Completude: cenários de configuração

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. 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.

O campo Email é baseado em texto no Salesforce, então o DQS produz quebras de null e blank.

Resultados de exemplo

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.

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

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).

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

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.

Para referência completa das 13 métricas e como se encaixam no funil diagnóstico, volte ao artigo principal de Completude.

Para ver como completude e outras dimensões afetam sua prontidão para IA, faça a AI Readiness Assessment.