# Fullständighet

> Alla 10 fullständighetsmätvärden som DQS mäter, den diagnostiska tratten för att hitta saknade data och hur man konfigurerar fullständighetsanalys.

Source: https://dataqualitysense.com/sv/resources/data-quality/completeness/
Last updated: 2026-04-16

---

## Vad är fullständighet?

Fullständighet mäter om dina data faktiskt finns där. Ett fält är fullständigt när det innehåller meningsfull data. Ett fält är ofullständigt när det är null, tomt eller fyllt med en platshållare som "N/A" eller "TBD."

Fullständighet är den mest grundläggande datakvalitetsdimensionen. Utan data har du ingenting att validera, deduplicera eller analysera.

```
Fullständighetsgrad = (Poster med data / Totalt antal poster) x 100
```

Om 850 av 1 000 Contact-poster har ett e-postvärde är din e-postfullständighetsgrad 85 %. Detta mätvärde (ibland kallat fyllnadsgrad) är rubriktalet för vilket fält som helst.

## Varför fullständighet är viktigt

### Rapportering

Ofullständiga data snedvrider din analys. När 40 % av Account-posterna saknar ett branschvärde visar varje rapport grupperad efter bransch bara en del av sanningen. Instrumentpaneler blir otillförlitliga. Beslut på ledningsnivå vilar på en bråkdel av bilden.

### Automatisering

Salesforce-automatisering är beroende av fältvärden. Ett arbetsflöde som skickar e-post misslyckas när e-post är tomt. En process som uppdaterar Account Owner misslyckas när sökning är null. Varje saknat värde är ett potentiellt automatiseringsmisslyckande.

### AI och Agentforce

AI-modeller lär sig från dina data. När fält är tomma har modellen ingenting att lära sig av. Agentforce använder dina Salesforce-data för att generera svar och vidta åtgärder. Saknade data innebär ofullständigt sammanhang och mindre användbara AI-resultat.

| System | Fullständighetspåverkan |
|--------|-------------------------|
| Rapporter | Partiella data producerar snedvridna mätvärden |
| Arbetsflöden | Saknade värden orsakar processmisslyckanden |
| Dubblettregler | Ofullständiga poster är svårare att matcha |
| Agentforce | Luckor i sammanhanget minskar AI-noggrannheten |

## Hur DQS mäter fullständighet

DQS producerar 10 fullständighetsmätvärden organiserade kring en diagnostisk fråga: **"Var saknas data, varför, och är den data som finns faktiskt användbar?"**

Tänk på dessa mätvärden som en diagnostisk tratt. Varje steg bygger på det föregående.

### Steg 1: Hur fullständigt är det?

**Fullständighetsgrad** är rubriktalet. Det beräknar procentandelen poster där fältet innehåller ett icke-tomt, icke-null-värde. Det är det tal du lägger på en instrumentpanel.

Du kör en genomsökning på Account-objektet. Fältet `Industry` visar en fullständighetsgrad på 62 %. Det innebär att 38 % av dina Accounts saknar ett branschvärde, vilket innebär att dina segmenteringsrapporter, territoriregler och marknadsföringskampanjer som filtrerar efter bransch alla arbetar med ofullständiga data.

Varje annat fullständighetsmätvärde finns för att förklara *varför* detta tal inte är 100 %.

### Steg 2: Vad är skalan?

Grader berättar om allvarlighetsgrad. Antal berättar om arbetsbelastning. **Antal ifyllda** svarar på skalfrågan: hur många poster som faktiskt har ett värde. Använd det för täckningsrapportering och för att dimensionera luckan mot ditt totala antal poster — skillnaden mellan ditt totala antal och Antal ifyllda är rensningseftersläpningen.

**Exempel:** Din dataförvaltare behöver bygga en rensningskampanj. Med 50 000 Contacts och ett Antal ifyllda på 35 800 för `Phone` vet hon att 14 200 poster behöver berikas, kan uppskatta kostnaden med en dataleverantör och kan sätta en realistisk tidsplan.

### Steg 3: Varför är det ofullständigt?

Tre mätvärden bryter ner *orsaken* till ofullständighet. Var och en pekar på ett annat rotproblem.

**Antal null och Nullgrad** mäter poster där fältet har ett verkligt databas-null, vilket innebär att fältet aldrig fylldes i. I Salesforce är null och tom sträng olika tillstånd. Ett fält som aldrig berörts är null. Ett fält som uttryckligen rensats är en tom sträng. Denna distinktion berättar om data aldrig fångades eller avsiktligt togs bort.

**Exempel:** Efter en datamigration visar fältet `Fax` för Accounts 45 % nullgrad. Faxdata migrerades aldrig från det äldre systemet (null = har aldrig funnits) snarare än att ha fångats och senare rensats. En hög nullgrad pekar dig mot källsystemet, inte mot användarbeteende.

**Antal platshållare och Platshållargrad** mäter poster som innehåller kända platshållarvärden som "N/A", "TBD", "Unknown" eller anpassade värden du definierar. Dessa värden *ser ut* som data men innehåller ingen verklig information.

**Exempel:** Dina globala Account-data visar 94 % fullständighetsgrad för `Industry`. Ser bra ut på papperet. Men Platshållargrad avslöjar att 18 % av dessa "ifyllda" värden faktiskt är "N/A", "Other" eller "Unknown." Den verkliga fullständigheten är närmre 76 %. Det är detta mätvärde som förvandlar en grön instrumentpanel till röd.

### Steg 4: Är den "fullständiga" datan användbar?

De tre första stegen identifierar vad som saknas. Steg 4 ställer en svårare fråga: är den data som *finns* faktiskt värd att ha?

**Antal ofullständiga** är det bredaste måttet på saknade data. Det kombinerar alla former av ofullständighet: nollor, tomma strängar *och* platshållarvärden. När platshållaridentifiering är aktiv är Antal ofullständiga alltid större än eller lika med enbart Antal null, eftersom det även fångar poster med bara blanksteg och platshållarposter.

**Exempel:** Ditt fält `Description` för Opportunities visar ett Antal null på 500 men ett Antal ofullständiga på 1 800. Skillnaden? 1 300 poster har beskrivningar som "TBD", "N/A" eller "---". Dessa poster är tekniskt ifyllda men praktiskt taget värdelösa. Utan detta mätvärde skulle du tro att du bara har 500 poster att åtgärda istället för 1 800.

**Rik textkvot** mäter procentandelen textfältsposter som innehåller väsentligt innehåll över ett teckentröskel. Det separerar fält med meningsfull prosa från fält med ett par ord. Ett `Description`-fält är "ifyllt" oavsett om det innehåller "Bra kund" eller en tre stycken lång kontoplan. För AI-beredskap är djupet av innehållet lika viktigt som dess närvaro.

**Exempel:** Ditt företag utvärderar ett AI-verktyg som sammanfattar Case-beskrivningar. Du söker igenom fältet `Description` för Cases: 88 % fullständighetsgrad, men bara 31 % Rik textkvot. Bara 31 % av ärendebeskrivningarna har tillräcklig substans för att AI:n ska kunna arbeta med dem. Resten är poster som "ring tillbaka", "se e-post" eller "problem rapporterat." AI-projektet behöver en databerikningsfas innan det kan leverera värde.

**Textfältsutnyttjande** mäter hur stor del av ett textfälts tillgängliga teckenskapacitet som används. En lång textyta med 32 000 teckens kapacitet där det genomsnittliga bidraget är 45 tecken har mycket lågt utnyttjande.

**Genomsnittligt utnyttjande** ger dig medelvärdet av fältlängdsutnyttjandet över alla poster. Tillsammans med Textfältsutnyttjande målar det en fullständig bild av om dina textfält är rätt dimensionerade.

**Exempel:** Under en organisationsbedömning avslöjar Textfältsutnyttjande att `Notes__c` (en lång textyta, 131 072 tecken) i genomsnitt utnyttjas 3,2 %, med de flesta bidrag under 200 tecken. Samtidigt visar `Short_Description__c` (Text, 255 tecken) 94 % utnyttjande med frekventa trunkeringsproblem. Schemat behöver storleksanpassning: den långa textytan är överdimensionerad och textfältet är för litet.

> **Obs:** Textfältsutnyttjande och Genomsnittligt utnyttjande gäller bara för String- och TextArea-fält, eftersom dessa är de fälttyper med en definierad teckenskapacitet att mäta mot.

### Varför grader och antal kommer i par

De flesta mätvärden kommer som en grad (procentandel) och ett antal (absolut tal). Det är avsiktligt:

- **Grader** är för instrumentpaneler, rapportering till ledningen och trendspårning. "Fullständigheten förbättrades från 72 % till 89 % under kvartalet."
- **Antal** är för projektplanering, arbetsbelastningsuppskattning och rensningsplanering. "Vi har 14 200 poster att åtgärda."

Använd grader för att kommunicera framsteg. Använd antal för att planera arbete.

## Mätvärdesreferens

### Grundläggande mätvärden

Dessa 5 mätvärden utgör grunden för varje fullständighetsanalys. De fungerar på nästan alla fälttyper.

| Mätvärde | Typ | Gäller för |
|----------|-----|-----------|
| Fullständighetsgrad | Procentandel | Alla fälttyper |
| Antal ifyllda | Antal | Alla fälttyper |
| Antal ofullständiga | Antal | Alla fälttyper |
| Nullgrad | Procentandel | Alla fälttyper |
| Antal null | Antal | Alla fälttyper |

### Kontextuella mätvärden

Dessa 5 mätvärden går bortom "finns det?" till att fråga "är det meningsfullt?" De kräver analysläget Kontextuell fullständighet.

| Mätvärde | Typ | Gäller för |
|----------|-----|-----------|
| Platshållargrad | Procentandel | Endast textfält |
| Antal platshållare | Antal | Endast textfält |
| Rik textkvot | Procentandel | Endast textfält |
| Textfältsutnyttjande | Procentandel | Endast String och TextArea |
| Genomsnittligt utnyttjande | Procentandel | Endast String och TextArea |

### Fälttypstäckning

DQS stöder fullständighetskontroller på alla Salesforce-standardfälttyper:

| Täckningsgrupp | Fälttyper | Tillgängliga mätvärden |
|---------------|-----------|----------------------|
| Alla typer (20) | String, TextArea, LongTextArea, Html, EncryptedText, Picklist, Multipicklist, Email, Phone, URL, Reference (Lookup), Date, DateTime, Double, Integer, Currency, Percent, Boolean, Combobox, Id | Fullständighetsgrad, Antal ifyllda/ofullständiga, Nullgrad/antal |
| Textfält (8) | Text, TextArea, LongTextArea, Html, EncryptedText, Email, Phone, URL | Ovan + Platshållargrad/antal, Rik textkvot |
| String och TextArea (2) | String, TextArea | Ovan + Textfältsutnyttjande, Genomsnittligt utnyttjande |

## Två analyslägen

DQS erbjuder två fullständighetsanalyslägen:

**Grundläggande fullständighet** svarar på frågan: "Är fält ifyllda?" Det producerar de 5 grundläggande mätvärdena och täcker det väsentliga som varje organisation behöver för en datahygienekontroll eller snabb revision.

**Kontextuell fullständighet** går djupare. Det producerar alla 10 mätvärden, inklusive platshållaridentifiering, rik textanalys och fältanvändning. Använd det här läget när du behöver skilja mellan data som är *närvarande* och data som är *användbar*.

| Affärsbehov | Rekommenderat läge |
|-------------|-------------------|
| Snabb hygienekontroll eller baslinjerevision | Grundläggande fullständighet |
| Bedömning av datamigration | Kontextuell (platshållaridentifiering fångar falsk data från äldre system) |
| AI-beredskapsutvärdering | Kontextuell (Rik textkvot och utnyttjandemätvärden bedömer innehållsdjup) |
| Löpande datastyrning | Börja med grundläggande, flytta till kontextuell när du är redo för djupare analys |

## Konfigurera fullständighet

DQS tillhandahåller fyra konfigurationsindata för fullständighet. Varje kan ställas in på global nivå (gäller alla fält) och åsidosättas på individuell fältnivå.

| Inställning | Vad den styr |
|-------------|-------------|
| **Blankt som ofullständigt** | När aktiverad behandlar DQS tomma strängar och värden med bara blanksteg som ofullständiga. Standard: aktiverad. |
| **Platshållare som ofullständiga** | När aktiverad behandlar DQS platshållarvärden (som "N/A" eller "TBD") som ofullständiga. Standard: inaktiverad. |
| **Platshållarvärden** | Listan med strängar som DQS behandlar som platshållare. Du definierar dessa baserat på organisationens datainmatningsmönster (t.ex. `N/A, TBD, Unknown, --, 000-000-0000`). |
| **Skiftlägeskänsliga platshållare** | Styr om platshållarmatchning är skiftlägeskänslig. När aktiverad behandlas "tbd" och "TBD" som olika värden. Standard: skiftlägeskänslig. |

> **Tips:** Börja med de vanliga platshållarna ("N/A", "TBD", "Unknown", "--") och lägg till organisationsspecifika värden när du hittar dem i genomsökningsresultaten.

## Vanliga fullständighetsproblem

### Valfria fält fylls aldrig i

När fält är valfria hoppar användare över dem. Med tiden har värdefulla fält som Företagsbeskrivning eller LinkedIn URL nästan noll fullständighetsgrad.

**Åtgärd:** Gör kritiska fält obligatoriska, eller skapa prompter under posteditering.

### Massimporter med luckor

Datamigrationer och listimporter saknar ofta värden för vissa fält. En köpt kontaktlista saknar Account-association. En export från ett äldre system saknar standardiserade branschvärden.

**Åtgärd:** Granska importer innan laddning. Använd DQS för att fastställa basnivåer och spåra förbättringar efter varje import.

### Platshållarmissbruk

Användare anger "N/A" eller "TBD" för att klara valideringsregler. Fältet verkar fullständigt men innehåller inga användbara data. Standardrapporter räknar dessa som ifyllda.

**Åtgärd:** Aktivera platshållaridentifiering och definiera din lista med platshållarvärden. Granska och uppdatera platshållarvärden under regelbundet dataunderhåll.

### Blanksteg

Vissa integrationer eller manuell inmatning lämnar fält med bara blanksteg. Salesforce räknar dessa som "ifyllda" men de innehåller ingenting användbart.

**Åtgärd:** Aktivera blank-identifiering för att fånga upp värden med bara blanksteg.

## Bästa praxis

### Prioritera efter affärspåverkan

Inte varje fält behöver hög fullständighet. Fokusera på fält som driver automatisering, visas i ledningsinstrumentpaneler, matar AI och Agentforce, eller stöder efterlevnadskrav.

### Spåra trender över tid

Ett enskilt fullständighetspoäng är en ögonblicksbild. Spåra poäng över flera genomsökningar för att tidigt upptäcka försämring, mäta förbättringsinitiativ och identifiera problemdatakällor.

### Åtgärda rotorsaker

Låg fullständighet signalerar ett processprogram. Undersök om användare hoppar över fält, importer saknar data, eller integrationer misslyckas i tysthet. Åtgärda källan, inte bara symptomet.

### Använd den diagnostiska tratten

Stanna inte vid Fullständighetsgrad. Gå igenom tratten: kontrollera skalan (Antal ifyllda), identifiera orsaken (Null kontra Platshållare), och utvärdera sedan innehållskvaliteten (Rik textkvot, Utnyttjande). Varje steg avslöjar en annan typ av problem med en annan lösning.

## Nästa steg

Du förstår nu hur man mäter och förbättrar fullständighet. Fortsätt lära dig om nästa dimension:

- **Nästa:** [Giltighet](/sv/resources/data-quality/validity/) – Säkerställ att dina data stämmer med förväntade format
- **Relaterat:** [De fem dimensionerna](/sv/resources/data-quality/five-dimensions/) – Översikt av alla dimensioner
- **Åtgärd:** [AI-beredskapsbedömning](/sv/ai-readiness/) – Se dina nuvarande fullständighetspoäng