# Entendendo os resultados

> Aprenda a interpretar os resultados das varreduras do DQS, ler as pontuações de dimensão, detalhar até os registros afetados e exportar dados para limpeza.

Source: https://dataqualitysense.com/pt/resources/using-dqs/understanding-results/
Last updated: 2026-06-03

---

## Visão geral dos resultados

Depois que uma varredura é concluída, o DQS apresenta seus resultados em uma visão de dashboard. O dashboard mostra pontuações em vários níveis:

1. **Overall Score** - Um único número que representa a qualidade total dos dados
2. **Dimension Scores** - Pontuações para cada capability (Completeness, Validity etc.)
3. **Field Scores** - Pontuações para cada campo analisado
4. **Record Details** - Detalhamento até registros afetados específicos

## O dashboard de resultados

### Layout do dashboard

```
┌─────────────────────────────────────────────────────────────────┐
│                     OVERALL QUALITY SCORE                        │
│                           85%                                    │
│                     ▲ +3% from last scan                         │
├──────────────────────┬──────────────────────┬───────────────────┤
│    COMPLETENESS      │      VALIDITY        │    UNIQUENESS     │
│        92%           │        78%           │       95%         │
├──────────────────────┼──────────────────────┼───────────────────┤
│    TIMELINESS        │    CONSISTENCY       │   AI READINESS    │
│        88%           │        82%           │       76%         │
└──────────────────────┴──────────────────────┴───────────────────┘
```

### Acessando os resultados

1. Abra o DQS pelo App Launcher
2. Encontre sua Definition na lista
3. Clique no nome da Definition
4. Selecione a aba **Results**
5. Escolha uma data de varredura para visualizar

A varredura mais recente é exibida por padrão.

## Overall Quality Score

A pontuação geral é uma média ponderada de todas as pontuações de dimensão.

### Como ela é calculada

O DQS usa pesos padrão para cada dimensão:

| Dimensão | Peso padrão |
|-----------|---------------|
| Completeness | 25% |
| Validity | 20% |
| Uniqueness | 20% |
| Timeliness | 15% |
| Consistency | 20% |

Fórmula: Overall = (Completeness x 0,25) + (Validity x 0,20) + (Uniqueness x 0,20) + (Timeliness x 0,15) + (Consistency x 0,20)

As pontuações de AI Readiness são exibidas separadamente e não afetam a pontuação geral de Data Quality.

### Interpretação da pontuação

| Faixa de pontuação | Nível de qualidade | Ação |
|-------------|---------------|--------|
| 90-100% | Excelente | Mantenha as práticas atuais |
| 80-89% | Bom | Aborde áreas fracas específicas |
| 70-79% | Regular | Priorize a melhoria |
| 60-69% | Ruim | Atenção imediata necessária |
| Abaixo de 60% | Crítico | Limpeza de dados de grande porte necessária |

### Indicador de tendência

Ao lado da sua pontuação, você verá uma seta de tendência:

- **Seta verde para cima** - A pontuação melhorou em relação à última varredura
- **Seta vermelha para baixo** - A pontuação caiu em relação à última varredura
- **Traço cinza** - A pontuação não mudou

O percentual mostra o valor da mudança.

## Dimension Scores

Clique em qualquer card de dimensão para ver as métricas detalhadas.

### Métricas de Completeness

| Métrica | Tipo | O que mostra |
|--------|------|---------------|
| Completeness Rate | Percentual | Campos que têm valores |
| Populated Count | Número | Registros com dados |
| Incomplete Count | Número | Registros com dados ausentes |
| Null Rate | Percentual | Campos que são NULL |
| Blank Rate | Percentual | Vazios ou apenas com espaços em branco |
| Placeholder Rate | Percentual | Valores N/A, TBD, Unknown |

**Exemplo de interpretação:**
- Completeness Rate: 85% significa que 15% dos registros têm valores ausentes
- Um Placeholder Rate alto sugere que os usuários inserem "TBD" em vez de dados reais

### Métricas de Validity

| Métrica | Tipo | O que mostra |
|--------|------|---------------|
| Validity Rate | Percentual | Valores que correspondem ao formato esperado |
| Valid Count | Número | Registros com formato correto |
| Invalid Rate | Percentual | Valores que não correspondem ao formato |
| Invalid Count | Número | Registros com erros de formato |

**Exemplo de interpretação:**
- Um Validity Rate de 78% no campo Email significa que 22% têm problemas de formato
- Problemas comuns: @ ausente, espaços, erros de digitação como ".con"

### Métricas de Uniqueness

| Métrica | Tipo | O que mostra |
|--------|------|---------------|
| Uniqueness Rate | Percentual | Valores distintos vs. total |
| Distinct Count | Número | Quantidade de valores únicos |
| Entropy | Decimal | Diversidade de valores (maior = mais diverso) |
| Max Frequency | Número | Ocorrência do valor mais comum |
| Rarity | Percentual | Como os valores raros estão distribuídos |

**Exemplo de interpretação:**
- Um Uniqueness Rate de 95% significa que 5% são duplicatas
- Uma Entropy baixa sugere que muitos registros compartilham os mesmos valores

### Métricas de Timeliness

| Métrica | Tipo | O que mostra |
|--------|------|---------------|
| Freshness Rate | Percentual | Registros dentro da janela de atualidade |
| Staleness Rate | Percentual | Registros que ultrapassaram a janela de atualidade |
| Average Age | Dias | Idade média dos valores de data |
| Recency Rate | Percentual | Registros atualizados recentemente |
| Future Rate | Percentual | Registros com datas futuras (erros) |
| Overdue Rate | Percentual | Registros que ultrapassaram a atualização esperada |

**Exemplo de interpretação:**
- Um Staleness Rate de 30% significa que 30% dos registros não foram tocados dentro da sua janela de atualidade
- Um Future Rate acima de 0% indica erros de entrada de dados

### Métricas de Consistency

| Métrica | Tipo | O que mostra |
|--------|------|---------------|
| Conformance Rate | Percentual | Valores que correspondem aos padrões esperados |
| Conformance Count | Número | Registros que estão em conformidade |
| Non-Conforming Count | Número | Registros com variações |
| Variant Count | Número | Diferentes variações de valor encontradas |
| Dominant Values | JSON | Principais valores e suas contagens |

**Exemplo de interpretação:**
- Um Variant Count de 15 no campo Country sugere entrada inconsistente (USA vs. United States vs. US)
- Dominant Values mostra quais variações são mais comuns

### Métricas de AI Readiness

**PII Detection:**
| Métrica | O que mostra |
|--------|---------------|
| Records with PII | Contagem absoluta de registros com correspondências de padrão (para dimensionar a remediação) |
| PII Exposure Rate | Percentual de registros contendo PII (para relatórios de conformidade) |

## Detalhes no nível de campo

Clique em uma dimensão para ver o detalhamento por campo.

### Tabela de Field Scores

| Campo | Pontuação | Problemas | Ações |
|-------|-------|--------|---------|
| Email | 92% | 234 inválidos | View Records |
| Phone | 78% | 1.456 inválidos | View Records |
| MailingCity | 95% | 180 ausentes | View Records |

### Lendo os Field Scores

Cada campo mostra:
- **Score** - Desempenho deste campo
- **Issues** - Contagem de registros problemáticos
- **Actions** - Links para detalhamento e exportação

### Identificando campos problemáticos

Ordene os campos por pontuação (do menor primeiro) para encontrar:
- Campos com mais problemas
- Campos que precisam de atenção imediata
- Padrões entre campos relacionados

> **Dica:** Foque primeiro nos campos de alto impacto. Uma melhoria de 10% na validade do Email tem mais valor de negócio do que aperfeiçoar um campo raramente usado.

## Detalhamento até os registros

Clique em **View Records** para ver os dados afetados.

### Visão de lista de registros

O detalhamento mostra os registros com problemas:

| Name | Email | Issue | Created Date |
|------|-------|-------|--------------|
| John Smith | `john.smith@example` | Invalid format | 2026-01-15 |
| Jane Doe | `jane.doe@mail,com` | Invalid format | 2026-01-20 |

### Filtrando a lista de registros

Filtre por:
- Tipo de problema (ausente, inválido, duplicado etc.)
- Intervalo de datas
- Owner
- Valores de campos customizados

### Acesso direto ao registro

Clique em qualquer registro para abri-lo no Salesforce. Faça correções diretamente ou atribua ao membro de equipe apropriado.

## Comparando resultados ao longo do tempo

### Gráficos de tendência

O DQS exibe gráficos de tendência que mostram:
- Overall score ao longo do tempo
- Dimension scores ao longo do tempo
- Field scores ao longo do tempo

Os gráficos ajudam você a:
- Acompanhar o progresso da melhoria
- Identificar áreas em declínio
- Medir o impacto dos esforços de limpeza

### Comparação de varreduras

Compare duas varreduras quaisquer:

1. Clique em **Compare** na aba Results
2. Selecione uma varredura base (mais antiga)
3. Selecione uma varredura de comparação (mais recente)
4. Veja as métricas lado a lado

A comparação destaca:
- Métricas que melhoraram (verde)
- Métricas que pioraram (vermelho)
- Métricas inalteradas (cinza)

### Definindo metas de melhoria

Use dados históricos para definir metas realistas:

| Pontuação atual | Meta realista de 90 dias |
|---------------|------------------------|
| Abaixo de 60% | 70-75% |
| 60-70% | 75-82% |
| 70-80% | 82-88% |
| 80-90% | 90-94% |
| Acima de 90% | Manter ou 95%+ |

## Exportando dados

Você pode exportar resultados para análise offline e fluxos de trabalho de limpeza.

### Exportação em CSV

Opções de exportação:
- **Summary Export** - Apenas pontuações e métricas
- **Affected Records Export** - Lista completa de registros com problemas
- **Field Detail Export** - Detalhamento por campo

### Como exportar

1. Abra os resultados da varredura
2. Clique em **Export** (ícone de download)
3. Escolha o tipo de exportação
4. Selecione o formato (CSV)
5. Baixe o arquivo

### Conteúdo da exportação

**O Affected Records Export inclui:**
- Record ID
- Record Name
- Campo com o problema
- Tipo de problema
- Valor atual
- Ação sugerida

**Exemplo de linha:**
```
0031x00000ABC123,John Smith,Email,INVALID_FORMAT,john.smith@example,Fix email domain
```

### Usando exportações para limpeza

1. Exporte os registros afetados para CSV
2. Abra no Excel ou no Google Sheets
3. Revise e corrija os valores
4. Use o Data Loader para atualizar o Salesforce
5. Rode a varredura novamente para verificar as melhorias

> **Dica:** Crie um fluxo de trabalho de atribuição de limpeza. Exporte os registros, atribua responsáveis com base na Account ou na Region e acompanhe as correções.

## Compartilhando resultados

### Opções de compartilhamento

Compartilhe os resultados com as partes interessadas:

1. **Compartilhamento de link** - Copie a URL para os resultados da varredura
2. **Captura de tela** - Visão do dashboard para apresentações
3. **Exportação** - CSV para análise detalhada
4. **Resumo por e-mail** - Relatórios automatizados

### Criando relatórios para a liderança

Para apresentações executivas, foque em:
- Pontuação geral e tendência
- Melhoria em relação ao período anterior
- As 3 principais áreas problemáticas
- Plano de ação com cronograma

Evite sobrecarregar com detalhes de métricas. Comece pela história.

## Entendendo as mudanças de pontuação

### Por que as pontuações mudam

| Mudança | Causas comuns |
|--------|---------------|
| Pontuação melhorou | Esforços de limpeza, melhor entrada de dados |
| Pontuação caiu | Novos dados com problemas, limiares alterados |
| Grande salto para cima | Limpeza de dados em massa concluída |
| Grande queda | Importação de dados com problemas de qualidade |

### Investigando as mudanças

Quando as pontuações mudam de forma inesperada:

1. Compare as varreduras para identificar quais métricas mudaram
2. Detalhe até o nível de campo
3. Revise as mudanças recentes de dados (importações, integrações)
4. Verifique se a configuração da Definition mudou

## Próximos passos

- [Guia do Definition Builder](/pt/resources/using-dqs/definition-builder/): ajuste os limiares com base nos achados
- [Executando varreduras](/pt/resources/using-dqs/running-scans/): agende varreduras regulares
- [Medindo a qualidade de dados](/pt/resources/best-practices/measuring-data-quality/): construa um scorecard de qualidade