Konsekvens

Vad är konsekvens?

Konsekvens mäter om dina datavärden överensstämmer med en överenskommen standard. Ett fält är konsekvent när varje post använder samma term för samma begrepp. Ett fält är inkonsekvent när variationer finns som betyder samma sak men uttrycks på olika sätt.

“USA”, “United States” och “US” syftar alla på samma land. För Salesforce är de tre distinkta värden. En rapport grupperad efter Land visar tre rader istället för en. En automatisering som filtrerar för “USA” missar 230 poster som innehåller “United States.”

Konformansgrad = (Konforma poster / Totalt antal poster) x 100

Om 850 av 1 000 Account-poster har ett Land-värde som matchar din lista med tillåtna värden är din Land-konformansgrad 85 %. De återstående 15 % innehåller variationer som behöver standardiseras.

Varför konsekvens är viktigt

Rapportering

Inkonsekvent data fragmenterar dina rapporter. När ditt Land-fält innehåller fem olika stavningar av samma land visar en rapport grupperad efter Land fem rader istället för en. Det totala antalet är korrekt men grupperingen är fel. Ledningsinstrumentpaneler byggda på dessa rapporter berättar en vilseledande historia.

Automatisering

Salesforce-automatisering är beroende av exakta värdematchningar. Ett arbetsflöde som filtrerar för Land = "USA" missar poster med “United States” och “US.” Automatiseringen körs korrekt på matchande poster men hoppar tyst över allt annat.

AI och Agentforce

AI-modeller behandlar varje variation som ett separat begrepp. “USA” och “United States” blir två olika länder i modellens syn. Agentforce genererar svar med dina fältvärden. Inkonsekvent värden producerar inkonsekvent AI-resultat.

Hur DQS mäter konsekvens

DQS producerar 6 konsekvensmätvärden organiserade kring en diagnostisk fråga: “Stämmer dina fältvärden överens med en standard, och om inte, vad gör de istället?”

Tänk på dessa mätvärden som ett diagnostiskt flöde. Varje steg avslöjar ett annat lager av problemet.

Steg 1: Hur konsekvent är det?

Konformansgrad är rubriktalet. Det beräknar procentandelen poster där fältvärdet matchar ett av dina definierade tillåtna värden. Det är det tal du lägger på en instrumentpanel.

Du kör en genomsökning på Account-objektet. Fältet Country visar en Konformansgrad på 72 %. Det innebär att 28 % av dina Accounts innehåller land-värden utanför din tillåtna lista. Dina territorietilldelningsregler, regionala instrumentpaneler och lokaliseringslogik arbetar alla på ofullständiga data.

Varje annat konsekvensmätvärde finns för att förklara hur de icke-konforma 28 % ser ut.

Steg 2: Vad är skalan?

Grader berättar om allvarlighetsgrad. Antal berättar om arbetsbelastning. Två mätvärden svarar på skalfrågan:

Dessa två tal summerar alltid till totalt antal poster. Om ditt Konformansantal är 720 och Antal icke-konforma är 280 har du exakt 1 000 utvärderade poster.

Exempel: Din dataförvaltare behöver rensa upp fältet Industry. Antal icke-konforma är 3 400. Hon vet nu projektets omfång, kan tilldela resurser och kan sätta en realistisk tidsplan för standardisering.

Steg 3: Hur fragmenterade är data?

Variantantal mäter antalet distinkta värden i ett fält över alla poster. Det svarar på: “På hur många olika sätt uttrycker folk dessa data?”

Det här mätvärdet fungerar som en hälsoindikator för schema. Ett Land-fält med 5 distinkta värden är sannolikt välkontrollerat. Ett Land-fält med 47 distinkta värden signalerar allvarlig fragmentering, redan innan du kontrollerar konformans.

Exempel: Under en organisationsrevision söker du igenom Lead_Source__c för Leads. Variantantal returnerar 34. Ditt marknadsföringsteam definierade 8 lead-källor. De återstående 26 varianterna är stavfel, förkortningar och ad hoc-poster från integrationer. Picklistan är tekniskt genomdriven i UI:t, men API-skapade poster kringgår den.

Steg 4: Vad är de faktiska värdena?

Dominerande värden returnerar de N mest frekventa värdena i fältet, tillsammans med varje värdes frekvensantal. Det berättar hur dina data faktiskt ser ut, inte vad du förväntar dig att de ska se ut som.

Den här tabellen avslöjar tre saker. Först den de facto-standard: “United States” med 45 % är vad de flesta användare anger. Andra, de vanliga variationerna: “USA” och “US” utgör ytterligare 41 %. Tredje, den långa svansen: “U.S.A.” och “United States of America” är sällsynta men förekommer.

Exempel: Ditt team diskuterar om man ska standardisera Land-värden till ISO-koder (“US”) eller fullständiga namn (“United States”). Dominerande värden visar att 45 % av posterna redan använder “United States.” Att standardisera till det värdet kräver att 55 % av posterna ändras. Att standardisera till “US” kräver att 82 % ändras. Data berättar den billigaste vägen.

Varför grader och antal kommer i par

Konformansmätvärden kommer som en grad (Konformansgrad) och dess negativa (Icke-konformansgrad), plus absoluta antal för båda sidor. Det är avsiktligt:

• Grader är för instrumentpaneler, rapportering till ledningen och trendspårning. “Konformansen förbättrades från 72 % till 94 % under kvartalet.”
• Antal är för projektplanering, arbetsbelastningsuppskattning och rensningsplanering. “Vi har 3 400 icke-konforma poster att åtgärda.”

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

Mätvärdesreferens

Grundläggande mätvärden

Dessa 2 mätvärden utgör grunden för varje konsekvensanalys. De berättar om konformansgraden och antalet poster som matchar.

Avancerade mätvärden

Dessa 4 mätvärden går bortom “matchar det?” för att fråga “hur ser de icke-matchande data ut?” De kräver analysläget Avancerad konformansanalys.

Fälttypstäckning

DQS stöder konsekvensskontroller på följande Salesforce-fälttyper:

Två analyslägen

DQS erbjuder två konsekvensanalyslägen:

Konformanskontroll svarar på frågan: “Matchar fältvärden min tillåtna lista?” Det producerar de 2 grundläggande mätvärdena och täcker det väsentliga för en snabb konformansrevision.

Avancerad konformansanalys går djupare. Det producerar alla 6 mätvärden, inklusive antal icke-konforma, variantidentifiering och dominerande värdesfördelning. Använd det här läget när du behöver förstå hela bilden av värdefragmentering, inte bara konformanspoänget.

Konfigurera konsekvens

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

Tips: Börja med att använda Importera från fält för att se vilka värden som faktiskt finns i dina data innan du definierar din lista med tillåtna värden.

Importera från fält: Konfiguration med discovery först

En vanlig utmaning med konsekvens är att veta vilka värden man ska förvänta sig. Du kan inte definiera tillåtna värden om du inte vet vad dina data innehåller.

Importera från fält löser detta. Det frågar de faktiska fältdata, grupperar värden efter frekvens och visar resultaten som en checklista.

Hur det fungerar:

1. Öppna konfigurationen för Förväntade värden.
2. Klicka på Importera från fält. DQS frågar livedata och returnerar distinkta värden sorterade efter frekvens.
3. Granska checklistan. Varje värde visar hur många poster som innehåller det.
4. Kontrollera de värden du anser vara korrekta. Lämna felaktiga, felformaterade eller platshållarvärden okontrollerade.
5. Klicka på Lägg till valda. De kontrollerade värdena fyller din lista med tillåtna värden.

Exempel: Du konfigurerar konsekvens för ett Rating__c-fält. Importera från fält returnerar:

De tre första värdena är dina riktiga betyg. Du kontrollerar dessa. “Very High” är ett datainmatningsfel. “240 km/h” är tydligt fel-fält-data. “N/A” är en platshållare. Du lämnar dessa okontrollerade. När genomsökningen körs visas dessa 43 poster som icke-konforma, och din lista med tillåtna värden byggs från vad dina data faktiskt innehåller.

Det här arbetsflödet inverterar det traditionella “gissa först, åtgärda senare”-tillvägagångssättet. Du identifierar först, sedan definierar du din standard.

Vanliga konsekvensproblem

Land- och delstatsvariationer

Det vanligaste inkonsekvensproblemet i Salesforce-data. Utan standardisering visas ett enda begrepp som “United States” som 5 eller fler distinkta värden. Rapporter fragmenteras. Filter missar poster. Territoriregler misslyckas.

Åtgärd: Aktivera Salesforce State and Country Picklists för alla adressfält. Använd DQS för att hitta och rensa befintliga icke-konforma värden.

Fritext-fält utan styrning

Textfält som saknar picklistabegränsningar ackumulerar variationer med tiden. Bransch-, jobbtitel-, lead-källa- och avdelningsfält är frekventa förövare när de implementeras som fritext.

Åtgärd: Konvertera högt värderade fritext-fält till picklistor. Använd Importera från fält för att se din nuvarande värdesfördelning innan du definierar picklistaalternativen.

Integrationsskapade variationer

Externa system och API:er skriver poster som kringgår Salesforce UI-validering. En marknadsföringsautomationsplattform skriver “Info Technology” medan din standard är “Information Technology.” Dessa variationer ackumuleras tyst.

Åtgärd: Tillämpa värdes­mappningsregler i ditt integrationslager. Kör periodiska konsekvensgenomsökningar för att fånga nya variationer från datakällor du inte kontrollerar.

Skiftlägesinkonsekvenser

Användare anger “Active”, “active” och “ACTIVE” över olika poster. Med skiftlägeskänslig matchning inaktiverad räknar DQS alla tre som konforma. Men fältet innehåller fortfarande tre olika stavningar i rådata.

Åtgärd: Bestäm om skiftläge spelar roll för ditt användningsfall. För visningsorienterade fält, standardisera skiftläge genom datarensning. För matchningssyften, inaktivera skiftlägeskänslighet i din DQS-konfiguration.

Bästa praxis

Definiera standarder innan genomsökning

Dokumentera det förväntade värdet för varje begränsat fält innan du kör din första genomsökning. Utan en tydlig standard har du ingen basnivå att mäta mot.

Använd discovery-arbetsflödet för okända fält

För fält där du inte har en fördefinierad standard, använd Importera från fält först. Låt data berätta vad den de facto-standarden är. Värdet med högst frekvens är ofta rätt val som ditt kanoniska värde.

Spåra konformans över tid

Ett enda konformanspoäng är en ögonblicksbild. Spåra poäng över flera genomsökningar för att tidigt identifiera försämring, mäta rensningsframsteg och identifiera datakällor som introducerar nya variationer.

Använd Variantantal som tidig varning

Övervaka Variantantal över genomsökningar. Ett fält som hoppar från 12 till 28 distinkta värden mellan genomsökningar har en ny källa till variation. Undersök innan problemet skalas.

Prioritera efter affärspåverkan

Inte varje fält behöver 100 % konformans. Fokusera på fält som driver rapportering (Land, Bransch), matar automatisering (Status, Stadium), eller levererar data till AI och Agentforce.

Nästa steg

Du har nu slutfört alla fem datakvalitetsdimensioner. Fortsätt ditt lärande:

• Nästa: Agentforce-förberedelse – Lär dig om AI-specifika datakrav
• Föregående: Aktualitet – Mät aktualitet och datumfärskhet
• Översikt: De fem dimensionerna – Granska alla dimensioner tillsammans
• Åtgärd: AI-beredskapsbedömning – Se dina konsekvenspoäng och mer