Vollständigkeit: Konfigurationsszenarien

Was diese Szenarien abdecken

Diese Seite führt durch drei praxisnahe Konfigurationen der DQS-Vollständigkeitsanalyse. Jedes Szenario behandelt ein konkretes geschäftliches Problem, zeigt die exakten Einstellungen und erklärt, wie die Ergebnisse zu lesen sind.

Diese Anleitungen bauen auf den Konzepten aus dem Hauptartikel Vollständigkeit auf. Lesen Sie diesen zuerst, falls Vollständigkeitsmetriken oder der diagnostische Trichter für Sie neu sind.

Szenario 1: E-Mail-Hygiene auf Contacts

Das Problem

Ihr Vertriebsteam meldet, dass E-Mail-Kampagnen niedrige Zustellraten aufweisen. Das Marketing-Operations-Team gibt den Daten die Schuld, aber niemand weiß, wie viele E-Mail-Daten tatsächlich fehlen. Sie benötigen eine klare Zahl von Contacts ohne nutzbare E-Mail-Adresse.

Konfiguration

Dies ist eine einfache Füllratenprüfung. Verwenden Sie den Modus Basic Completeness auf dem Contact-Objekt und zielen Sie auf das Feld Email.

Das Feld Email ist in Salesforce ein textbasiertes Feld, daher liefert DQS sowohl Null- als auch Blank-Aufschlüsselungen.

Beispielergebnisse

Gesamtzahl Contact-Datensätze: 10.000.

Ergebnisse interpretieren

Beginnen Sie mit der Schlagzeile: 73 % Vollständigkeit. Das bedeutet, dass 2.700 Contacts keine E-Mail-Adresse haben. Ihre E-Mail-Kampagnen können im besten Fall nur 7.300 von 10.000 Contacts erreichen.

Nun gehen Sie den diagnostischen Trichter durch, um zu verstehen, warum 2.700 Datensätze leer sind.

Null Count: 1.800. Bei diesen Contacts wurde nie eine E-Mail eingegeben. Das Feld wurde nie berührt. Dieses Muster ist typisch für manuell erstellte Datensätze, bei denen Mitarbeitende das E-Mail-Feld bei schneller Dateneingabe überspringen, oder für Legacy-Datensätze, die aus einem System importiert wurden, das keine E-Mail erfasst hat.

Blank Count: 900. Bei diesen Contacts enthält das E-Mail-Feld einen leeren String. Das Feld wurde beschrieben, jedoch ohne Wert. Dieses Muster deutet auf eine andere Ursache hin: Webformular-Integrationen, die den Datensatz auch dann absenden, wenn das E-Mail-Feld leer bleibt. Die Integration schreibt '' (leerer String), anstatt das Feld null zu lassen.

Zwei Ursachen erfordern zwei unterschiedliche Lösungen:

• Für die 1.800 Nulls: Beheben Sie die Dateneingabelücke. Machen Sie das E-Mail-Feld im Contact-Seitenlayout zur Pflicht, oder fügen Sie eine Eingabeaufforderung bei der Datensatzerstellung hinzu.
• Für die 900 Blanks: Korrigieren Sie die Integration. Fügen Sie im Webformular eine clientseitige Validierung hinzu, damit leere E-Mail-Felder nicht übermittelt werden, oder erstellen Sie in Salesforce eine Validierungsregel, die leere Strings auf E-Mail ablehnt.

Was als Nächstes zu tun ist

Nutzen Sie den Empty Count (2.700), um ein Datenanreicherungsprojekt zu skopen. Wenn Sie mit einem Datenanbieter arbeiten, ist dies Ihre Datensatzanzahl für die Kostenschätzung. Verfolgen Sie die Completeness Rate über die Zeit, um zu messen, ob Ihre Maßnahmen wirken.

Szenario 2: Platzhaltererkennung für Industry auf Accounts

Das Problem

Ihre Account-Segmentierungsberichte zeigen, dass 94 % der Accounts einen Industry-Wert haben. Marketing vertraut dieser Zahl und nutzt sie für Kampagnen-Targeting. Sie vermuten, dass die 94 % durch Platzhalterwerte wie „N/A” und „Unknown” aufgebläht sind, die wie Daten aussehen, aber keine Information tragen.

Konfiguration

Verwenden Sie den Modus Contextual Completeness auf dem Account-Objekt mit dem Zielfeld Industry. Dieser Modus aktiviert die Platzhaltererkennung, die Sie zum Überprüfen Ihrer Theorie benötigen.

Schalten Sie die Groß-/Kleinschreibung für diesen Scan aus. Benutzer geben Platzhalter in allen möglichen Schreibweisen ein: „n/a”, „N/a”, „N/A”. Alle Varianten zu erfassen, zeigt Ihnen das wahre Bild.

Beispielergebnisse

Gesamtzahl Account-Datensätze: 10.000.

Ergebnisse interpretieren

Die Schlagzeile sieht gesund aus: 94 % Vollständigkeit. Doch genau das ist das Irreführende, das Sie vermutet haben.

Betrachten Sie die Lücke zwischen Empty Count und Incompleted Count. Empty Count besagt, dass 600 Datensätze überhaupt keinen Wert enthalten. Incompleted Count besagt, dass 2.400 Datensätze keinen nutzbaren Wert haben. Die Differenz sind 1.800 Datensätze mit Platzhalterwerten.

Hier die Rechnung:

Incompleted Count (2.400) = Empty Count (600) + Placeholder Count (1.800)

600 Datensätze sind sichtbar leer. Jeder, der einen Standard-Salesforce-Bericht ausführt, würde diese entdecken. Aber 1.800 Datensätze enthalten Werte wie „N/A”, „Other” oder „Unknown”, die die Vollständigkeitsrate aufblähen, ohne echte Segmentierungsdaten zu liefern.

Die tatsächliche nutzbare Vollständigkeit liegt näher bei 76 %, nicht bei 94 %. Diese Lücke von 18 Punkten ist die versteckte Unvollständigkeit, die Standardberichte übersehen.

Warum das für die Segmentierung wichtig ist: Wenn Marketing eine Kampagne auf Accounts der Branche „Technology” ausrichtet, ist die Segmentgröße korrekt. Aber wenn sie einen Bericht zur Gesamtabdeckung nach Branche erstellen, verdeckt die 94-%-Schlagzeile die Tatsache, dass nahezu jeder fünfte „befüllte” Datensatz keine nutzbare Brancheninformation enthält. Gebietszuordnungen, branchenbasiertes Routing und Executive-Dashboards erben diese Verzerrung alle.

Was als Nächstes zu tun ist

Dimensionieren Sie Ihr Datenanreicherungsprojekt auf 2.400 Datensätze, nicht auf 600. Das Ziel der Bereinigung ist der Incompleted Count, nicht der Empty Count. Arbeiten Sie mit Ihren Account Managern, um echte Branchenwerte einzutragen, oder nutzen Sie einen Anreicherungsdienst. Führen Sie den Scan nach der Bereinigung erneut durch, um den Fortschritt zu messen.

Szenario 3: Tiefe von Case-Beschreibungen für KI-Bereitschaft

Das Problem

Ihr Unternehmen evaluiert ein KI-Tool, das Case-Beschreibungen für Support-Mitarbeitende zusammenfasst. Der Anbieter sagt, die KI brauche „inhaltsreiche Textdaten”, um effektiv zu funktionieren. Bevor Sie in das Tool investieren, müssen Sie beurteilen, ob Ihr Feld „Case Description” genug Substanz bietet, damit die KI brauchbare Zusammenfassungen erzeugen kann.

Konfiguration

Verwenden Sie den Modus Contextual Completeness auf dem Case-Objekt mit dem Zielfeld Description. Sie benötigen den vollständigen Satz kontextueller Metriken: Platzhaltererkennung und die Textqualitätsmetriken (Rich Text Ratio, Text Field Utilization, Average Utilization).

Die Platzhalterliste spiegelt hier wider, wie Support-Mitarbeitende das Beschreibungsfeld tatsächlich ausfüllen. Anstatt eine echte Beschreibung zu schreiben, tippen sie ein schnelles Kürzel. Diese Einträge sind technisch ausgefüllt, bieten der KI aber nichts zum Zusammenfassen.

Beispielergebnisse

Gesamtzahl Case-Datensätze: 4.200 (geschätzt aus Empty- und Populated-Count, wobei 500 leer von ca. 4.200 insgesamt die 88 % Vollständigkeit ergeben).

Ergebnisse interpretieren

Beginnen Sie mit der Schlagzeile: 88 % Vollständigkeit. Das klingt gesund für ein Textfeld. Aber diese Analyse dreht sich um KI-Bereitschaft, nicht um Datenhygiene. Die Schlagzeile reicht nicht.

Incompleted Count vs. Empty Count. 500 Datensätze haben überhaupt keine Beschreibung. Aber 1.800 Datensätze sind unvollständig, wenn Sie Platzhalter einbeziehen. Die Lücke von 1.300 Datensätzen enthält Einträge wie „See email”, „Call back” und „Pending”. Diese Datensätze bestehen eine einfache Vollständigkeitsprüfung, bieten der KI aber keine Grundlage.

Rich Text Ratio: 31 %. Das ist die Zahl, die Ihre Frage beantwortet. Nur 31 % der Case-Beschreibungen enthalten aussagekräftigen Inhalt oberhalb der Zeichenanzahl-Schwelle. Die übrigen 69 % der „befüllten” Beschreibungen sind entweder Platzhalter (oben bereits gezählt) oder Einträge, die zu kurz und oberflächlich sind, als dass die KI sie zusammenfassen könnte – etwa „issue reported”, „customer called” oder „escalated”.

Text Field Utilization: 12 %. Das Beschreibungsfeld ist ein Long Text Area mit großer Zeichenkapazität. Über den Datensatz hinweg nutzen die Einträge im Durchschnitt nur 12 % dieser Kapazität. Das bestätigt, dass die meisten Einträge sehr kurz sind.

Average Utilization: 8,4 %. Die mittlere Nutzung über alle Datensätze beträgt 8,4 % der Feldkapazität. Die meisten Beschreibungen sind ein paar Wörter lang, keine Absätze.

Das Fazit zur KI-Bereitschaft: Das KI-Zusammenfassungstool liefert für etwa 31 % der Cases brauchbare Ergebnisse. Für die restlichen 69 % wird die KI entweder keine Zusammenfassung erzeugen oder etwas auf Basis eines Satzfragments ausgeben. Das Tool wird bei mehr als zwei Dritteln Ihres Fallvolumens unterdurchschnittlich performen.

Was als Nächstes zu tun ist

Präsentieren Sie diese Daten den Stakeholdern, bevor Sie sich auf das KI-Tool festlegen. Die Zahlen sprechen eine klare Sprache: Das KI-Projekt braucht zuerst eine Datenanreicherungsphase. Definieren Sie ein Ziel für die Rich Text Ratio (beginnen Sie mit 60 % oder höher) und erstellen Sie einen Plan zur Verbesserung der Beschreibungsqualität. Optionen sind:

• Aktualisieren Sie Case-Erstellungsprozesse, um eine Mindestlänge der Beschreibung zu verlangen
• Schulen Sie Support-Mitarbeitende im Schreiben nützlicher Beschreibungen
• Fügen Sie Screen Flows hinzu, die bei der Case-Aufnahme detaillierte Informationen abfragen

Führen Sie den Scan nach jedem Verbesserungszyklus erneut durch. Verfolgen Sie die Rich Text Ratio als primäre Fortschrittsmetrik für KI-Bereitschaft.

Ihre Konfiguration wählen

Nutzen Sie diese Tabelle, um den richtigen Ausgangspunkt für Ihre Vollständigkeitsanalyse zu wählen.

Für eine vollständige Referenz aller 13 Vollständigkeitsmetriken und ihrer Einordnung in den diagnostischen Trichter kehren Sie zum Hauptartikel Vollständigkeit zurück.

Um zu sehen, wie Vollständigkeit und andere Datenqualitätsdimensionen Ihre KI-Bereitschaft beeinflussen, nehmen Sie am AI Readiness Assessment teil.