Vad en datakvalitetspoäng är
En datakvalitetspoäng är ett enda tal som sammanfattar hur väl dina data är lämpade för sitt avsedda syfte. Istället för att fråga “är våra data bra?” och få ett vagt svar, omvandlar en poäng frågan till en enda siffra — vanligtvis en procentandel från 0 till 100 — som du kan följa, jämföra och agera på.
Poängen kallas ibland för en datatillförlitlighetspoäng. Båda namnen beskriver samma sak: ett sammansatt mått som rullar ihop flera underliggande kvalitetskontroller till en enda rubriksiffra.
En poäng i sig är inte målet. Dess värde ligger i vad den låter dig göra: fastställa en basnivå, hålla utkik efter försämring och bevisa att förbättringsarbetet ger resultat.
Varför spelar ett enda tal roll?
Konsekvenserna är inte abstrakta: enligt Gartner kostar dålig datakvalitet organisationer i genomsnitt 12,9 miljoner dollar per år (Gartner, 2020). En enda poäng förvandlar den dolda kostnaden till ett tal som du kan följa — och minska.
Råa kvalitetskontroller producerar dussintals separata signaler — fyllnadsgrader, antal dubbletter, formatfel, inaktuella poster. På egen hand är de svåra att kommunicera och lätta att ignorera. En enda poäng löser tre problem på en gång:
| Problem | Hur en poäng löser det |
|---|---|
| Inget gemensamt språk | Ett tal som alla förstår, från analytiker till chefer |
| Inget sätt att följa framsteg | En trendlinje som visar om kvaliteten förbättras eller försämras |
| Inget sätt att prioritera | En uppdelning som pekar ut den svagaste dimensionen eller fältet |
Poängen är rubriken. Uppdelningen bakom den är vad du agerar på.
Hur beräknas en datakvalitetspoäng?
En datakvalitetspoäng är ett viktat genomsnitt av enskilda kvalitetsdimensioner. Beräkningen sker i tre steg.
Steg 1: Mät varje dimension
Varje dimension mäts som en godkännandegrad — andelen poster eller värden som uppfyller en definierad regel.
| Dimension | Vad den mäter | Exempelregel |
|---|---|---|
| Fullständighet | Obligatoriska data finns | Obligatoriska fält är ifyllda |
| Giltighet | Data överensstämmer med ett format | E-postadresser matchar ett giltigt mönster |
| Unikhet | Inga dubblerade poster | En post per kund |
| Aktualitet | Data är aktuella | Poster uppdaterade inom 90 dagar |
| Konsekvens | Värden är enhetliga | Land lagras som “USA”, aldrig “US” |
För en djupare titt på var och en, se De fem dimensionerna.
Steg 2: Tillämpa vikter
Inte alla dimensioner är lika viktiga. En vikt återspeglar hur viktig en dimension är för verksamheten, och vikterna summerar till 100 %.
| Dimension | Godkännandegrad | Vikt | Bidrag |
|---|---|---|---|
| Fullständighet | 92 % | 30 % | 27,6 |
| Giltighet | 88 % | 25 % | 22,0 |
| Unikhet | 99 % | 20 % | 19,8 |
| Aktualitet | 75 % | 15 % | 11,3 |
| Konsekvens | 90 % | 10 % | 9,0 |
| Totalt | 100 % | 89,7 |
Steg 3: Kombinera till en poäng
Bidragen summeras till den slutliga siffran. I exemplet ovan är datakvalitetspoängen 89,7 av 100.
Den allmänna formeln är:
Datakvalitetspoäng = Σ (Dimensionens godkännandegrad × Dimensionens vikt)
Eftersom poängen är viktad kan två organisationer med samma rådata rapportera olika poäng om de viktar dimensionerna olika — och det är avsiktligt. Vikterna kodar vad “bra” betyder för din verksamhet.
Mätningsnivåer
En enda organisationsövergripande poäng är användbar för rapportering, men det verkliga arbetet sker när du kan bryta ner den.
| Nivå | Frågan den besvarar | Användning |
|---|---|---|
| Organisation / dataset | Hur hälsosamma är våra data överlag? | Chefsrapportering, trendspårning |
| Objekt / tabell | Vilken entitet drar ner poängen? | Prioritering av åtgärder |
| Fält | Exakt vilken kolumn är problemet? | Riktade åtgärder och valideringsregler |
En poäng på 89,7 kan dölja ett enskilt fält med 40 % fullständighet. Uppdelningar på fältnivå förvandlar ett vagt tal till en specifik att-göra-lista.
Vad räknas som en bra poäng?
En bra poäng handlar i slutändan om förtroende — och förtroende är nu flaskhalsen för AI. I Salesforces rapport State of Data and Analytics 2025 uppgav nästan nio av tio dataledare att felaktiga AI-resultat berodde på bristfälliga data, och endast 57 % var helt säkra på sina egna data (Salesforce, 2025).
Det finns ingen universell gräns för godkänt. Rätt mål beror på vad data används till — samma princip om “ändamålsenlighet” som ligger till grund för datakvalitet generellt.
| Poängintervall | Tolkning | Typisk användning |
|---|---|---|
| 95–100 % | Pålitliga | Kundvända och reglerade data |
| 85–94 % | Tillförlitliga | Allmänna driftsdata |
| 70–84 % | Behöver uppmärksamhet | Interna eller sekundära data |
| Under 70 % | Inte pålitliga | Åtgärda innan du förlitar dig på dem |
Sätt tröskelvärdet utifrån kostnaden av att ha fel. Ett fält som matar fakturering eller efterlevnad behöver en högre ribba än ett som används för enstaka interna uppslagningar.
Hur spårar du poängen över tid?
En poäng som mäts en gång är en ögonblicksbild. Mätt upprepade gånger blir den en trend — och trenden är där värdet finns.
- Punktvisa poäng besvarar “var står vi idag?”
- Kontinuerliga poäng besvarar “blir vi bättre eller sämre?”
CRM- och driftsdata försämras kontinuerligt genom manuell inmatning, integrationer och tidens gång, så en poäng som såg hälsosam ut förra kvartalet kan tyst glida iväg. Schemalagd ommätning fångar upp försämring tidigt, innan den når en rapport eller en AI-modell.
Hur fungerar en datakvalitetspoäng i Salesforce?
I AI-eran har detta blivit brådskande: 84 % av dataledarna säger att deras datastrategi behöver göras om helt innan deras AI-initiativ kan lyckas (Salesforce, 2025). En kontinuerligt mätt poäng är så du sluter det gapet.
Inuti Salesforce gäller samma modell: dimensioner mäts över objekt som Konton, Kontakter och Leads, viktas och rullas ihop till en enda poäng som du kan övervaka på en instrumentpanel.
DQS (Data Quality Score) mäter detta nativt — ingen dataexport — över de fem dimensionerna, och lägger till PII-identifiering för AI-beredskap. För att se hur poängen byggs och avläses inuti ett CRM, fortsätt med:
- Hur du mäter datakvalitet i Salesforce — poängen tillämpad på en Salesforce-organisation, även kallad en datatillförlitlighetspoäng
- Salesforce instrumentpanel för datakvalitet — mätvärdena som är värda att spåra vid sidan av rubriksiffran
- Datakvalitet i Salesforce — den bredare bilden
Vanliga frågor
Vad är en datakvalitetspoäng?
En datakvalitetspoäng är ett enda tal, vanligtvis uttryckt som en procentandel från 0 till 100, som sammanfattar hur väl dina data är lämpade för sitt avsedda syfte. Den beräknas som ett viktat genomsnitt av enskilda kvalitetsdimensioner såsom fullständighet, giltighet, unikhet, aktualitet och konsekvens.
Hur beräknas en datakvalitetspoäng?
Varje kvalitetsdimension mäts som en godkännandegrad — andelen poster eller värden som uppfyller en definierad regel. Dessa dimensionspoäng kombineras sedan till ett viktat genomsnitt, där varje dimensions vikt återspeglar hur viktig den är för verksamheten. Resultatet är en enda procentandel mellan 0 och 100.
Vad är en bra datakvalitetspoäng?
Det finns ingen universell gräns för godkänt, eftersom rätt mål beror på vad data används till. Som tumregel förväntas 95 % eller högre för kundvända och reglerade data, 85 % eller högre är acceptabelt för allmänna driftsdata, och allt under 70 % signalerar data som behöver åtgärdas innan de kan litas på.
Är en datakvalitetspoäng samma sak som en datatillförlitlighetspoäng?
Ja. Termerna används synonymt. Båda beskriver ett enda sammansatt tal som uttrycker hur pålitligt ett dataset är genom att kombinera flera underliggande kvalitetsdimensioner till en siffra som du kan följa över tid.
Nästa steg
- Mät det i ditt CRM: Hur du mäter datakvalitet i Salesforce
- Förstå indata: De fem dimensionerna
- Börja med grunden: Vad är datakvalitet?
- Jämför dina egna data: ta AI-beredskapsbedömningen för att få dina poäng på 3 minuter