Améliorer la qualité des données dans Salesforce n’est pas un projet avec une date de fin. Les données CRM se dégradent en continu — par la saisie manuelle, les intégrations, le temps, et désormais par les agents IA qui lisent et écrivent des enregistrements. L’objectif n’est donc pas un nettoyage ponctuel, mais une boucle reproductible qui maintient la qualité des données à un niveau élevé au fil des nouvelles entrées. Ce guide décrit cette boucle et les mécanismes propres à Salesforce qui en font fonctionner chaque étape.
La boucle d’amélioration
Tout programme de qualité des données durable — qu’on le pilote manuellement ou avec un outil — repose sur les mêmes cinq étapes :
- Détecter — mesurer la situation actuelle, dimension par dimension et champ par champ.
- Prioriser — classer les problèmes selon leur impact métier et l’effort nécessaire pour les corriger.
- Corriger — nettoyer les enregistrements existants.
- Prévenir — empêcher les mêmes problèmes de réapparaître.
- Surveiller — remesurer régulièrement pour que les nouveaux problèmes remontent tôt.
Sauter une étape brise la boucle. Corriger sans prévenir, c’est traiter les mêmes doublons chaque trimestre. Prévenir sans surveiller, c’est ignorer si les garde-fous fonctionnent. Les étapes se renforcent mutuellement.
Étape 1 : Détecter
On ne peut pas prioriser ce que l’on ne voit pas. Commencez par mesurer la qualité de vos données pour obtenir un score de qualité des données de référence, ventilé par dimension et par champ. C’est précisément cette ventilation qui compte : « la complétude est à 64 sur les Accounts, portée par un champ Industry vide » est un point de départ sur lequel on peut agir ; « les données sont en désordre » ne l’est pas.
Une bonne référence répond à trois questions : quels objets sont les plus dégradés, quelle dimension domine le problème, et quels champs précis en sont la cause.
Étape 2 : Prioriser
Tous les problèmes ne méritent pas la même urgence. Classez ce que vous avez trouvé selon deux axes :
- Impact métier — ce champ pilote-t-il des revenus, du reporting, de l’automatisation ou de l’IA ? Un Opportunity Amount manquant fausse les prévisions ; un second numéro de téléphone absent ne le fait pas.
- Effort de correction — peut-on résoudre le problème par une mise à jour en masse et une Validation Rule, ou faut-il un changement de processus et l’adhésion des parties prenantes ?
Commencez par les problèmes à fort impact et faible effort. Ils créent de la dynamique et libèrent de la capacité pour les chantiers structurels plus complexes.
Étape 3 : Corriger
Dans Salesforce, la correction suit quelques patterns reproductibles :
| Problème | Correction habituelle |
|---|---|
| Valeurs manquantes (complétude) | Mise à jour en masse depuis une source fiable ; enrichissement ; rendre le champ obligatoire si approprié |
| Formats invalides (validité) | Correction en masse, puis Validation Rule pour imposer le format à l’avenir |
| Doublons (unicité) | Fusion des enregistrements ; configuration de règles de déduplication et de correspondance pour bloquer les nouveaux |
| Valeurs incohérentes (cohérence) | Standardisation vers une picklist contrôlée ; remplacement du texte libre par un champ contraint |
| Enregistrements obsolètes (actualité) | Workflows de réengagement ou d’archivage ; signalement des enregistrements dont la fraîcheur dépasse un seuil |
| PII exposées | Identification via la détection de PII, puis masquage, restriction ou suppression |
Traiter le stock existant est nécessaire, mais seul, c’est un tapis roulant. Le vrai levier est à l’étape suivante.
Étape 4 : Prévenir
Ce qui distingue un nettoyage ponctuel d’une amélioration durable, c’est la prévention. Salesforce offre des mécanismes natifs pour bloquer les mauvaises données à la source :
- Les Validation Rules rejettent les valeurs malformées avant leur enregistrement.
- Les champs obligatoires (dans la mise en page ou via une validation) comblent les lacunes de complétude dès la saisie.
- Les règles de déduplication et de correspondance bloquent les Accounts et Contacts en double à la création.
- Les picklists à la place du texte libre éliminent toute une catégorie de problèmes de cohérence.
- Les contrats d’intégration — s’entendre sur quel système est propriétaire de quel champ — empêchent deux sources de s’écraser mutuellement.
Chaque garde-fou que vous ajoutez réduit le taux d’apparition de nouveaux problèmes — ce qui, dans la durée, est ce qui fait vraiment progresser le score.
Étape 5 : Surveiller
Une correction unique devient invisible dès que de nouvelles données commencent à affluer. Planifiez des analyses récurrentes — quotidiennes, hebdomadaires ou mensuelles — pour que votre score de qualité des données devienne une courbe de tendance plutôt qu’un instantané. Lorsqu’une nouvelle intégration commence à écrire de mauvaises données, un score surveillé baisse en quelques jours et vous le détectez avant qu’il n’atteigne un rapport ou un modèle IA. Sans surveillance, le même problème refait surface des mois plus tard sous la forme d’un tableau de bord que personne ne fait confiance.
Comment DQS aide
Data Quality Sense prend en charge l’ensemble de la boucle à l’intérieur de Salesforce, sans aucun export de données. Vous définissez ce que signifie « bon » dans le Definition Builder, lancez une analyse pour obtenir un score de qualité des données pondéré avec ventilation par champ, planifiez sa répétition, et suivez l’évolution dans Insight Studio. La détection et la priorisation deviennent un tableau de bord plutôt qu’un exercice sur tableur — de sorte que la boucle est quelque chose que vous faites tourner en continu, et non un projet que vous relancez chaque trimestre.
Étapes suivantes
- La qualité des données dans Salesforce : le guide complet
- Comment mesurer la qualité des données dans Salesforce : le score de qualité des données
- Les erreurs courantes : les pièges qui fragilisent les programmes de qualité des données
- Construire une culture de la qualité des données : faire durer l’amélioration