Kompletność: scenariusze konfiguracji

Co obejmują te scenariusze

Ta strona przeprowadza przez trzy rzeczywiste konfiguracje analizy kompletności DQS. Każdy scenariusz dotyczy konkretnego problemu biznesowego, pokazuje dokładne ustawienia i wyjaśnia, jak czytać wyniki.

Te przewodniki bazują na koncepcjach z głównego artykułu Kompletność. Przeczytaj go najpierw, jeśli dopiero poznajesz metryki kompletności lub lejek diagnostyczny.

Scenariusz 1: higiena adresów e-mail na obiektach Contact

Problem

Twój zespół sprzedaży zgłasza, że kampanie e-mailowe mają niskie wskaźniki dostarczalności. Zespół marketing operations obwinia dane, ale nikt nie wie, ile adresów e-mail faktycznie brakuje. Potrzebujesz jasnej liczby rekordów Contact bez użytecznego adresu e-mail.

Konfiguracja

To prosta kontrola wypełnienia pola. Użyj trybu Basic Completeness na obiekcie Contact, kierując się na pole Email.

Pole Email jest polem tekstowym w Salesforce, więc DQS zwraca rozbicie zarówno dla null, jak i pustych wartości.

Przykładowe wyniki

Łącznie rekordów Contact: 10 000.

Jak czytać wyniki

Zacznij od nagłówka: 73% kompletności. Oznacza to, że 2 700 rekordów Contact nie ma adresu e-mail. Twoje kampanie mogą w najlepszym razie dotrzeć do 7 300 z 10 000 kontaktów.

Teraz przejdź przez lejek diagnostyczny, aby zrozumieć, dlaczego 2 700 rekordów jest pustych.

Null Count: 1 800. Te rekordy Contact nigdy nie miały wpisanego adresu e-mail. Pole nigdy nie zostało dotknięte. Ten wzorzec jest typowy dla ręcznie tworzonych rekordów, gdzie handlowcy pomijają pole e-mail przy szybkim wprowadzaniu danych, lub dla starszych rekordów zaimportowanych z systemu, który nie gromadził adresów e-mail.

Blank Count: 900. Te rekordy Contact mają pusty ciąg w polu e-mail. W pole wpisano coś, ale bez wartości. Ten wzorzec wskazuje na inną przyczynę: integracje z formularzami WWW, które wysyłają rekord nawet wtedy, gdy pole e-mail pozostaje puste. Integracja zapisuje '' (pusty ciąg) zamiast pozostawić pole jako null.

Dwie przyczyny wymagają dwóch różnych rozwiązań:

• Dla 1 800 null: zlikwiduj lukę w wprowadzaniu danych. Ustaw pole e-mail jako wymagane w układzie strony Contact lub dodaj monit podczas tworzenia rekordu.
• Dla 900 blank: napraw integrację. Dodaj walidację po stronie klienta w formularzu WWW, aby puste pola e-mail nie były wysyłane, lub dodaj regułę walidacji w Salesforce odrzucającą puste ciągi w polu e-mail.

Co zrobić dalej

Użyj Empty Count (2 700) do oszacowania projektu wzbogacania danych. Jeśli współpracujesz z dostawcą danych, to liczba rekordów do wyceny. Monitoruj Completeness Rate w czasie, aby sprawdzić, czy naprawy działają.

Scenariusz 2: wykrywanie placeholderów w polu Industry na obiekcie Account

Problem

Raporty segmentacji Account pokazują, że 94% rekordów ma wartość w polu Industry. Marketing ufa tej liczbie i używa jej do targetowania kampanii. Podejrzewasz, że 94% jest zawyżone przez wartości zastępcze jak „N/A” i „Unknown”, które wyglądają jak dane, ale nie niosą żadnej informacji.

Konfiguracja

Użyj trybu Contextual Completeness na obiekcie Account, kierując się na pole Industry. Ten tryb włącza wykrywanie placeholderów, które jest potrzebne do zweryfikowania twojej hipotezy.

Wyłącz rozróżnianie wielkości liter w tym skanie. Użytkownicy wpisują placeholdery w najróżniejszej pisowni: „n/a”, „N/a”, „N/A”. Wyłapanie wszystkich wariantów daje pełny obraz.

Przykładowe wyniki

Łącznie rekordów Account: 10 000.

Jak czytać wyniki

Nagłówkowa liczba wygląda zdrowo: 94% kompletności. Ale to dokładnie to, co podejrzewałeś o wprowadzanie w błąd.

Spójrz na różnicę między Empty Count a Incompleted Count. Empty Count mówi, że 600 rekordów nie ma żadnej wartości. Incompleted Count mówi, że 2 400 rekordów nie ma użytecznej wartości. Różnica to 1 800 rekordów z wartościami zastępczymi.

Matematyka:

Incompleted Count (2 400) = Empty Count (600) + Placeholder Count (1 800)

600 rekordów jest wyraźnie pustych. Każdy, kto uruchomi standardowy raport Salesforce, je zobaczy. Ale 1 800 rekordów zawiera wartości jak „N/A”, „Other” lub „Unknown”, które zawyżają wskaźnik kompletności bez dostarczenia rzeczywistych danych do segmentacji.

Prawdziwa użyteczna kompletność jest bliższa 76%, a nie 94%. Ta 18-punktowa luka to ukryta niekompletność, którą standardowe raporty przeoczają.

Dlaczego to ma znaczenie dla segmentacji: Jeśli marketing uruchomi kampanię kierowaną do rekordów Account z branży „Technology”, liczba segmentu będzie dokładna. Ale jeśli uruchomi raport pokazujący całkowity zasięg według branży, nagłówkowe 94% ukryje fakt, że prawie 1 na 5 „wypełnionych” rekordów nie zawiera użytecznej informacji o branży. Przypisania terytoriów, routing oparty na branży i dashboardy zarządcze dziedziczą to zniekształcenie.

Co zrobić dalej

Oszacuj projekt wzbogacania danych na 2 400 rekordów, a nie 600. Celem oczyszczania jest Incompleted Count, a nie Empty Count. Współpracuj z opiekunami rekordów Account, aby uzupełnić prawdziwe wartości branży, lub skorzystaj z usługi wzbogacania. Uruchom skan ponownie po oczyszczeniu, aby zmierzyć poprawę.

Scenariusz 3: głębokość opisu Case dla gotowości na AI

Problem

Twoja firma ocenia narzędzie AI, które podsumowuje opisy Case dla agentów wsparcia. Dostawca mówi, że AI potrzebuje „bogatych danych tekstowych”, aby działać skutecznie. Przed inwestycją musisz ocenić, czy pole Description w Case ma wystarczającą substancję, aby AI mogło wytwarzać użyteczne podsumowania.

Konfiguracja

Użyj trybu Contextual Completeness na obiekcie Case, kierując się na pole Description. Potrzebujesz pełnego zestawu metryk kontekstowych: wykrywania placeholderów oraz metryk jakości tekstu (Rich Text Ratio, Text Field Utilization, Average Utilization).

Lista placeholderów odzwierciedla, jak agenci wsparcia rzeczywiście wypełniają pole Description. Zamiast pisać prawdziwy opis, wpisują szybki skrót. Te wpisy są technicznie wypełnione, ale nie dają AI niczego do podsumowania.

Przykładowe wyniki

Łącznie rekordów Case: 4 200 (oszacowane z liczby pustych + wypełnionych, gdzie 500 pustych z ~4 200 daje 88% kompletności).

Jak czytać wyniki

Zacznij od nagłówka: 88% kompletności. Brzmi zdrowo dla pola tekstowego. Ale ta analiza dotyczy gotowości na AI, a nie higieny danych. Nagłówkowa liczba nie wystarczy.

Incompleted Count vs Empty Count. 500 rekordów nie ma żadnego opisu. Ale 1 800 rekordów jest niekompletnych, gdy uwzględnisz placeholdery. Różnica 1 300 rekordów zawiera wpisy jak „See email”, „Call back” i „Pending”. Rekordy te przechodzą podstawową kontrolę kompletności, ale nie dają AI niczego do pracy.

Rich Text Ratio: 31%. To liczba, która odpowiada na twoje pytanie. Tylko 31% opisów Case ma znaczącą treść powyżej progu znaków. Pozostałe 69% „wypełnionych” opisów to albo placeholdery (już policzone powyżej), albo wpisy zbyt krótkie i płytkie, by AI mogło je podsumować — rzeczy jak „issue reported”, „customer called” czy „escalated”.

Text Field Utilization: 12%. Pole Description to Long Text Area o dużej pojemności znaków. Rekordy używają średnio tylko 12% tej pojemności w całym zbiorze danych. Potwierdza to, że większość wpisów jest bardzo krótka.

Average Utilization: 8,4%. Średnie użycie we wszystkich rekordach wynosi 8,4% pojemności pola. Większość opisów to kilka słów, a nie akapity.

Werdykt gotowości na AI: narzędzie do podsumowywania AI wytworzy użyteczne wyniki dla około 31% Case. Dla pozostałych 69% AI albo nie wygeneruje podsumowania, albo wytworzy coś w oparciu o fragment zdania. Narzędzie będzie słabe na ponad dwóch trzecich twojego wolumenu spraw.

Co zrobić dalej

Przedstaw te dane interesariuszom przed zobowiązaniem się do narzędzia AI. Liczby mówią jasno: projekt AI wymaga najpierw etapu wzbogacania danych. Zdefiniuj docelowy Rich Text Ratio (zacznij od 60% lub wyżej) i zbuduj plan poprawy jakości opisów. Opcje obejmują:

• aktualizację procesów tworzenia Case, aby wymagały minimalnej długości opisu
• szkolenie agentów wsparcia z pisania użytecznych opisów
• dodanie screen flows, które proszą o szczegółowe informacje podczas rejestracji sprawy

Uruchom skan ponownie po każdym cyklu ulepszeń. Monitoruj Rich Text Ratio jako główną metrykę postępu dla gotowości na AI.

Wybór konfiguracji

Użyj tej tabeli, aby wybrać właściwy punkt wyjścia dla analizy kompletności.

Pełna referencja wszystkich 13 metryk kompletności i ich umiejscowienia w lejku diagnostycznym — wróć do głównego artykułu Kompletność.

Aby zobaczyć, jak kompletność i inne wymiary jakości danych wpływają na twoją gotowość na AI, wykonaj AI Readiness Assessment.