Agentforce-agenter är aldrig mer tillförlitliga än de Salesforce-data som ligger bakom dem. Agentforce-databeredskap handlar i grunden om datakvalitet: fullständiga poster, konsekventa värden och ingen PII i de fält som dina agenter läser. Den här guiden visar steg för steg hur du bedömer och förbereder dina Salesforce-data för AI.
Vad är Agentforce?
Agentforce är Salesforces AI-plattform för att skapa autonoma agenter. Dessa agenter hämtar information från dina Salesforce-poster, genererar svar baserade på dina data och vidtar åtgärder på användarnas vägnar.
Kvaliteten på dina data avgör kvaliteten på agentens beteende. Agenter arbetar med vad de hittar. Om data är ofullständiga, inkonsekventa eller innehåller PII producerar agenten ofullständiga, inkonsekventa eller icke-kompatibla resultat.
Varför datakvalitet är viktigt för Agentforce
Tre dataproblem skapar tre distinkta misslyckanden i Agentforce.
Ofullständiga data ger vaga svar. När Agentforce hämtar en Case-post med en tom Beskrivning har den ingenting att arbeta med. Agenten genererar ett generellt svar eftersom det saknas sammanhang att dra från. Fullständighetsgrad berättar hur många poster som har det här problemet för varje fält i omfång.
Inkonsekvent data ger motsägelsefulla svar. När Land-fältet innehåller “US”, “USA”, “United States” och “U.S.A.” behandlar agenten dem som fyra olika värden. En kund som frågar om US-verksamhet får ett annat svar beroende på vilken post agenten hämtar. Konformansgrad avslöjar hur fragmenterade dina data är.
PII i textfält skapar efterlevnadsexponering. När en agent hämtar en Case-kommentar som innehåller ett personnummer hamnar det PII i AI-sammanhanget. Agenten kan visa det i ett svar. PII Exposure Rate visar hur utbredd denna risk är över dina textfält.
Tidslinjen för Agentforce-databeredskap
Planera din Agentforce-databeredskap i fyra faser.
Fas 1: Bedömning (3+ månader före)
Kör DQS-genomsökningar på alla objekt som Agentforce kommer att komma åt. Mät baslinjemätvärden för varje dimension.
| Dimension | Nyckelmätvärde | Vad det berättar |
|---|---|---|
| Fullständighet | Fullständighetsgrad | Procentandel fält med data |
| Konsekvens | Konformansgrad | Procentandel som matchar förväntade värden |
| Giltighet | Giltighetsgrad | Procentandel som passerar formatregler |
| Aktualitet | Aktualitetsgrad | Procentandel aktuella poster |
| Unikhet | Dupliceringsgrad | Procentandel dubblerade poster |
| PII-identifiering | PII Exposure Rate | Procentandel poster som innehåller PII |
Dokumentera dessa basnivåer. Du behöver dem för jämförelse efter åtgärder.
Fas 2: Åtgärder (2 månader före)
Arbeta igenom dimensioner i prioritetsordning. PII först, sedan dimensionerna som påverkar AI-sammanhangets kvalitet.
1. PII (Vecka 1–2). Åtgärda SSN- och kreditkortsfynd först. Använd den kritiska förvalsinställningsgenomsökningen för att isolera finansiella PII. Granska träffar, sedan maskera, ta bort eller exkludera bekräftade fynd. Kör genomsökningen igen för att validera rensningen.
2. Fullständighet (Vecka 2–4). Fokusera på fält som Agentforce kommer att använda för svar: Beskrivning, Kommentarer, Anteckningar. Saknade data innebär saknat AI-sammanhang. Rikta in dig på fält med lägst Fullständighetsgrad först.
3. Konsekvens (Vecka 3–5). Standardisera picklistor och referensfält. Använd Importera från fält för att identifiera befintliga varianter, definiera sedan dina kanoniska värden och normalisera. Ju färre varianter per fält, desto mer tillförlitliga agentens svar.
4. Giltighet (Vecka 4–6). Åtgärda formatproblem på strukturerade fält (e-post, telefon, datum). Ogiltiga format skapar opålitlig data för AI-hämtning. Fokusera på fält där Giltighetsgraden är under 90 %.
5. Aktualitet och Unikhet (Vecka 5–8). Åtgärda inaktuella poster och dubbletter. Gamla data lär agenter föråldrade mönster. Dubbletter skapar motsägelsefulla svar när agenten hämtar olika versioner av samma post.
Fas 3: Validering (1 månad före)
Kör alla DQS-genomsökningar igen. Jämför resultaten mot Fas 1-basnivåerna.
| Mätvärde | Basnivå | Efter åtgärder | Mål |
|---|---|---|---|
| Fullständighetsgrad (nyckelfält) | __% | __% | 85 %+ |
| Konformansgrad (picklistor) | __% | __% | 90 %+ |
| Giltighetsgrad (strukturerade fält) | __% | __% | 90 %+ |
| PII Exposure Rate | __% | __% | Under 1 % |
Testa agentsvar på åtgärdade data. Verifiera att agenter returnerar noggranna, lämpliga resultat och att inget PII visas i genererat innehåll.
Få godkännande från efterlevnadsteamet innan driftsättning.
Fas 4: Övervakning (löpande)
Schemalägg återkommande DQS-genomsökningar. Datakvaliteten försämras när användare matar in nya poster, så engångsåtgärder räcker inte.
Föreslagen kadence:
| Genomsökning | Frekvens | Objekt |
|---|---|---|
| PII-identifiering | Veckovis | Cases, Leads (textfält med hög volym) |
| Fullständighet + Konsekvens | Månadsvis | Alla objekt i Agentforce-omfång |
| Fullständig genomsökning (alla dimensioner) | Kvartalsvis | Hela organisationen |
Spåra mätvärdestrender över tid. Regelbundna genomsökningar fångar regression tidigt, innan den påverkar agentprestanda.
Checklista inför driftsättning
Datakvalitet
- Alla objekt i Agentforce-omfång genomsökta med DQS
- Fullständighetsgrad över 85 % för fält Agentforce använder
- Konformansgrad över 90 % för picklistor och referensfält
- Giltighetsgrad över 90 % för strukturerade fält (e-post, telefon, datum)
PII-säkerhet
- PII Exposure Rate under 1 % för textfält Agentforce har tillgång till
- Noll SSN- eller kreditkortsträffar i Case Description och Kommentarer
- Per-fält-mönsteråsidosättningar konfigurerade för fält med förväntat innehåll
Drift
- Schema för återkommande genomsökning konfigurerat
- Basnivåmätvärden dokumenterade för trendspårning
- Ägarskap för åtgärder tilldelat per dimension
Vanliga fallgropar
1. Driftsättning utan bedömning. Kör DQS-genomsökningar innan någon driftsättningsplanering. De flesta organisationer hittar problem de inte förväntade sig. En 15-minuters genomsökning avslöjar problem som tar månader att hitta manuellt.
2. Underskattning av PII-exponering. PII gömmer sig i Beskrivning-, Antecknings- och Kommentarsfält där användare klistrar in kundkommunikation. E-post-till-ärende fångar personnummer och kreditkortsnummer från inkommande meddelanden. Sök igenom alla textfält, inte bara dedikerade PII-fält.
3. Engångsåtgärder. Datakvaliteten försämras när användare matar in nya poster. En ren datamängd idag ackumulerar nya problem inom veckor. Schemalägg återkommande genomsökningar och övervaka mätvärdestrender för att fånga regression innan den når dina agenter.
Nästa steg
- PII-identifiering: Konfigurera PII-genomsökning för Agentforce-data
- Fullständighet: Säkerställ att fält har data för AI att arbeta med
- Konsekvens: Standardisera värden som AI kommer att hämta
- De fem dimensionerna: Fullständig översikt av alla datakvalitetsdimensioner
- AI-beredskapsbedömning: Få ditt nuvarande beredskapsspoäng