# Förstå resultaten

> Lär dig att tolka DQS-skanningsresultat, läsa dimensionspoäng, borra ner till berörda poster och exportera data för rensning.

Source: https://dataqualitysense.com/sv/resources/using-dqs/understanding-results/
Last updated: 2026-06-03

---

## Översikt över resultaten

När en skanning är klar presenterar DQS dina resultat i en dashboard-vy. Dashboarden visar poäng på flera nivåer:

1. **Overall Score** – Ett enda tal som representerar den totala datakvaliteten
2. **Dimension Scores** – Poäng för varje funktion (Fullständighet, Giltighet osv.)
3. **Field Scores** – Poäng för varje analyserat fält
4. **Record Details** – Borra ner till specifika berörda poster

## Resultatdashboarden

### Dashboardens layout

```
┌─────────────────────────────────────────────────────────────────┐
│                     OVERALL QUALITY SCORE                        │
│                           85%                                    │
│                     ▲ +3% from last scan                         │
├──────────────────────┬──────────────────────┬───────────────────┤
│    COMPLETENESS      │      VALIDITY        │    UNIQUENESS     │
│        92%           │        78%           │       95%         │
├──────────────────────┼──────────────────────┼───────────────────┤
│    TIMELINESS        │    CONSISTENCY       │   AI READINESS    │
│        88%           │        82%           │       76%         │
└──────────────────────┴──────────────────────┴───────────────────┘
```

### Komma åt resultaten

1. Öppna DQS från App Launcher
2. Hitta din Definition i listan
3. Klicka på Definitionens namn
4. Välj fliken **Results**
5. Välj ett skanningsdatum att visa

Den senaste skanningen visas som standard.

## Övergripande kvalitetspoäng

Den övergripande poängen är ett viktat medelvärde av alla dimensionspoäng.

### Så beräknas den

DQS använder standardvikter för varje dimension:

| Dimension | Standardvikt |
|-----------|---------------|
| Fullständighet | 25 % |
| Giltighet | 20 % |
| Unikhet | 20 % |
| Aktualitet | 15 % |
| Konsekvens | 20 % |

Formel: Overall = (Completeness x 0.25) + (Validity x 0.20) + (Uniqueness x 0.20) + (Timeliness x 0.15) + (Consistency x 0.20)

AI Readiness-poäng visas separat och påverkar inte den övergripande poängen för Datakvalitet.

### Tolkning av poäng

| Poängintervall | Kvalitetsnivå | Åtgärd |
|-------------|---------------|--------|
| 90–100 % | Utmärkt | Bibehåll nuvarande rutiner |
| 80–89 % | Bra | Åtgärda specifika svaga områden |
| 70–79 % | Acceptabel | Prioritera förbättring |
| 60–69 % | Dålig | Kräver omedelbar uppmärksamhet |
| Under 60 % | Kritisk | Omfattande datarensning krävs |

### Trendindikator

Bredvid din poäng ser du en trendpil:

- **Grön pil uppåt** – Poängen förbättrades sedan förra skanningen
- **Röd pil nedåt** – Poängen försämrades sedan förra skanningen
- **Grått streck** – Poängen är oförändrad

Procentvärdet visar förändringens storlek.

## Dimensionspoäng

Klicka på valfritt dimensionskort för att se detaljerade mätvärden.

### Mätvärden för Fullständighet

| Mätvärde | Typ | Vad det visar |
|--------|------|---------------|
| Completeness Rate | Procent | Fält som har värden |
| Populated Count | Antal | Poster med data |
| Incomplete Count | Antal | Poster som saknar data |
| Null Rate | Procent | Fält som är NULL |
| Blank Rate | Procent | Tomma eller enbart blanksteg |
| Placeholder Rate | Procent | N/A, TBD, Unknown-värden |

**Exempel på tolkning:**
- Completeness Rate: 85 % betyder att 15 % av posterna saknar värden
- Hög Placeholder Rate antyder att användare anger "TBD" i stället för riktiga data

### Mätvärden för Giltighet

| Mätvärde | Typ | Vad det visar |
|--------|------|---------------|
| Validity Rate | Procent | Värden som matchar förväntat format |
| Valid Count | Antal | Poster med korrekt format |
| Invalid Rate | Procent | Värden som inte matchar formatet |
| Invalid Count | Antal | Poster med formatfel |

**Exempel på tolkning:**
- Validity Rate på 78 % för fältet Email betyder att 22 % har formatproblem
- Vanliga problem: saknat @, mellanslag, stavfel som ".con"

### Mätvärden för Unikhet

| Mätvärde | Typ | Vad det visar |
|--------|------|---------------|
| Uniqueness Rate | Procent | Distinkta kontra totala värden |
| Distinct Count | Antal | Antal unika värden |
| Entropy | Decimal | Värdediversitet (högre = mer varierat) |
| Max Frequency | Antal | Förekomst av det vanligaste värdet |
| Rarity | Procent | Hur sällsynta värden är fördelade |

**Exempel på tolkning:**
- Uniqueness Rate på 95 % betyder att 5 % är dubbletter
- Låg Entropy antyder att många poster delar samma värden

### Mätvärden för Aktualitet

| Mätvärde | Typ | Vad det visar |
|--------|------|---------------|
| Freshness Rate | Procent | Poster inom aktualitetsfönstret |
| Staleness Rate | Procent | Poster bortom aktualitetsfönstret |
| Average Age | Dagar | Genomsnittlig ålder på datumvärden |
| Recency Rate | Procent | Poster som uppdaterats nyligen |
| Future Rate | Procent | Poster med framtida datum (fel) |
| Overdue Rate | Procent | Poster bortom förväntad uppdatering |

**Exempel på tolkning:**
- Staleness Rate på 30 % betyder att 30 % av posterna inte har rörts inom ditt aktualitetsfönster
- Future Rate över 0 % indikerar fel vid datainmatning

### Mätvärden för Konsekvens

| Mätvärde | Typ | Vad det visar |
|--------|------|---------------|
| Conformance Rate | Procent | Värden som matchar förväntade mönster |
| Conformance Count | Antal | Poster som överensstämmer |
| Non-Conforming Count | Antal | Poster med variationer |
| Variant Count | Antal | Antal funna värdevariationer |
| Dominant Values | JSON | De vanligaste värdena och deras antal |

**Exempel på tolkning:**
- Variant Count på 15 för fältet Country antyder inkonsekvent inmatning (USA kontra United States kontra US)
- Dominant Values visar vilka variationer som är vanligast

### Mätvärden för AI Readiness

**PII-detektering:**
| Mätvärde | Vad det visar |
|--------|---------------|
| Records with PII | Absolut antal poster med mönstermatchningar (för att avgränsa åtgärder) |
| PII Exposure Rate | Procentandel poster som innehåller PII (för efterlevnadsrapportering) |

## Detaljer på fältnivå

Klicka på en dimension för att se en uppdelning per fält.

### Tabell med fältpoäng

| Fält | Poäng | Problem | Åtgärder |
|-------|-------|--------|---------|
| Email | 92 % | 234 ogiltiga | View Records |
| Phone | 78 % | 1 456 ogiltiga | View Records |
| MailingCity | 95 % | 180 saknas | View Records |

### Läsa fältpoäng

Varje fält visar:
- **Score** – Prestanda för detta fält
- **Issues** – Antal problematiska poster
- **Actions** – Länkar för att borra ner och exportera

### Identifiera problemfält

Sortera fälten efter poäng (lägst först) för att hitta:
- Fält med flest problem
- Fält som behöver omedelbar uppmärksamhet
- Mönster över relaterade fält

> **Tips:** Fokusera på högpåverkansfält först. En förbättring på 10 % i giltigheten för Email har större affärsvärde än att perfektionera ett sällan använt fält.

## Borra ner till poster

Klicka på **View Records** för att se berörda data.

### Listvyn för poster

Nedborrningen visar poster med problem:

| Name | Email | Issue | Created Date |
|------|-------|-------|--------------|
| John Smith | `john.smith@example` | Invalid format | 2026-01-15 |
| Jane Doe | `jane.doe@mail,com` | Invalid format | 2026-01-20 |

### Filtrera postlistan

Filtrera efter:
- Typ av problem (saknas, ogiltig, dubblett osv.)
- Datumintervall
- Ägare
- Custom field-värden

### Direkt åtkomst till poster

Klicka på en post för att öppna den i Salesforce. Gör rättelser direkt eller tilldela till lämplig teammedlem.

## Jämföra resultat över tid

### Trenddiagram

DQS visar trenddiagram som visar:
- Övergripande poäng över tid
- Dimensionspoäng över tid
- Fältpoäng över tid

Diagrammen hjälper dig att:
- Följa förbättringsförloppet
- Identifiera områden som försämras
- Mäta effekten av rensningsarbetet

### Jämförelse av skanningar

Jämför två valfria skanningar:

1. Klicka på **Compare** på fliken Results
2. Välj en baslinjeskanning (äldre)
3. Välj en jämförelseskanning (nyare)
4. Visa mätvärden sida vid sida

Jämförelsen lyfter fram:
- Förbättrade mätvärden (grön)
- Försämrade mätvärden (röd)
- Oförändrade mätvärden (grå)

### Sätta förbättringsmål

Använd historiska data för att sätta realistiska mål:

| Aktuell poäng | Realistiskt 90-dagarsmål |
|---------------|------------------------|
| Under 60 % | 70–75 % |
| 60–70 % | 75–82 % |
| 70–80 % | 82–88 % |
| 80–90 % | 90–94 % |
| Över 90 % | Bibehåll eller 95 %+ |

## Exportera data

Du kan exportera resultat för offlineanalys och rensningsarbetsflöden.

### CSV-export

Exportalternativ:
- **Summary Export** – Endast poäng och mätvärden
- **Affected Records Export** – Fullständig lista över poster med problem
- **Field Detail Export** – Uppdelning per fält

### Så exporterar du

1. Öppna skanningsresultaten
2. Klicka på **Export** (nedladdningsikonen)
3. Välj exporttyp
4. Välj format (CSV)
5. Ladda ner filen

### Exportens innehåll

**Affected Records Export innehåller:**
- Record ID
- Record Name
- Fält med problem
- Typ av problem
- Aktuellt värde
- Föreslagen åtgärd

**Exempelrad:**
```
0031x00000ABC123,John Smith,Email,INVALID_FORMAT,john.smith@example,Fix email domain
```

### Använda exporter för rensning

1. Exportera berörda poster till CSV
2. Öppna i Excel eller Google Sheets
3. Granska och korrigera värden
4. Använd Data Loader för att uppdatera Salesforce
5. Kör skanningen på nytt för att verifiera förbättringarna

> **Tips:** Skapa ett arbetsflöde för rensningstilldelning. Exportera poster, tilldela ägare baserat på Account eller Region och följ upp rättelserna.

## Dela resultat

### Delningsalternativ

Dela resultat med intressenter:

1. **Länkdelning** – Kopiera URL:en till skanningsresultaten
2. **Skärmbild** – Dashboard-vyn för presentationer
3. **Export** – CSV för detaljerad analys
4. **E-postsammanfattning** – Automatiska rapporter

### Skapa rapporter för ledningen

För ledningspresentationer, fokusera på:
- Övergripande poäng och trend
- Förbättring sedan föregående period
- De 3 främsta problemområdena
- Handlingsplan med tidslinje

Överbelasta inte med mätvärdesdetaljer. Inled med berättelsen.

## Förstå poängförändringar

### Varför poäng förändras

| Förändring | Vanliga orsaker |
|--------|---------------|
| Poängen förbättrades | Rensningsarbete, bättre datainmatning |
| Poängen försämrades | Nya data med problem, ändrade tröskelvärden |
| Stort hopp uppåt | Omfattande datarensning slutförd |
| Stort fall nedåt | Dataimport med kvalitetsproblem |

### Undersöka förändringar

När poäng förändras oväntat:

1. Jämför skanningar för att identifiera vilka mätvärden som förändrades
2. Borra ner till fältnivå
3. Granska senaste dataändringar (importer, integrationer)
4. Kontrollera om konfigurationen av Definitionen ändrats

## Nästa steg

- [Guide till Definition Builder](/sv/resources/using-dqs/definition-builder/): Justera tröskelvärden utifrån dina fynd
- [Köra skanningar](/sv/resources/using-dqs/running-scans/): Schemalägg regelbundna skanningar
- [Mäta datakvalitet](/sv/resources/best-practices/measuring-data-quality/): Bygg ett kvalitetsscorecard