Konsekvens: Konfigurationsscenarier

Vad dessa scenarier täcker

Den här sidan går igenom tre verkliga konsekvensgkonfigurationer, från initial konfiguration till läsning av genomsökningsresultat. Varje scenario använder ett olika affärssammanhang och analysläge.

Dessa scenarier bygger på koncepten och mätvärdena som täcks i den huvudsakliga artikeln Konsekvens. Läs den först om termer som Konformansgrad, Variantantal och Dominanta värden är nya för dig.

Scenario 1: Landssfältsstandardisering med identifiering

Affärskontexten

Din org har 15 000 Account-poster från 3 sammanslagna företag. Fältet Country är fritext. Regionala instrumentpaneler visar fragmenterade data: “United States” visas som en rad, “USA” som en annan, “US” som en tredje. Territorietilldelningsregler missar poster eftersom de filtrerar efter en enda stavning. Du behöver standardisera, men du vet inte vilka värden som finns i alla tre äldre system.

Konfigurationsgenomgång

Börja med Importera från fält för att identifiera vad dina data faktiskt innehåller innan du definierar tillåtna värden.

1. Öppna konfigurationen för Förväntade värden för fältet Country.
2. Klicka på Importera från fält. DQS söker i livedata och returnerar distinkta värden sorterade efter frekvens.
3. Granska checklistan. Importen avslöjar hela bilden:

4. Bestäm din standard. ISO-landskoder (“US”, “CA”, “UK”) är kompakta, branschstandard och entydiga. Markera ISO-koderna från importlistan.
5. Klicka på Lägg till markerade för att fylla i dina tillåtna värden.

Ange återstående konfiguration:

Vad genomsökningen producerar

Läsa resultaten

12 % konformans är förväntat. Du definierade en ny standard (ISO-koder) som data aldrig har normaliserats mot. Bara de 1 800 posterna som redan innehåller “US” matchar. Det här är inte ett dåligt resultat. Det är din startpunkt.

47 varianter avslöjar fragmenteringens omfattning. Tre sammanslagna system producerade 47 olika sätt att uttrycka landsnamn. Utan det här talet skulle du underskatta rensningsarbetet.

Dominanta värden visar var man ska fokusera. De 3 bästa variationerna (“United States”, “USA”, “US”) motsvarar 8 600 poster. Att standardisera dessa tre värden ensamt höjer din konformans från 12 % till 69 %. Börja där.

Icke-konformt antal (13 200) är din exakta rensningsomfattning. Din dataförvaltare har nu en konkret projektstorlek, inte en uppskattning.

Nästa åtgärd

Bygg en värdemappningstabell med hjälp av utdatan från Dominanta värden. Mappa “United States” till “US”, “USA” till “US” och så vidare. Kör datanormalisering. Genomsök igen för att verifiera din nya Konformansgrad.

Scenario 2: Validering av Lead-betyg

Affärskontexten

Ditt Lead-betygsfält (Rating__c) är ett textfält som accepterar “Hot”, “Warm” eller “Cold”. Säljchefer rapporterar om konstiga värden i sina pipeline-rapporter. Ett filter för Rating = "Hot" returnerar färre poster än förväntat. Du behöver en snabb konformansrevision för att ta reda på vad som finns i fältet och hur många poster som behöver rensas.

Konfigurationsgenomgång

Börja med Importera från fält för att se de faktiska värdena innan du konfigurerar din genomsökning.

1. Öppna konfigurationen för Förväntade värden för Rating__c.
2. Klicka på Importera från fält. Importen returnerar:

De tre första värdena är dina riktiga betyg. “Very High” kommer från en annan picklist (någon klistrade in från fel fält). “240 km/h” är tydligt data från fel fält helt och hållet. “N/A” är ett platshållarvärde.

3. Markera “Hot”, “Warm” och “Cold”. Lämna resten omarkerade.
4. Klicka på Lägg till markerade.

Ange återstående konfiguration:

Vad genomsökningen producerar

Läsa resultaten

93,7 % konformerar. Det innebär att 43 poster har felaktiga data. För en snabb revision ger Konformanskontroll-läget dig svaret snabbt utan att beräkna avancerade mätvärden.

Steget Importera från fält berättade redan hur skräpet ser ut. “Very High” (23 poster från ett felaktigt picklist-värde), “240 km/h” (12 poster med data från fel fält) och “N/A” (8 platshållar­poster). Du behöver inte Dominanta värden här eftersom importen gav dig uppdelningen innan genomsökningen ens körde.

43 poster är en hanterbar rensning. Det här är inte ett datamigrerings­projekt. Det är en 30-minuters manuell åtgärd eller ett enda datauppdateringsjobb.

Nästa åtgärd

Åtgärda de 43 icke-konformerade posterna. Konvertera sedan Rating__c från ett textfält till en picklist för att förhindra framtida problem. API-skapade poster kringgår picklist-validering, så kör regelbundna konsekvensskanningar för att fånga upp nya variationer från integrationer.

Scenario 3: Jobbtitelkonformans för persona-målstyrning

Affärskontexten

Ditt marknadsföringsteam kör persona-baserade kampanjer som riktar sig mot “VP och uppåt”-Contacts. Fältet Title är fritext med tusentals variationer. Inför varje kampanj söker någon manuellt efter titelnyckelord, missar hälften av variationerna och bygger en ofullständig publik­lista. Teamet behöver ett databaserat svar på två frågor: “Hur många VP+-contacts har vi?” och “Vilka titlar har resten av våra contacts?”

Konfigurationsgenomgång

1. Öppna konfigurationen för Förväntade värden för fältet Title på Contacts.
2. Klicka på Importera från fält. Importen returnerar hundratals värden. För många för att markera individuellt, men frekvensantalen är användbara för sammanhang.
3. Definiera dina tillåtna värden baserade på din persona-mappning. Markera eller skriv in titelvärdena som ditt team betraktar som “VP och uppåt”:

VP, Vice President, SVP, Senior Vice President, EVP,
Executive Vice President, Director, Senior Director,
CEO, CFO, CTO, CIO, CMO, COO, President

4. Klicka på Lägg till markerade.

Ange återstående konfiguration:

Vad genomsökningen producerar

Dominanta värden (Topp 20):

Läsa resultaten

34 % konformans är inte ett misslyckande. Det här är inte ett datakvalitetsproblem. Det innebär att 34 % av dina Contacts har VP+-titlar, och det är din kampanjmålgrupp. Talet svarar på frågan som ditt marknadsföringsteam har gissat sig till.

Variantantal 312 bekräftar att fritext-Titel är mycket fragmenterad. 312 distinkta titelvärden över 10 000 Contacts. Det här är normalt för fritexter­fält och förklarar varför manuella sökningar missar folk.

Dominanta värden visar vilka titlar dina contacts faktiskt har. Många av de bästa värdena är under VP-nivå (Manager, Sales Rep, Account Executive). Det är förväntat. Dessa contacts är giltiga poster med giltiga titlar. De faller utanför din målpersona.

Icke-konformt antal (6 600) är INTE en rensningsomfattning. Till skillnad från landsscenario är dessa inte smutsiga poster. De är contacts med titlar utanför ditt VP+-filter. “Manager” är en riktig titel, inte ett datafel. Behandla Icke-konformt antal som “contacts utanför denna persona”, inte “poster att åtgärda.”

Den verkliga insikten: Du har nu en databaserad publikstorlek. 3 400 VP+-contacts, verifierade genom att genomsöka den faktiska datan. Inga fler manuella nyckelords­sökningar.

Nästa åtgärd

Använd Konformansantalet (3 400) som din VP+-kampanjpubliks storlek. Granska listan Dominanta värden för titlar du missade. “Senior Manager” (275 poster) och “Head of Operations” (180 poster) är gränstfall. Om dessa roller kvalificerar sig för dina kampanjer, lägg till dem i de tillåtna värdena och genomsök igen.

Välja din konfiguration

För en fullständig förklaring av alla 6 konsekvens­mätvärden, analyslägen och konfigurationsinputs, återvänd till den huvudsakliga artikeln Konsekvens.

Redo att mäta din egen datakvalitet? Ta AI-beredskapsbedömningen för att se dina konsekvenpoäng och mer.