Melhorar a qualidade de dados no Salesforce não é um projeto com data de término. Os dados de CRM se deterioram continuamente — por entrada manual, integrações, tempo e, agora, agentes de IA lendo e escrevendo registros — então o objetivo não é uma limpeza pontual, mas um loop repetível que mantém a qualidade alta à medida que novos dados chegam. Este guia apresenta esse loop e as táticas específicas do Salesforce que fazem cada etapa funcionar.
O loop de melhoria
Todo programa duradouro de qualidade de dados, quer você o execute na mão ou com uma ferramenta, segue as mesmas cinco etapas:
- Detectar — medir onde você está hoje, por dimensão e por campo.
- Priorizar — classificar os problemas por impacto no negócio contra o esforço de correção.
- Corrigir — limpar os registros existentes.
- Prevenir — impedir que o mesmo problema volte.
- Monitorar — remedir em um cronograma para que novos problemas apareçam cedo.
Pular qualquer etapa quebra o loop. Limpar sem prevenir significa corrigir as mesmas duplicatas a cada trimestre. Prevenir sem monitorar significa nunca saber se funcionou. As etapas reforçam umas às outras.
Etapa 1: Detectar
Você não pode priorizar o que não consegue ver. Comece medindo sua qualidade de dados para obter uma pontuação de qualidade de dados de referência detalhada por dimensão e por campo. O detalhamento é o que importa: “a completude está em 64 nos Accounts, causada por um campo Industry em branco” é um ponto de partida sobre o qual dá para agir; “os dados estão uma bagunça” não é.
Uma boa baseline responde a três perguntas: quais objetos estão piores, qual dimensão domina o problema e quais campos específicos causam as falhas.
Etapa 2: Priorizar
Nem todo problema merece a mesma urgência. Classifique o que você encontrou em dois eixos:
- Impacto no negócio — esse campo move receita, relatórios, automação ou IA? Um Opportunity Amount faltando distorce a previsão; um número de fax secundário faltando não.
- Esforço de correção — isso pode ser resolvido com uma atualização em massa e uma validation rule, ou exige uma mudança de processo e adesão dos stakeholders?
Comece pelos problemas de alto impacto e baixo esforço. Eles criam impulso e liberam capacidade para os problemas estruturais mais difíceis.
Etapa 3: Corrigir
A correção se encaixa em alguns padrões repetíveis no Salesforce:
| Problema | Correção típica |
|---|---|
| Valores faltando (completude) | Atualização em massa a partir de uma fonte confiável; enriquecimento; tornar o campo obrigatório onde fizer sentido |
| Formatos inválidos (validade) | Correção em massa, depois uma validation rule para impor o formato daqui para frente |
| Duplicatas (unicidade) | Mesclar registros; configurar duplicate e matching rules para bloquear novas |
| Valores inconsistentes (consistência) | Padronizar para uma picklist controlada; substituir texto livre por um campo restrito |
| Registros desatualizados (atualidade) | Fluxos de reengajamento ou arquivamento; sinalizar registros que ultrapassaram um limiar de atualidade |
| PII exposto | Identificar com PII detection, depois mascarar, restringir ou remover |
Corrigir o backlog existente é necessário, mas, por si só, é uma esteira. A alavancagem está na próxima etapa.
Etapa 4: Prevenir
A diferença entre uma limpeza pontual e uma melhoria duradoura é a prevenção. O Salesforce oferece controles nativos para impedir dados ruins na origem:
- Validation rules rejeitam valores malformados antes de serem salvos.
- Campos obrigatórios (no page layout ou via validação) fecham lacunas de completude no momento da entrada.
- Duplicate e matching rules bloqueiam Accounts e Contacts duplicados conforme são criados.
- Picklists em vez de texto livre eliminam uma classe inteira de problemas de consistência.
- Contratos de integração — acordar qual sistema é dono de qual campo — evitam que duas fontes sobrescrevam uma à outra.
Cada controle que você adiciona reduz a taxa com que novos problemas surgem, que é o que de fato move a pontuação ao longo do tempo.
Etapa 5: Monitorar
Uma única correção fica invisível no instante em que novos dados começam a fluir. Agende varreduras recorrentes — diárias, semanais ou mensais — para que sua pontuação de qualidade de dados se torne uma linha de tendência, não um instantâneo. Quando uma nova integração começa a escrever dados ruins, uma pontuação monitorada cai em poucos dias e você a pega antes que chegue a um relatório ou a um modelo de IA. Sem monitoramento, o mesmo problema aparece meses depois como um dashboard quebrado em que ninguém confia.
Como o DQS ajuda
O Data Quality Sense dá suporte ao loop inteiro dentro do Salesforce, sem exportação de dados. Você define o que é bom no Definition Builder, roda uma varredura para obter uma pontuação de qualidade de dados ponderada com detalhamento por campo, a agenda para repetir e acompanha a tendência no Insight Studio. Detecção e priorização viram um dashboard em vez de um exercício de planilha — então o loop é algo que você roda continuamente, não um projeto que você reinicia a cada trimestre.
Próximos passos
- Qualidade de dados no Salesforce: o guia completo
- Como medir a qualidade de dados no Salesforce: a pontuação de qualidade de dados
- Armadilhas comuns: erros que minam programas de qualidade de dados
- Construindo uma cultura de qualidade de dados: fazer a melhoria perdurar