La qualità dei dati in Salesforce indica quanto i record della vostra org sono in grado di sostenere il lavoro che ci costruite sopra: reporting, automazione, previsioni e, sempre di più, AI. Una org Salesforce può contenere milioni di Account, Contact, Lead e Opportunity, ma il volume non coincide con il valore. Se i dati sono incompleti, obsoleti, incoerenti o duplicati, ogni processo che si basa su di essi ne eredita i difetti.
Questa guida spiega cosa significa concretamente qualità dei dati all’interno di Salesforce, perché i dati CRM si degradano, quali sono le sei dimensioni che determinano se i dati sono adatti all’uso e come misurare e migliorare la qualità senza esportare un solo record fuori dalla vostra org.
Perché i dati Salesforce si degradano
I dati Salesforce non restano puliti da soli. Si deteriorano in modo continuo, per ragioni strutturali più che accidentali:
- Inserimento manuale. I commerciali creano account con nomi leggermente diversi, saltano i campi non obbligatori e incollano le note nel posto sbagliato. Ogni battitura è un’occasione di deriva.
- Integrazioni. Strumenti di marketing automation, ERP, fatturazione ed enrichment dei dati scrivono in Salesforce secondo i propri calendari e le proprie assunzioni. Due sistemi che scrivono nello stesso campo difficilmente restano d’accordo a lungo.
- Tempo. Un numero di telefono corretto due anni fa oggi è sbagliato. Una close date ormai passata diventa fuorviante. La freschezza si erode anche senza che nessuno tocchi il record.
- Duplicazione. Lo stesso cliente entra tramite un form web, un import di liste e un commerciale: tre record per una sola entità. Senza un monitoraggio attivo, i duplicati si moltiplicano.
- Agenti AI. Quando Agentforce e altri agenti leggono e scrivono record, i problemi di qualità non rilevati si propagano più rapidamente e su scala più ampia di quanto sia mai stato possibile con l’inserimento umano.
Poiché le cause sono strutturali, la risposta non è una pulizia una tantum. È una misurazione continua.
Quanto vi costa una scarsa qualità dei dati
In un contesto Salesforce, una bassa qualità dei dati non è una preoccupazione astratta. Si manifesta in tre ambiti che contano per il business:
Reporting e previsioni. Le dashboard valgono solo quanto i campi che aggregano. Amount mancanti, stage obsoleti e Opportunity duplicate distorcono silenziosamente i numeri di pipeline e di fatturato. I responsabili smettono di fidarsi dei report e le decisioni tornano ai fogli di calcolo.
Automazione. Flow, validation rule, logiche di assegnazione e processi di approvazione presuppongono tutti che i dati che leggono siano corretti. Un campo Region vuoto instrada male un Lead; un’Email non valida interrompe in silenzio una sequenza di nurturing. I dati di scarsa qualità trasformano l’automazione da moltiplicatore a rischio.
Preparazione all’AI. È il costo più recente e in più rapida crescita. Prima di puntare Agentforce o qualsiasi sistema AI sui vostri dati Salesforce, dovete sapere quali campi sono completi, quali contengono dati personali (PII) e quali sono abbastanza freschi da fondare una risposta. PII non rilevate in un indice di retrieval o in un set di addestramento creano un’esposizione che nessun filtro a valle può eliminare del tutto, mentre dati incompleti o obsoleti producono risposte AI sbagliate ma espresse con sicurezza.
Le sei dimensioni della qualità dei dati in Salesforce
La qualità dei dati non è un singolo numero che si possiede o non si possiede. Si misura attraverso dimensioni distinte, ciascuna delle quali risponde a una domanda diversa sui vostri record. Mapparle su Salesforce rende concreto ciò che è astratto:
| Dimensione | La domanda a cui risponde | In Salesforce |
|---|---|---|
| Completezza | I campi che dovrebbero essere compilati lo sono davvero? | Campi obbligatori per il business lasciati vuoti: Account Industry, Contact Email, Opportunity Amount |
| Validità | Il valore rispetta il formato o l’insieme atteso? | Email senza @, numeri di telefono con lettere, valori di picklist fuori dall’insieme consentito |
| Unicità | Ogni entità reale è rappresentata una sola volta? | Account e Contact duplicati creati tra form, import e inserimento manuale |
| Coerenza | I valori rispettano le regole e concordano tra loro? | Country scritto in tre modi diversi, Billing State che contraddice Billing Country |
| Tempestività | I dati sono aggiornati e le date sono plausibili? | Last Activity di mesi fa, Close Date nel passato, record con date future che non dovrebbero esistere |
| Rilevamento PII | Dove si trovano i dati personali sensibili? | Codici fiscali, numeri di carta di credito ed Email annidati in campi di testo libero come Description e Comments |
Queste sei dimensioni si dividono in due gruppi. Le prime cinque — completezza, validità, unicità, coerenza e tempestività — descrivono l’igiene operativa: se i dati funzionano per l’uso CRM quotidiano. Il rilevamento PII appartiene a un secondo gruppo incentrato sulla preparazione all’AI: se i dati sono sicuri e pronti per Agentforce e altre iniziative di AI.
Come misurare la qualità dei dati in Salesforce
Non si può migliorare ciò che non si misura, e non si può misurare ciò che si verifica solo a mano. Misurare la qualità dei dati in Salesforce significa trasformare queste sei dimensioni in scansioni quantificate e ripetibili.
L’output centrale è un punteggio di qualità dei dati (a volte chiamato punteggio di affidabilità dei dati): un singolo valore ponderato che consolida le dimensioni che vi interessano in un numero monitorabile nel tempo. Un punteggio di 100 significa che ogni record ha superato ogni controllo nell’ambito di analisi; un punteggio più basso vi dice sia quanto lavoro resta sia dove si concentra.
Un approccio di misurazione efficace in Salesforce ha tre proprietà:
- A livello di campo, non solo di record. Sapere che il 18% degli Account presenta un problema è un inizio. Sapere che il problema è un campo Industry vuoto sugli Account creati da una specifica integrazione è azionabile.
- Ponderato sulle vostre priorità. Un Opportunity Amount mancante conta più di un numero di telefono secondario assente. La ponderazione permette al punteggio di riflettere l’impatto sul business, non semplici conteggi grezzi.
- Ripetibile con una pianificazione. La qualità è un bersaglio mobile. Un audit una tantum è obsoleto il giorno dopo averlo eseguito. Le scansioni pianificate trasformano un’istantanea in una curva di tendenza.
È l’approccio adottato da Data Quality Sense (DQS). Definite cosa significa «buono» per ogni oggetto e campo, lanciate la scansione e ottenete un punteggio di qualità dei dati ponderato, suddiviso per dimensione e per campo, per poi pianificarne la ripetizione e seguire l’andamento.
Perché il nativo conta
La decisione architetturale più importante nella misurazione della qualità dei dati in Salesforce è dove avviene la misurazione. Molti strumenti richiedono di esportare i record verso un servizio esterno, analizzarli fuori piattaforma e rimandare indietro i risultati. Questo introduce tre problemi: una copia dei vostri dati (incluse eventuali PII) ora vive al di fuori di Salesforce, i risultati sono in ritardo rispetto alla realtà e dipendete da un’integrazione che può rompersi.
Un approccio 100% nativo Salesforce evita tutto questo. La scansione viene eseguita all’interno della vostra org usando il batch processing della piattaforma stessa. Nessun record lascia Salesforce, i risultati riflettono i dati live e non c’è alcuna pipeline esterna da mantenere. Per i dati che contengono PII — esattamente i dati che più di tutti dovete analizzare prima di un progetto AI — tenerli sulla piattaforma non è una comodità, è un requisito di conformità.
DQS funziona interamente all’interno di Salesforce proprio per questo. Il rilevamento è deterministico e trasparente: vedete ogni regola applicata e nessun dato viene mai esportato.
Come iniziare
Migliorare la qualità dei dati in Salesforce segue un ciclo semplice, lo stesso sia che lo facciate manualmente sia con uno strumento:
- Definire cosa significa qualità per gli oggetti e i campi più importanti.
- Scansionare per ottenere un punteggio di qualità dei dati di riferimento e una suddivisione a livello di campo.
- Prioritizzare i problemi con il maggiore impatto sul business e il minore sforzo di correzione.
- Correggere tramite bonifica, validation rule e processi di acquisizione migliori.
- Monitorare con scansioni pianificate, così i nuovi problemi emergono prima di propagarsi.
In DQS costruite tutto questo con il Definition Builder — una procedura guidata in cui selezionate le capability (le sei dimensioni), scegliete gli oggetti e i campi nell’ambito, configurate le soglie e revisionate. Da lì lanciate la scansione su richiesta o la pianificate, ed esplorate i risultati in Insight Studio con tendenze, salute dei campi e suddivisioni per dimensione. Tutto avviene all’interno della vostra org Salesforce.
Prossimi passi
- Come misurare la qualità dei dati in Salesforce: il punteggio di qualità dei dati in dettaglio
- Come migliorare la qualità dei dati in Salesforce: il ciclo rileva-correggi-previeni
- Dashboard della qualità dei dati in Salesforce: le metriche che vale la pena monitorare
- Le cinque dimensioni della qualità dei dati: il framework dietro le dimensioni
- Rilevamento PII: individuare i dati sensibili prima di un progetto AI
- Preparazione per Agentforce: preparare i dati Salesforce per l’AI
- Che cos’è la qualità dei dati?: i fondamentali, dalle basi