Skip to main content

Checklista för Agentforce-databeredskap

En praktisk checklista för Agentforce-databeredskap. Bedöm om dina Salesforce-data är redo för AI-agenter gällande fullständighet, konsekvens, PII och mer.

Uppdaterad

Checklista för Agentforce-databeredskap

Agentforce-databeredskap är det tillstånd där dina Salesforce-poster är fullständiga, konsekventa, giltiga, aktuella, deduplicerade och fria från exponerad PII, så att AI-agenter hämtar korrekt sammanhang och genererar pålitliga svar. Dina data är redo för Agentforce när vart och ett av de sex villkoren är mätt och uppfyller en definierad tröskel, inte antaget. Den här checklistan ger dig punkterna att verifiera, skälet till att var och en spelar roll, och det DQS-mätvärde som mäter den.

Agentforce-agenter hämtar Salesforce-poster, genererar svar grundade i CRM-data och vidtar åtgärder på användarnas vägnar. Vart och ett av de stegen läser dina data som sanningskälla. Om ett fält är tomt har agenten inget sammanhang. Om ett värde är stavat på fyra sätt behandlar agenten det som fyra fakta. Om en Case-kommentar innehåller ett personnummer kan agenten visa det. Beredskap innebär att täppa till de luckorna före driftsättning, inte efter att en agent gett ett felaktigt svar i produktion. För hela den fasindelade planen bakom den här listan, se Agentforce-förberedelse.

Hur vet du om dina Salesforce-data är redo för Agentforce?

Du vet det genom att mäta, inte genom att granska poster för hand. Kör en DQS-genomsökning på varje objekt agenten kommer att komma åt, och jämför sedan varje mätvärde mot en måltröskel. Arbeta dig igenom de sex områdena nedan. Varje kryssruta är något du kan verifiera med ett genomsökningsresultat, så att svaret på “är mina data redo” blir en siffra i stället för en åsikt.

Mätsteget är det som de flesta organisationer utelämnar. I Accentures forskning om AI-redo data erkände 61 % av verkställande direktörer att deras datatillgångar ännu inte är redo för AI, och bara 7 % av företagen hade nått den databeredskapsnivå som krävs för att skala avancerad AI. En checklista verifierad mot genomsökningsresultat är hur du förstår vilken sida av gränsen du befinner dig på.

Kopiera checklistan till dina projektanteckningar och bocka av punkterna allt eftersom du bekräftar dem.

Omfång och åtkomst

Definiera vad agenten rör vid innan du mäter någonting. En agent som läser fel objekt misslyckas oavsett hur ren resten av din org är.

  • Lista varje objekt Agentforce kommer att läsa eller skriva. Agenten hämtar bara det som dess ämnen och åtgärder tillåter. Avgränsa dina genomsökningar till exakt den uppsättningen så att du mäter de data agenten faktiskt ser.
  • Lista fälten inom varje objekt agenten använder för svar. Description, Comments, Notes och viktiga picklistor bär sammanhanget. Att söka igenom alla fält slösar arbete; sök igenom de som grundar svaren.
  • Bekräfta att fältnivåsäkerheten matchar intentionen. En agent ärver den körande användarens åtkomst. Ett fält som är dolt för användaren är osynligt för agenten, så ett “saknat” svar är ibland en behörighetslucka, inte en datalucka.
  • Notera vilka integrationer som skriver till de fälten. Integrationer är den vanligaste källan till inkonsekventa och dubblerade värden. Att veta vilka som skriver talar om var du ska åtgärda inflödet, inte bara datan.

Fullständighet

Agenter genererar vaga svar när de fält de läser är tomma. Fullständighet är det första att mäta eftersom saknat sammanhang är den vanligaste orsaken till svaga agentsvar.

  • Fullständighetsgrad är 85 % eller högre på varje fält agenten använder för svar. En tom Description ger agenten ingenting att grunda ett svar på. Fullständighetsgrad rapporterar procentandelen poster där fältet innehåller ett värde.
  • Kritiska sammanhangsfält har inga systemiska tomrum från en enda källa. Ett fält som lämnas tomt av en integration är en processåtgärd, inte en post-för-post-städning. Fullständighetsgrad på fältnivå isolerar källan.
  • Fält som är obligatoriska för verksamheten är ifyllda, även när de inte är obligatoriska i schemat. Agentforce behandlar ett tomt fält som frånvaro av fakta. Se Fullständighet för hur DQS avgränsar “bör vara ifyllt” per objekt.

Konsekvens och giltighet

När samma verkliga värde förekommer i flera former behandlar agenten varje form som distinkt och svarar inkonsekvent. När ett värde bryter sitt förväntade format blir nedströms hämtning opålitlig.

  • Konformansgrad är 90 % eller högre på picklist- och referensfält. Ett Country-fält som innehåller “US”, “USA” och “United States” delar upp ett faktum i tre. Konformansgrad rapporterar procentandelen värden som matchar din kanoniska uppsättning. Använd Importera från fält för att upptäcka befintliga varianter, definiera sedan de kanoniska värdena. Se Konsekvens.
  • Giltighetsgrad är 90 % eller högre på formaterade fält. En e-postadress utan @, ett telefonnummer med bokstäver eller ett omöjligt datum är data som agenten inte kan agera på — den kan inte skicka, ringa eller boka. Giltighetsgrad rapporterar procentandelen värden som passerar dina formatregler. Se Giltighet.
  • Motsägelser mellan fält är lösta. En Billing State som motsäger sitt Billing Country lär agenten en falsk relation. Konsekvenskontroller avslöjar värden som inte stämmer överens med varandra.

Aktualitet och dubbletter

Inaktuella data grundar svar i fakta som inte längre är sanna. Dubblerade poster ger agenten två versioner av en entitet, så svaret beror på vilken kopia den hämtar.

  • Aktualitetsgrad uppfyller ditt mål på datumkänsliga fält. En Last Activity från två år sedan eller en Close Date i det förflutna vilseleder agenten. Aktualitetsgrad rapporterar procentandelen poster som är aktuella inom ditt definierade fönster. Se Aktualitet.
  • Dupliceringsgrad är låg på de objekt agenten läser. När agenten hämtar en av tre poster för samma kund svarar den utifrån partiell historik. Dupliceringsgrad rapporterar procentandelen poster som dubblerar en annan. Se Unikhet.
  • Slå samman eller flagga dubbletter före driftsättning, inte efter. Dubbletter som skapas över formulär, importer och manuell inmatning förökar sig utan övervakning. Lös dem så att agenten läser en post per entitet.

PII och efterlevnad

PII i de textfält en agent läser hamnar i AI-sammanhanget och kan visas i ett genererat svar. Det här är området där en beredskapslucka blir en efterlevnadsincident.

  • PII Exposure Rate är under 1 % på textfält agenten har tillgång till. Personnummer och kreditkortsnummer ackumuleras i Description, Comments och Notes via kopiera-klistra och e-post-till-ärende. PII Exposure Rate rapporterar procentandelen poster som innehåller en mönstermatchning. Se PII-identifiering.
  • Noll personnummer- eller kreditkortsträffar på Case Description och Comments. Finansiell PII är fyndet med högst allvarlighetsgrad. Kör genomsökningen med förvalet Kritisk för att isolera det, och maskera, ta bort eller exkludera sedan bekräftade träffar.
  • Per-fält-mönsteråsidosättningar är konfigurerade för fält med förväntat innehåll. Ett Email-fält matchar e-postmönstret per design, vilket är brus, inte exponering. Per-fält-åsidosättningar tar bort det bruset så att graden speglar verklig risk.
  • Efterlevnadsteamet har godkänt PII-genomsökningen efter åtgärder. GDPR, CCPA, HIPAA och PCI DSS kräver att PII identifieras och skyddas. DQS körs helt och hållet inuti Salesforce, så inga poster lämnar din org under identifieringen. Se Agentforce och PII-efterlevnad.

Drift och övervakning

Datakvaliteten försämras när användare matar in nya poster. En datamängd som godkänns idag ackumulerar nya problem inom veckor, så beredskap är ett tillstånd du upprätthåller, inte en milstolpe du passerar en gång.

  • Baslinjemätvärden är dokumenterade för varje dimension i omfång. Du behöver utgångssiffrorna för att bevisa att åtgärderna fungerade och för att upptäcka regression senare.
  • Ett schema för återkommande genomsökning är konfigurerat. Schemalagda genomsökningar förvandlar en engångsögonblicksbild till en trendlinje. Kör PII veckovis på textobjekt med hög volym, fullständighet och konsekvens månadsvis, och en fullständig genomsökning kvartalsvis.
  • Ägarskap för åtgärder är tilldelat per dimension. Ett mätvärde utan ägare förbättras inte. Utse den person som ansvarar för fullständighet, för PII, och så vidare.
  • Agentsvar testas mot åtgärdade data. En godkänd genomsökning förutsäger gott beteende; ett test bekräftar det. Verifiera att resultaten är korrekta och att ingen PII visas i genererat innehåll.

Beredskapströsklar i korthet

Använd den här tabellen som godkännandekriterier för varje område. Målen matchar planen i Agentforce-förberedelse.

Checklisteområde DQS-mätvärde Måltröskel
Fullständighet Fullständighetsgrad (nyckelfält) 85 % eller högre
Konsekvens Konformansgrad (picklistor, referenser) 90 % eller högre
Giltighet Giltighetsgrad (formaterade fält) 90 % eller högre
Aktualitet Aktualitetsgrad (datumkänsliga fält) Uppfyller ditt definierade fönster
Unikhet Dupliceringsgrad (objekt agenten läser) Låg och med fallande trend
PII och efterlevnad PII Exposure Rate (textfält agenten läser) Under 1 %

Vad gör jag om min org underkänns på flera punkter?

En underkänd checklista är den förväntade utgångspunkten, inte ett skäl att skjuta upp. De flesta orgar upptäcker problem de inte förväntade sig vid första genomsökningen. Prioritera i den här ordningen: PII först, eftersom det medför efterlevnadsrisk; sedan fullständighet och konsekvens, eftersom de formar kvaliteten på agentens sammanhang; sedan giltighet, aktualitet och unikhet. Åtgärda de punkter med störst påverkan och lägst insats först, kör genomsökningen igen och jämför mot din baslinje. För en väg med steg-för-steg-åtgärder, se Salesforce-datastädning för Agentforce och Varför Agentforce-agenter misslyckas.

Nästa steg