Volledigheid: configuratiescenario's

Wat deze scenario’s behandelen

Deze pagina doorloopt drie praktijkconfiguraties van DQS-volledigheidsanalyse. Elk scenario behandelt een specifiek zakelijk probleem, toont de exacte te gebruiken instellingen en legt uit hoe u de resultaten kunt lezen.

Deze walkthroughs bouwen voort op de concepten uit het hoofdartikel Volledigheid. Lees dat eerst als u nieuw bent met volledigheidsstatistieken of de diagnostische trechter.

Scenario 1: E-mailhygiëne op Contacts

Het probleem

Uw salesteam meldt dat e-mailcampagnes lage bezorgingspercentages hebben. Het marketingoperatieteam geeft de data de schuld, maar niemand weet hoeveel e-maildata er daadwerkelijk ontbreekt. U heeft een duidelijk overzicht nodig van Contacts zonder een bruikbaar e-mailadres.

Configuratie

Dit is een eenvoudige vulpercentagecontrole. Gebruik de modus Basis Volledigheid op het Contact-object, gericht op het Email-veld.

Het veld Email is een op tekst gebaseerd veld in Salesforce, dus DQS produceert zowel null- als leeg-uitsplitsingen.

Voorbeeldresultaten

Totale Contact-records: 10.000.

Resultaten lezen

Begin met het hoofdgetal: 73% volledigheid. Dat betekent dat 2.700 Contacts geen e-mailadres hebben. Uw e-mailcampagnes kunnen in het beste geval 7.300 van 10.000 contacts bereiken.

Doorloop nu de diagnostische trechter om te begrijpen waarom 2.700 records leeg zijn.

Null-aantal: 1.800. Voor deze Contacts is nooit een e-mailadres ingevoerd. Het veld is nooit aangeraakt. Dit patroon is gebruikelijk bij handmatig aangemaakte records waarbij vertegenwoordigers het e-mailveld overslaan tijdens snelle gegevensinvoer, of bij legacy-records geïmporteerd uit een systeem dat geen e-mail vastlegde.

Leeg-aantal: 900. Deze Contacts hebben een lege tekenreeks in het e-mailveld. Het veld is geschreven naar, maar zonder waarde. Dit patroon wijst naar een andere oorzaak: webformulie-integraties die het record indienen ook wanneer het e-mailveld leeg is gelaten. De integratie schrijft '' (lege tekenreeks) in plaats van het veld null te laten.

Twee oorzaken vereisen twee verschillende oplossingen:

• Voor de 1.800 nullen: Pak het gegevensinvoerhiaat aan. Maak het e-mailveld verplicht op de Contact-paginalay-out, of voeg een prompt toe tijdens het aanmaken van records.
• Voor de 900 lege waarden: Herstel de integratie. Voeg client-side validatie toe aan het webformulier zodat lege e-mailvelden niet worden ingediend, of voeg een Salesforce-validatieregel toe die lege tekenreeksen op e-mail weigert.

Wat u vervolgens kunt doen

Gebruik het Leeg-aantal (2.700) om een data-verrijkingsproject te bepalen. Als u met een dataleverancier werkt, is dit uw recordaantal voor kostenscanning. Volg het Volledigheidspercentage in de loop van de tijd om te meten of de oplossingen werken.

Scenario 2: Industry-plaatshouderdetectie op Accounts

Het probleem

Uw Account-segmentatierapporten tonen dat 94% van de Accounts een Industry-waarde heeft. Marketing vertrouwt dit getal en gebruikt het voor campagnetargeting. U vermoedt dat de 94% is opgeblazen door plaatshouderwaarden zoals „N/A” en „Unknown” die eruitzien als data maar geen informatie bevatten.

Configuratie

Gebruik de modus Contextuele Volledigheid op het Account-object, gericht op het Industry-veld. Deze modus maakt plaatshouderdetectie mogelijk, wat u nodig heeft om uw theorie te testen.

Schakel hoofdlettergevoeligheid uit voor deze scan. Gebruikers voeren plaatshouders in met allerlei soorten hoofdlettergebruik: „n/a”, „N/a”, „N/A”. Alle varianten opvangen geeft u het echte beeld.

Voorbeeldresultaten

Totale Account-records: 10.000.

Resultaten lezen

Het hoofdgetal ziet er gezond uit: 94% volledigheid. Maar dit is precies wat u vermoedde misleidend te zijn.

Kijk naar de kloof tussen Leeg-aantal en Onvolledig-aantal. Leeg-aantal zegt dat 600 records helemaal geen waarde hebben. Onvolledig-aantal zegt dat 2.400 records geen bruikbare waarde hebben. Het verschil zijn 1.800 records met plaatshouderwaarden.

Dit is de rekenmethode:

Onvolledig-aantal (2.400) = Leeg-aantal (600) + Plaatshouder-aantal (1.800)

600 records zijn zichtbaar leeg. Iemand die een standaard Salesforce-rapport uitvoert, zou deze zien. Maar 1.800 records bevatten waarden zoals „N/A”, „Other” of „Unknown” die het volledigheidspercentage opblazen zonder echte segmentatiedata te bieden.

De werkelijke bruikbare volledigheid is dichter bij 76%, niet 94%. Dat verschil van 18 procentpunten is de verborgen onvolledigheid die standaardrapporten missen.

Waarom dit belangrijk is voor segmentatie: Als marketing een campagne uitvoert die „Technology”-industrie-Accounts target, is het segmentaantal nauwkeurig. Maar als ze een rapport uitvoeren dat de totale dekking per industrie toont, verbergt de 94%-kop dat bijna 1 op de 5 „gevulde” records geen bruikbare industrieinformatie bevat. Territoriumtoewijzingen, branchegebaseerde routing en executieve dashboards erven allemaal deze vertekening.

Wat u vervolgens kunt doen

Bepaal uw data-verrijkingsproject op 2.400 records, niet 600. Het opschoondoel is het Onvolledig-aantal, niet het Leeg-aantal. Werk samen met uw Account-managers om echte industrie-waarden in te vullen, of gebruik een verrijkingsdienst. Voer de scan opnieuw uit na opschoning om verbetering te meten.

Scenario 3: Diepte van Case-beschrijving voor AI-gereedheid

Het probleem

Uw bedrijf evalueert een AI-tool die Case-beschrijvingen samenvatst voor supportagenten. De leverancier zegt dat de AI „rijke tekstdata” nodig heeft om effectief te werken. Voordat u in de tool investeert, moet u beoordelen of uw Case Description-veld voldoende inhoud heeft voor de AI om nuttige samenvattingen te produceren.

Configuratie

Gebruik de modus Contextuele Volledigheid op het Case-object, gericht op het Description-veld. U heeft de volledige set contextuele statistieken nodig: plaatshouderdetectie en de tekst-kwaliteitsstatistieken (Rijke-tekstratio, Tekstveldgebruik, Gemiddeld gebruik).

De lijst met plaatshouders hier weerspiegelt hoe supportagenten het Description-veld daadwerkelijk invullen. In plaats van een echte beschrijving te schrijven, typen ze een snelle afkorting. Deze vermeldingen zijn technisch gezien gevuld maar geven de AI niets om samen te vatten.

Voorbeeldresultaten

Totale Case-records: 4.200 (geschat uit leeg + gevuld, waarbij 500 leeg van ~4.200 totaal het volledigheidspercentage van 88% geeft).

Resultaten lezen

Begin met het hoofdgetal: 88% volledigheid. Dat klinkt gezond voor een tekstveld. Maar deze analyse gaat over AI-gereedheid, niet data-hygiëne. Het hoofdgetal is niet genoeg.

Onvolledig-aantal vs. Leeg-aantal. 500 records hebben helemaal geen beschrijving. Maar 1.800 records zijn onvolledig wanneer u plaatshouders meetelt. Het verschil van 1.300 records bevat vermeldingen zoals „Zie e-mail”, „Terugbellen” en „In behandeling”. Deze records doorstaan een basale volledigheidscontrole maar geven de AI niets om mee te werken.

Rijke-tekstratio: 31%. Dit is het getal dat uw vraag beantwoordt. Slechts 31% van de Case-beschrijvingen heeft betekenisvolle inhoud boven de karakterlimiet. De andere 69% van de „gevulde” beschrijvingen zijn óf plaatshouders (hierboven al geteld) óf te korte en ondiepe vermeldingen voor de AI om samen te vatten, zoals „probleem gemeld”, „klant gebeld” of „geëscaleerd”.

Tekstveldgebruik: 12%. Het Description-veld is een Long Text Area met grote tekencapaciteit. Records gebruiken gemiddeld slechts 12% van die capaciteit over de dataset heen. Dit bevestigt dat de meeste vermeldingen erg kort zijn.

Gemiddeld gebruik: 8,4%. Het gemiddelde gebruik over alle records is 8,4% van de veldcapaciteit. De meeste beschrijvingen zijn een paar woorden, geen alinea’s.

Het AI-gereedheidsoordeel: De AI-samenvattingstool zal nuttige resultaten produceren voor ongeveer 31% van de Cases. Voor de resterende 69% zal de AI ofwel geen samenvatting kunnen genereren of er een maken op basis van een zinsfragment. De tool zal ondermaats presteren op meer dan twee derde van uw case-volume.

Wat u vervolgens kunt doen

Presenteer deze data aan stakeholders voordat u zich aan de AI-tool committeert. De cijfers maken de zaak duidelijk: het AI-project heeft eerst een data-verrijkingsfase nodig. Definieer een doel Rijke-tekstratio (begin met 60% of hoger) en bouw een plan om de beschrijvingskwaliteit te verbeteren. Opties zijn:

• Bijwerk Case-aanmaakprocessen om een minimale beschrijvingslengte te vereisen
• Train supportagenten in het schrijven van nuttige beschrijvingen
• Voeg screen flows toe die vragen om gedetailleerde informatie tijdens case-intake

Voer de scan opnieuw uit na elke verbeteringscyclus. Volg Rijke-tekstratio als uw primaire voortgangsstatistiek voor AI-gereedheid.

Uw configuratie kiezen

Gebruik deze tabel om het juiste startpunt te kiezen voor uw volledigheidsanalyse.

Voor een volledige referentie van alle 13 volledigheidsstatistieken en hoe ze passen in de diagnostische trechter, ga terug naar het hoofdartikel Volledigheid.

Om te zien hoe volledigheid en andere datakwaliteitsdimensies uw AI-gereedheid beïnvloeden, neem de AI-gereedheidsbeoordeling.