Att förbättra datakvalitet i Salesforce är inte ett projekt med ett slutdatum. CRM-data försämras kontinuerligt — genom manuell inmatning, integrationer, tid och numera AI-agenter som läser och skriver poster — så målet är inte en engångsstädning utan en upprepningsbar slinga som håller kvaliteten hög allteftersom ny data tillkommer. Förfallet är väl dokumenterat: B2B-kontaktdata blir inaktuell med ungefär 2,1 % per månad, eller omkring 22,5 % per år, vilket betyder att en städning som avslutas i januari är mätbart föråldrad innan sommaren. Den här guiden beskriver den slingan och de Salesforce-specifika taktikerna som får varje steg att fungera.
Förbättringsslingan
Varje hållbart datakvalitetsprogram, oavsett om du driver det för hand eller med ett verktyg, följer samma fem steg:
- Upptäck — mät var du står idag, per dimension och per fält.
- Prioritera — rangordna problem efter affärsmässig påverkan mot åtgärdskostnaden.
- Åtgärda — städa upp befintliga poster.
- Förebygg — hindra samma problem från att återkomma.
- Övervaka — mät om på schema så att nya problem dyker upp tidigt.
Att hoppa över något steg bryter slingan. Att städa utan att förebygga betyder att du åtgärdar samma dubbletter varje kvartal. Att förebygga utan att övervaka betyder att du aldrig vet om det fungerade. Stegen förstärker varandra.
Steg 1: Upptäck
Du kan inte prioritera det du inte kan se. Börja med att mäta din datakvalitet för att få en baslinje för datakvalitetspoängen uppdelad efter dimension och fält. Det är uppdelningen som spelar roll: “fullständigheten är 64 på Accounts, drivet av ett tomt Industry-fält” är en utgångspunkt du kan agera på; “datan är rörig” är det inte.
En bra baslinje besvarar tre frågor: vilka objekt är sämst, vilken dimension dominerar problemet och vilka specifika fält driver felen.
Steg 2: Prioritera
Inte varje problem förtjänar samma brådska. Rangordna det du hittat längs två axlar:
- Affärsmässig påverkan — driver detta fält intäkter, rapportering, automatisering eller AI? En saknad Opportunity Amount förvränger prognosen; ett saknat sekundärt faxnummer gör det inte.
- Åtgärdskostnad — kan detta lösas med en massuppdatering och en valideringsregel, eller kräver det en processändring och förankring hos intressenter?
Börja med problem med hög påverkan och låg åtgärdskostnad. De bygger momentum och frigör kapacitet för de svårare strukturella problemen.
Steg 3: Åtgärda
Åtgärdande faller in i några upprepningsbara mönster i Salesforce:
| Problem | Typisk åtgärd |
|---|---|
| Saknade värden (fullständighet) | Massuppdatering från en betrodd källa; berikning; gör fältet obligatoriskt där det är lämpligt |
| Ogiltiga format (giltighet) | Masskorrigering, sedan en valideringsregel som upprätthåller formatet framåt |
| Dubbletter (unikhet) | Slå samman poster; konfigurera duplicate rules och matching rules för att blockera nya |
| Inkonsekventa värden (konsekvens) | Standardisera till en kontrollerad picklist; ersätt fritext med ett begränsat fält |
| Inaktuella poster (aktualitet) | Re-engagement- eller arkiveringsflöden; flagga poster bortom ett aktualitetströskelvärde |
| Exponerad PII | Identifiera med PII-detektering, maskera sedan, begränsa eller ta bort |
Att åtgärda den befintliga eftersläpningen är nödvändigt, men på egen hand är det ett löpband. Hävstången ligger i nästa steg.
Steg 4: Förebygg
Skillnaden mellan en engångsstädning och en bestående förbättring är förebyggande. Ekonomin talar för det starkt: 1-10-100-regeln från kvalitetsledningsforskning (Labovitz och Chang, Making Quality Work, 1992) uppskattar att ett fel kostar 1 kr att förhindra vid inmatning, 10 kr att korrigera senare, och 100 kr när det når kunder eller beslut. Salesforce ger dig nativa kontroller för att stoppa dålig data vid källan:
- Valideringsregler avvisar felaktiga värden innan de sparas.
- Obligatoriska fält (på page layout eller via validering) täpper till fullständighetsluckor vid inmatning.
- Duplicate rules och matching rules blockerar dubbletter av Accounts och Contacts när de skapas.
- Picklists istället för fritext eliminerar en hel klass av konsekvensproblem.
- Integrationsavtal — att komma överens om vilket system som äger vilket fält — hindrar två källor från att skriva över varandra.
Varje kontroll du lägger till sänker takten med vilken nya problem uppstår, vilket är det som faktiskt flyttar poängen över tid.
Steg 5: Övervaka
En enstaka åtgärd är osynlig i det ögonblick ny data börjar flöda. Schemalägg återkommande skanningar — dagligen, veckovis eller månadsvis — så att din datakvalitetspoäng blir en trendlinje, inte en ögonblicksbild. När en ny integration börjar skriva dålig data sjunker en övervakad poäng inom dagar och du fångar det innan det når en rapport eller en AI-modell. Utan övervakning dyker samma problem upp månader senare som ett trasigt dashboard som ingen litar på.
Hur DQS hjälper
Data Quality Sense stödjer hela slingan inuti Salesforce, utan någon dataexport. Du definierar hur bra ser ut i Definition Builder, kör en skanning för att få en viktad datakvalitetspoäng med en uppdelning på fältnivå, schemalägger den att upprepas och följer trenden i Insight Studio. Detektering och prioritering blir ett dashboard snarare än en kalkylbladsövning — så att slingan är något du driver kontinuerligt, inte ett projekt du startar om varje kvartal.
Nästa steg
- Datakvalitet i Salesforce: den kompletta guiden
- Hur du mäter datakvalitet i Salesforce: datakvalitetspoängen
- Vanliga fallgropar: misstag som undergräver datakvalitetsprogram
- Att bygga en datakvalitetskultur: att få förbättringar att hålla