# Completude: cenários de configuração > Três walkthroughs práticos mostrando como configurar a análise de completude do DQS para diferentes necessidades de negócio. Source: https://dataqualitysense.com/pt/resources/use-cases/completeness-scenarios/ Last updated: 2026-04-16 --- ## O que estes cenários cobrem Esta página apresenta três configurações reais da análise de completude do DQS. Cada cenário cobre um problema específico de negócio, mostra as configurações exatas e explica como ler os resultados. Estes walkthroughs se apoiam nos conceitos do artigo principal de [Completude](/pt/resources/data-quality/completeness/). Leia primeiro se você é novo em métricas de completude ou no funil diagnóstico. ## Cenário 1: higiene de e-mail em Contacts ### O problema Seu time de vendas reporta baixa taxa de entrega nas campanhas de e-mail. O marketing culpa os dados, mas ninguém sabe exatamente quantos e-mails estão faltando. Você precisa de uma contagem clara de Contacts sem endereço de e-mail utilizável. ### Configuração É uma checagem direta de fill rate. Use o modo **Basic Completeness** no objeto Contact, apontando para o campo `Email`. | Configuração | Valor | Por quê | |---------|-------|-----| | Modo de análise | Basic Completeness | Você precisa de fill rate e quebra, não detecção de placeholder | | Blank As Incomplete | ON | Pegue strings vazias de submissões de form, não só nulls | | Placeholders As Incomplete | OFF | Campos de e-mail raramente contêm placeholders como "N/A" | O campo `Email` é baseado em texto no Salesforce, então o DQS produz quebras de null e blank. ### Resultados de exemplo | Métrica | Valor | |--------|-------| | Completeness Rate | 73% | | Empty Count | 2.700 | | Populated Count | 7.300 | | Null Count | 1.800 | | Null Rate | 18% | | Blank Count | 900 | | Blank Rate | 9% | Total de registros de Contact: 10.000. ### Lendo os resultados Comece pela headline: 73% de completude. Isso significa que 2.700 Contacts não têm endereço de e-mail. Suas campanhas de e-mail alcançam, no máximo, 7.300 de 10.000 contatos. Agora percorra o funil diagnóstico para entender *por que* 2.700 estão vazios. **Null Count: 1.800.** Esses Contacts nunca tiveram e-mail inserido. O campo nunca foi tocado. Padrão comum em registros criados manualmente, em que os reps pulam o e-mail, ou em registros legados importados de sistemas que não capturavam e-mail. **Blank Count: 900.** Esses Contacts têm uma string vazia no campo de e-mail. O campo foi escrito, mas sem valor. Esse padrão aponta para outra causa: integrações de web form que enviam o registro mesmo quando o campo de e-mail está vazio. A integração escreve `''` em vez de deixar nulo. Duas causas exigem duas correções diferentes: - **Para os 1.800 nulls:** Trate a lacuna de entrada. Torne o campo de e-mail obrigatório no page layout ou adicione um prompt na criação. - **Para os 900 blanks:** Conserte a integração. Adicione validação client-side no web form para não enviar e-mails vazios, ou adicione uma validation rule que rejeite strings vazias. ### O que fazer depois Use Empty Count (2.700) para dimensionar um projeto de enriquecimento. Se trabalha com um fornecedor de dados, essa é a contagem para estimar custo. Acompanhe a Completeness Rate para medir se as correções funcionam. --- ## Cenário 2: detecção de placeholder em Industry de Accounts ### O problema Seus relatórios de segmentação de Account mostram que 94% das Accounts têm valor em Industry. Marketing confia nesse número e usa para targeting. Você suspeita que esses 94% estão inflados por placeholders como "N/A" e "Unknown" que parecem dados mas não carregam informação. ### Configuração Use o modo **Contextual Completeness** no objeto Account, no campo `Industry`. Esse modo habilita a detecção de placeholders, que é o que você precisa para testar sua hipótese. | Configuração | Valor | Por quê | |---------|-------|-----| | Modo de análise | Contextual Completeness | Habilita detecção de placeholder e métricas de qualidade de conteúdo | | Blank As Incomplete | ON | Pega strings vazias junto com nulls | | Placeholders As Incomplete | ON | É o cerne desta análise | | Placeholder Values | N/A, TBD, Unknown, Other, None, Not Applicable, - | Placeholders comuns em campos de picklist | | Case-Sensitive Placeholders | OFF | Pega "n/a", "tbd", "unknown" e outras variações de caixa | Desligue case sensitivity para este scan. Usuários digitam placeholders em várias capitalizações: "n/a", "N/a", "N/A". Pegar todas as variantes dá o quadro real. ### Resultados de exemplo | Métrica | Valor | |--------|-------| | Completeness Rate | 94% | | Empty Count | 600 | | Populated Count | 9.400 | | Incompleted Count | 2.400 | | Placeholder Count | 1.800 | | Placeholder Rate | 18% | Total de registros de Account: 10.000. ### Lendo os resultados A headline parece saudável: 94% de completude. Mas era exatamente isso que você suspeitava ser enganoso. Olhe a diferença entre Empty Count e Incompleted Count. Empty Count diz que 600 registros não têm valor. Incompleted Count diz que 2.400 registros não têm valor *útil*. A diferença é de 1.800 registros com placeholders. A matemática: ``` Incompleted Count (2.400) = Empty Count (600) + Placeholder Count (1.800) ``` 600 registros estão visivelmente vazios. Qualquer um com um relatório padrão do Salesforce veria. Mas 1.800 registros contêm valores como "N/A", "Other" ou "Unknown" que inflam a taxa de completude sem fornecer dado real de segmentação. A completude real utilizável é de cerca de 76%, não 94%. Esses 18 pontos são a incompletude escondida que relatórios padrão perdem. **Por que isso importa para segmentação:** Se o marketing roda uma campanha para a indústria "Technology", a contagem do segmento está correta. Mas se roda um relatório de *cobertura total por indústria*, a headline de 94% esconde que quase 1 em 5 registros "populados" não carrega informação útil. Atribuições de território, roteamento por indústria e dashboards executivos herdam essa distorção. ### O que fazer depois Dimensione seu projeto de enriquecimento para 2.400 registros, não 600. O alvo é Incompleted Count, não Empty Count. Trabalhe com Account managers para preencher valores reais ou use um serviço de enriquecimento. Rode o scan novamente para medir a melhoria. --- ## Cenário 3: profundidade de Description de Case para prontidão para IA ### O problema Sua empresa está avaliando uma ferramenta de IA que resume descrições de Case para agentes. O fornecedor diz que a IA precisa de "dados textuais ricos" para funcionar bem. Antes de investir, você precisa avaliar se o campo Description tem substância suficiente para a IA produzir resumos úteis. ### Configuração Use **Contextual Completeness** no objeto Case, no campo `Description`. Você precisa do conjunto completo de métricas contextuais: detecção de placeholder e métricas de qualidade de texto (Rich Text Ratio, Text Field Utilization, Average Utilization). | Configuração | Valor | Por quê | |---------|-------|-----| | Modo de análise | Contextual Completeness | Produz métricas de profundidade de conteúdo para avaliação de IA | | Blank As Incomplete | ON | Pega descrições vazias | | Placeholders As Incomplete | ON | Pega preenchimentos rasos | | Placeholder Values | Ver e-mail, Retornar ligação, TBD, N/A, -, Pendente | Atalhos comuns em vez de descrições reais | A lista de placeholders aqui reflete como os agentes realmente preenchem Description. Em vez de escrever uma descrição real, eles digitam um atalho. Essas entradas estão tecnicamente populadas, mas dão à IA nada a resumir. ### Resultados de exemplo | Métrica | Valor | |--------|-------| | Completeness Rate | 88% | | Empty Count | 500 | | Populated Count | 3.700 | | Incompleted Count | 1.800 | | Placeholder Count | 1.300 | | Rich Text Ratio | 31% | | Text Field Utilization | 12% | | Average Utilization | 8,4% | Total de registros de Case: 4.200. ### Lendo os resultados Comece pela headline: 88% de completude. Parece saudável para um campo de texto. Mas esta análise é sobre prontidão para IA, não higiene. A headline não basta. **Incompleted Count vs Empty Count.** 500 registros não têm descrição. Mas 1.800 estão incompletos ao incluir placeholders. A diferença de 1.300 contém entradas como "Ver e-mail", "Retornar ligação" e "Pendente". Esses passam em uma checagem básica, mas não dão à IA com o que trabalhar. **Rich Text Ratio: 31%.** Esse é o número que responde sua pergunta. Apenas 31% das descrições têm conteúdo significativo acima do limiar de caracteres. Os outros 69% de descrições "populadas" são placeholders (já contados acima) ou entradas curtas e rasas demais para a IA resumir — coisas como "problema reportado", "cliente ligou" ou "escalado". **Text Field Utilization: 12%.** O campo Description é um Long Text Area de grande capacidade. Os registros usam em média apenas 12% dessa capacidade. Confirma que a maioria é muito curta. **Average Utilization: 8,4%.** A média de uso em todos os registros é 8,4% da capacidade. A maior parte das descrições são poucas palavras, não parágrafos. **O veredito de prontidão para IA:** A ferramenta de sumarização vai produzir resultados úteis para cerca de 31% dos Cases. Para os outros 69%, a IA falha em gerar um resumo ou gera algo baseado em um fragmento. A ferramenta terá desempenho abaixo em mais de dois terços do volume. ### O que fazer depois Apresente esses dados antes de comprometer-se com a ferramenta. Os números fazem o argumento: o projeto precisa de uma fase de enriquecimento primeiro. Defina uma meta de Rich Text Ratio (comece com 60% ou mais) e monte um plano para melhorar a qualidade das descrições. Opções: - Atualizar processos de criação de Case para exigir descrição mínima - Treinar agentes a escrever descrições úteis - Adicionar screen flows que solicitem informação detalhada no intake Rode o scan após cada ciclo de melhoria. Acompanhe Rich Text Ratio como métrica principal para prontidão de IA. --- ## Escolhendo sua configuração Use esta tabela para escolher um ponto de partida. | Se você precisa... | Comece com | Configurações-chave | |--------------------|------------|--------------| | Verificar fill rates básicos para auditoria | Basic Completeness | Blank As Incomplete: ON | | Detectar placeholders inflando seus números | Contextual Completeness | Placeholders As Incomplete: ON, defina sua lista | | Avaliar profundidade para prontidão de IA | Contextual Completeness | Placeholders As Incomplete: ON, revise Rich Text Ratio e Utilization | | Dimensionar projeto de limpeza | Qualquer modo | Use Empty Count (basic) ou Incompleted Count (contextual) | | Distinguir entre "nunca inserido" e "limpo" | Qualquer modo | Compare Null Count vs Blank Count para identificar causas | Para referência completa das 13 métricas e como se encaixam no funil diagnóstico, volte ao artigo principal de [Completude](/pt/resources/data-quality/completeness/). Para ver como completude e outras dimensões afetam sua prontidão para IA, faça a [AI Readiness Assessment](/pt/ai-readiness/).