Fullständighet: Konfigurationsscenarier

Vad dessa scenarier täcker

Den här sidan går igenom tre verkliga konfigurationer av DQS fullständighetsanalys. Varje scenario täcker ett specifikt affärsproblem, visar exakta inställningar att använda och förklarar hur man läser resultaten.

Dessa genomgångar bygger på koncepten från den huvudsakliga artikeln Fullständighet. Läs den först om du är ny för fullständighetsmätvärden eller den diagnostiska tratten.

Scenario 1: E-posthygien för Contacts

Problemet

Ditt säljteam rapporterar att e-postkampanjer har låga leveranskvaliteter. Marknadsföringsoperationsteamet skyller på data, men ingen vet hur mycket e-postdata som faktiskt saknas. Du behöver ett tydligt antal Contacts utan en användbar e-postadress.

Konfiguration

Det här är en enkel fyllnadsgrads­kontroll. Använd Grundläggande fullständighet på Contact-objektet, och rikta dig mot fältet Email.

Fältet Email är ett textbaserat fält i Salesforce, så DQS producerar både null- och blank-uppdelningar.

Exempelresultat

Totalt antal Contact-poster: 10 000.

Läsa resultaten

Börja med rubriktalet: 73 % fullständighet. Det innebär att 2 700 Contacts inte har någon e-postadress. Dina e-postkampanjer kan som bäst nå 7 300 av 10 000 contacts.

Gå nu igenom den diagnostiska tratten för att förstå varför 2 700 poster är tomma.

Antal null: 1 800. Dessa Contacts har aldrig fått en e-post angiven. Fältet rördes aldrig. Det här mönstret är vanligt med manuellt skapade poster där säljare hoppar över e-postfältet vid snabb datainmatning, eller med äldre poster importerade från ett system som inte fångade e-post.

Antal blanka: 900. Dessa Contacts har en tom sträng i e-postfältet. Fältet skrevs till, men utan något värde. Det här mönstret pekar på en annan rotorsak: webbformulärsintegrationer som skickar in posten även när e-postfältet lämnas tomt. Integrationen skriver '' (tom sträng) istället för att lämna fältet som null.

Två rotorsaker kräver två olika åtgärder:

• För de 1 800 nullorna: Åtgärda datainmatningsluckan. Gör e-postfältet obligatoriskt i Contact-sidlayouten, eller lägg till en prompt vid postens skapande.
• För de 900 blanka: Åtgärda integrationen. Lägg till klientsidesvalidering i webbformuläret så att tomma e-postfält inte skickas in, eller lägg till en Salesforce-valideringsregel som avvisar tomma strängar på e-post.

Vad du gör härnäst

Använd Antal tomma (2 700) för att planera ett databerikningsprojekt. Om du arbetar med en dataleverantör är det här ditt postantal för kostnads­uppskattning. Spåra Fullständighetsgraden över tid för att mäta om åtgärderna fungerar.

Scenario 2: Branschplatshållaridentifiering för Accounts

Problemet

Dina Account-segmenterings­rapporter visar att 94 % av Accounts har ett Bransch-värde. Marknadsföringen litar på den här siffran och använder den för kampanjriktn­ing. Du misstänker att 94 % är uppblåst av platshållarvärden som “N/A” och “Unknown” som ser ut som data men inte innehåller någon information.

Konfiguration

Använd Kontextuell fullständighet på Account-objektet, och rikta dig mot fältet Industry. Det här läget möjliggör platshållaridentifiering, vilket är vad du behöver för att testa din teori.

Stäng av skiftlägeskänslighet för den här genomsökningen. Användare anger platshållare med alla möjliga versaler: “n/a”, “N/a”, “N/A”. Att fånga alla varianter ger dig den sanna bilden.

Exempelresultat

Totalt antal Account-poster: 10 000.

Läsa resultaten

Rubriktalet ser friskt ut: 94 % fullständighet. Men det här är exakt det du misstänkte var vilseledande.

Titta på gapet mellan Antal tomma och Antal ofullständiga. Antal tomma säger att 600 poster inte har något värde alls. Antal ofullständiga säger att 2 400 poster inte har något användbart värde. Skillnaden är 1 800 poster med platshållarvärden.

Här är matten:

Antal ofullständiga (2 400) = Antal tomma (600) + Antal platshållare (1 800)

600 poster är synligt tomma. Vem som helst som kör en standard Salesforce-rapport skulle se dessa. Men 1 800 poster innehåller värden som “N/A”, “Other” eller “Unknown” som blåser upp fullständighetsgraden utan att tillhandahålla verklig segmenteringsdata.

Den sanna användbara fullständigheten är närmre 76 %, inte 94 %. Det 18-poängs­gapet är den dolda ofullständigheten som standardrapporter missar.

Varför det spelar roll för segmentering: Om marknadsföringen kör en kampanj som riktar sig mot “Technology”-bransch-Accounts är segmentantalet korrekt. Men om de kör en rapport som visar total täckning per bransch döljer 94 %-rubriken det faktum att nästan 1 av 5 “ifyllda” poster inte innehåller någon användbar branschinformation. Territorietilldelningar, branschbaserad dirigering och ledningsinstrumentpaneler ärver alla denna snedvridning.

Vad du gör härnäst

Planera ditt databerikningsprojekt till 2 400 poster, inte 600. Rensnings­målet är Antal ofullständiga, inte Antal tomma. Arbeta med dina Account-ansvariga för att fylla i riktiga branschvärden, eller använd en berikningstjänst. Kör genomsökningen igen efter rensning för att mäta förbättringen.

Scenario 3: Djup i ärendebeskrivning för AI-beredskap

Problemet

Ditt företag utvärderar ett AI-verktyg som sammanfattar ärendebeskrivningar för supporthandläggare. Leverantören säger att AI:n behöver “rik textdata” för att fungera effektivt. Innan du investerar i verktyget behöver du bedöma om ditt Case-Beskrivningsfält har tillräcklig substans för att AI:n ska producera användbara sammanfattningar.

Konfiguration

Använd Kontextuell fullständighet på Case-objektet, och rikta dig mot fältet Description. Du behöver den fullständiga uppsättningen kontextuella mätvärden: platshållaridentifiering och textkvalitetsmätvärdena (Rik textkvot, Textfältsutnyttjande, Genomsnittligt utnyttjande).

Platshållarlistan här återspeglar hur supporthandläggare faktiskt fyller i Beskrivningsfältet. Istället för att skriva en riktig beskrivning skriver de ett snabbt kryptogram. Dessa poster är tekniskt ifyllda men ger AI:n ingenting att sammanfatta.

Exempelresultat

Totalt antal Case-poster: 4 200 (uppskattad utifrån tomma + ifyllda antal, där 500 tomma av ~4 200 totalt ger 88 % fullständighetsgrad).

Läsa resultaten

Börja med rubriktalet: 88 % fullständighet. Det låter friskt för ett textfält. Men den här analysen handlar om AI-beredskap, inte datahygien. Rubriktalet är inte tillräckligt.

Antal ofullständiga kontra Antal tomma. 500 poster har ingen beskrivning alls. Men 1 800 poster är ofullständiga när du inkluderar platshållare. Gapet på 1 300 poster innehåller poster som “Se e-post”, “Ring tillbaka” och “Väntar.” Dessa poster klarar en grundläggande fullständighetskontroll men ger AI:n ingenting att arbeta med.

Rik textkvot: 31 %. Det här är talet som svarar på din fråga. Bara 31 % av ärendebeskrivningarna har meningsfullt innehåll ovanför teckentröskeln. De övriga 69 % av “ifyllda” beskrivningar är antingen platshållare (redan räknade ovan) eller poster som är för korta och grunda för att AI:n ska sammanfatta, saker som “problem rapporterat”, “kund ringde” eller “eskalerat.”

Textfältsutnyttjande: 12 %. Beskrivningsfältet är en Lång textyta med stor teckenskapacitet. Poster använder bara 12 % av den kapaciteten i genomsnitt över datamängden. Det bekräftar att de flesta poster är mycket korta.

Genomsnittligt utnyttjande: 8,4 %. Det genomsnittliga utnyttjandet över alla poster är 8,4 % av fältkapaciteten. De flesta beskrivningar är ett par ord, inte stycken.

AI-beredskapsutlåtandet: AI-sammanfattningsverktyget kommer att producera användbara resultat för ungefär 31 % av ärendena. För de återstående 69 % kommer AI:n antingen att misslyckas med att generera en sammanfattning eller producera något baserat på ett meningsfragment. Verktyget kommer att underprestera på mer än två tredjedelar av din ärendevolym.

Vad du gör härnäst

Presentera dessa data för intressenterna innan du förbinder dig till AI-verktyget. Siffrorna gör saken tydlig: AI-projektet behöver en databerikningsfas först. Definiera ett målvärde för Rik textkvot (börja med 60 % eller högre) och bygg en plan för att förbättra beskrivningskvaliteten. Alternativ inkluderar:

• Uppdatera Case-skapandeprocesser för att kräva en minsta beskrivningslängd
• Utbilda supporthandläggare i att skriva användbara beskrivningar
• Lägg till skärmflöden som frågar efter detaljerad information under ärendeintagning

Kör genomsökningen igen efter varje förbättringscykel. Spåra Rik textkvot som ditt primära framstegsmätvärde för AI-beredskap.

Välja din konfiguration

Använd den här tabellen för att välja rätt startpunkt för din fullständighetsanalys.

För en fullständig referens av alla 13 fullständighetsmätvärden och hur de passar i den diagnostiska tratten, återvänd till den huvudsakliga artikeln Fullständighet.

Se hur fullständighet och andra datakvalitetsdimensioner påverkar din AI-beredskap, ta AI-beredskapsbedömningen.