) | Padronizar para uma picklist controlada; substituir texto livre por um campo restrito |
| Registros desatualizados (atualidade) | Fluxos de reengajamento ou arquivamento; sinalizar registros que ultrapassaram um limiar de atualidade |
| PII exposto | Identificar com [PII detection](/pt/resources/ai-readiness/pii-detection/), depois mascarar, restringir ou remover |

Corrigir o backlog existente é necessário, mas, por si só, é uma esteira. A alavancagem está na próxima etapa.

## Etapa 4: Prevenir

A diferença entre uma limpeza pontual e uma melhoria duradoura é a prevenção. A economia favorece fortemente: a regra 1-10-100 da pesquisa de gestão de qualidade (Labovitz e Chang, *Making Quality Work*, 1992) estima que um erro custa US$ 1 para prevenir na entrada, US$ 10 para corrigir depois e US$ 100 quando chega aos clientes ou às decisões. O Salesforce oferece controles nativos para impedir dados ruins na origem:

- **Validation rules** rejeitam valores malformados antes de serem salvos.
- **Campos obrigatórios** (no page layout ou via validação) fecham lacunas de completude no momento da entrada.
- **Duplicate e matching rules** bloqueiam Accounts e Contacts duplicados conforme são criados.
- **Picklists em vez de texto livre** eliminam uma classe inteira de problemas de consistência.
- **Contratos de integração** — acordar qual sistema é dono de qual campo — evitam que duas fontes sobrescrevam uma à outra.

Cada controle que você adiciona reduz a taxa com que novos problemas surgem, que é o que de fato move a pontuação ao longo do tempo.

## Etapa 5: Monitorar

Uma única correção fica invisível no instante em que novos dados começam a fluir. Agende varreduras recorrentes — diárias, semanais ou mensais — para que sua pontuação de qualidade de dados se torne uma linha de tendência, não um instantâneo. Quando uma nova integração começa a escrever dados ruins, uma pontuação monitorada cai em poucos dias e você a pega antes que chegue a um relatório ou a um modelo de IA. Sem monitoramento, o mesmo problema aparece meses depois como um dashboard quebrado em que ninguém confia.

## Como o DQS ajuda

O Data Quality Sense dá suporte ao loop inteiro dentro do Salesforce, sem exportação de dados. Você define o que é bom no Definition Builder, roda uma varredura para obter uma pontuação de qualidade de dados ponderada com detalhamento por campo, a agenda para repetir e acompanha a tendência no Insight Studio. Detecção e priorização viram um dashboard em vez de um exercício de planilha — então o loop é algo que você roda continuamente, não um projeto que você reinicia a cada trimestre.

## Próximos passos

- [Qualidade de dados no Salesforce](/pt/resources/salesforce/data-quality-in-salesforce/): o guia completo
- [Como medir a qualidade de dados no Salesforce](/pt/resources/salesforce/measure-data-quality-in-salesforce/): a pontuação de qualidade de dados
- [Armadilhas comuns](/pt/resources/best-practices/common-pitfalls/): erros que minam programas de qualidade de dados
- [Construindo uma cultura de qualidade de dados](/pt/resources/best-practices/building-data-quality-culture/): fazer a melhoria perdurar