Skip to main content

Datenqualität in Salesforce

Was Datenqualität in Salesforce bedeutet, warum CRM-Daten mit der Zeit verfallen, welche sechs Dimensionen wirklich zählen und wie Sie die Salesforce-Datenqualität nativ messen und steigern.

Datenqualität in Salesforce beschreibt, wie gut die Datensätze in Ihrer Org die Arbeit unterstützen, für die Sie sie einsetzen: Reporting, Automatisierung, Forecasting und zunehmend auch KI. Eine Salesforce-Org kann Millionen von Accounts, Contacts, Leads und Opportunities enthalten — doch Volumen ist kein Wert an sich. Sind die Daten unvollständig, veraltet, inkonsistent oder mehrfach vorhanden, übertragen sich diese Mängel auf jeden Prozess, der darauf aufbaut.

Dieser Leitfaden erläutert, was Datenqualität in Salesforce konkret bedeutet, warum CRM-Daten sich im Laufe der Zeit verschlechtern, welche sechs Dimensionen darüber entscheiden, ob Ihre Daten wirklich einsatzbereit sind — und wie Sie Salesforce-Datenqualität messen und steigern können, ohne auch nur einen einzigen Datensatz aus Ihrer Org exportieren zu müssen.

Warum Salesforce-Daten verfallen

Salesforce-Daten bleiben nicht von allein sauber. Sie verschlechtern sich kontinuierlich — und das aus strukturellen, nicht zufälligen Gründen:

  • Manuelle Eingabe. Mitarbeiter legen Accounts unter leicht abweichenden Namen an, lassen Pflichtfelder aus geschäftlicher Sicht leer und fügen Notizen an der falschen Stelle ein. Jede Tastatureingabe ist eine potenzielle Fehlerquelle.
  • Integrationen. Marketing-Automation, ERP, Rechnungsstellung und Datenanreicherungs-Tools schreiben nach eigenen Zeitplänen und mit eigenen Annahmen in Salesforce. Zwei Systeme, die dasselbe Feld beschreiben, sind selten dauerhaft synchron.
  • Zeit. Eine Telefonnummer, die vor zwei Jahren korrekt war, ist es heute nicht mehr. Ein Abschlussdatum in der Vergangenheit führt in die Irre. Aktualität schwindet — unabhängig davon, ob jemand den Datensatz anfasst oder nicht.
  • Dubletten. Derselbe Kunde gelangt über ein Webformular, einen Listenimport und einen Vertriebsmitarbeiter ins System — drei Datensätze für eine einzige Einheit. Ohne aktive Überwachung wächst die Zahl der Duplikate stetig.
  • KI-Agenten. Sobald Agentforce und ähnliche Agenten Datensätze lesen und schreiben, breiten sich unerkannte Qualitätsprobleme schneller und in größerem Umfang aus, als es bei manueller Erfassung je möglich wäre.

Da die Ursachen struktureller Natur sind, ist eine einmalige Bereinigung keine Lösung. Was gebraucht wird, ist kontinuierliche Messung.

Was schlechte Datenqualität kostet

Im Salesforce-Kontext ist mangelnde Datenqualität kein abstraktes Problem. Sie schlägt sich an drei Stellen nieder, die für das Unternehmen wirklich relevant sind:

Reporting und Forecasting. Dashboards sind nur so zuverlässig wie die Felder, die sie aggregieren. Fehlende Beträge, veraltete Phasen und doppelte Opportunities verzerren Pipeline- und Umsatzzahlen, ohne dass es sofort auffällt. Führungskräfte verlieren das Vertrauen in die Berichte — und Entscheidungen wandern zurück in die Tabellenkalkulation.

Automatisierung. Flows, Validierungsregeln, Zuweisungslogik und Genehmigungsprozesse setzen voraus, dass die Daten, die sie verarbeiten, korrekt sind. Ein fehlendes Regionsfeld leitet einen Lead falsch weiter; eine ungültige E-Mail-Adresse unterbricht stillschweigend eine Nurture-Sequenz. Schlechte Daten verwandeln Automatisierung von einem Multiplikator in eine Fehlerquelle.

KI-Bereitschaft. Das ist der neueste und am schnellsten wachsende Kostenfaktor. Bevor Sie Agentforce oder ein anderes KI-System auf Ihre Salesforce-Daten loslassen, müssen Sie wissen, welche Felder vollständig sind, welche personenbezogene Daten (PII) enthalten und welche aktuell genug sind, um eine Antwort zuverlässig zu fundieren. Unerkannte PII in einem Retrieval-Index oder Trainings-Datensatz schafft ein Risiko, das kein nachgelagerter Filter vollständig beseitigen kann. Unvollständige oder veraltete Daten hingegen erzeugen KI-Antworten, die selbstbewusst falsch klingen.

Die sechs Dimensionen der Datenqualität in Salesforce

Datenqualität ist keine einzelne Kennzahl, die man entweder hat oder nicht hat. Sie wird anhand klar unterscheidbarer Dimensionen gemessen, von denen jede eine andere Frage zu Ihren Datensätzen beantwortet. Im Salesforce-Kontext werden diese Dimensionen greifbar:

DimensionDie Frage, die sie beantwortetIn Salesforce
VollständigkeitSind die Felder, die befüllt sein sollten, tatsächlich befüllt?Geschäftlich relevante Pflichtfelder ohne Wert: Account Industry, Contact Email, Opportunity Amount
GültigkeitEntspricht der Wert dem erwarteten Format oder der erlaubten Wertemenge?E-Mails ohne @, Telefonnummern mit Buchstaben, Picklist-Werte außerhalb der zulässigen Auswahl
EindeutigkeitWird jede reale Einheit genau einmal abgebildet?Doppelte Accounts und Contacts, die über Formulare, Importe und manuelle Eingaben entstehen
KonsistenzStimmen die Werte mit den Regeln und untereinander überein?Land in drei verschiedenen Schreibweisen, Billing State im Widerspruch zu Billing Country
AktualitätSind die Daten aktuell und sind Datumsangaben plausibel?Last Activity vor Monaten, Close Dates in der Vergangenheit, zukünftige Datensätze, die nicht existieren sollten
PII-ErkennungWo liegen sensible personenbezogene Daten?Sozialversicherungsnummern, Kreditkartendaten und E-Mail-Adressen in Freitextfeldern wie Description und Comment

Diese sechs Dimensionen gliedern sich in zwei Gruppen. Die ersten fünf — Vollständigkeit, Gültigkeit, Eindeutigkeit, Konsistenz und Aktualität — beschreiben die operative Datenhygiene: ob Ihre Daten für den täglichen CRM-Betrieb funktionieren. Die PII-Erkennung gehört zu einer zweiten Gruppe, die sich auf KI-Bereitschaft konzentriert: ob Ihre Daten für Agentforce und andere KI-Initiativen sicher aufgestellt sind.

Wie Sie Datenqualität in Salesforce messen

Was nicht gemessen wird, lässt sich nicht verbessern — und was nur manuell geprüft wird, lässt sich nicht wirklich messen. Datenqualität in Salesforce zu messen bedeutet, diese sechs Dimensionen in wiederholbare, quantifizierte Prüfläufe zu überführen.

Das zentrale Ergebnis ist ein Datenqualitäts-Score (auch als Data Reliability Score bezeichnet): eine einzelne, gewichtete Kennzahl, die die für Sie relevanten Dimensionen in einem Wert zusammenfasst, den Sie über die Zeit verfolgen können. Ein Score von 100 bedeutet, dass jeder Datensatz im Prüfbereich alle Prüfungen bestanden hat; ein niedrigerer Wert zeigt Ihnen sowohl, wie viel Arbeit noch ansteht, als auch wo sie sich konzentriert.

Ein sinnvoller Messansatz in Salesforce weist drei Eigenschaften auf:

  1. Feldbezogen, nicht nur datensatzbezogen. Zu wissen, dass 18 % der Accounts ein Problem aufweisen, ist ein Anfang. Zu wissen, dass dieses Problem ein leeres Industry-Feld bei Accounts ist, die von einer bestimmten Integration angelegt wurden, erlaubt konkretes Handeln.
  2. Gewichtet nach Prioritäten. Ein fehlender Opportunity Amount wiegt schwerer als eine fehlende Nebentelefonnummer. Die Gewichtung stellt sicher, dass der Score den geschäftlichen Einfluss widerspiegelt — und nicht bloß die Anzahl der Rohdaten-Fehler.
  3. Planbar und wiederholbar. Datenqualität ist ein bewegliches Ziel. Eine einmalige Prüfung ist am Tag nach der Durchführung bereits überholt. Geplante Scans verwandeln eine Momentaufnahme in einen Trendverlauf.

Genau diesen Ansatz verfolgt Data Quality Sense (DQS). Sie definieren, was für jedes Objekt und jedes Feld als „gut” gilt, führen den Scan durch und erhalten einen gewichteten Datenqualitäts-Score aufgeschlüsselt nach Dimension und Feld — und können diesen Scan planen, damit er sich automatisch wiederholt und Sie den Trend beobachten können.

Warum der native Ansatz entscheidend ist

Die wichtigste architektonische Weichenstellung beim Messen von Salesforce-Datenqualität ist, wo die Messung stattfindet. Viele Tools erfordern, dass Sie Datensätze in einen externen Dienst exportieren, dort außerhalb der Plattform analysieren und die Ergebnisse zurückspielen. Das schafft drei Probleme: Eine Kopie Ihrer Daten — einschließlich etwaiger PII — liegt nun außerhalb von Salesforce, die Ergebnisse hinken der Realität hinterher, und Sie sind abhängig von einer Integration, die ausfallen kann.

Ein 100 % Salesforce-nativer Ansatz umgeht das alles. Der Scan läuft innerhalb Ihrer Org und nutzt die eigene Stapelverarbeitung der Plattform. Keine Datensätze verlassen Salesforce, die Ergebnisse spiegeln stets aktuelle Daten wider, und es gibt keine externe Pipeline zu pflegen. Für Daten, die PII enthalten — also genau die Daten, die Sie vor einem KI-Projekt am dringendsten analysieren müssen — ist es keine bloße Bequemlichkeit, alles auf der Plattform zu halten. Es ist eine Compliance-Anforderung.

DQS läuft deshalb vollständig innerhalb von Salesforce. Die Erkennung ist deterministisch und transparent: Sie sehen jede angewendete Regel, und Daten werden zu keinem Zeitpunkt exportiert.

Erste Schritte

Die Salesforce-Qualitätssicherung folgt einem einfachen Kreislauf — ob manuell oder mit einem Tool:

  1. Definieren, was Qualität für Ihre wichtigsten Objekte und Felder bedeutet.
  2. Scannen, um einen Basis-Datenqualitäts-Score und eine feldbezogene Aufschlüsselung zu erhalten.
  3. Priorisieren der Probleme mit dem höchsten geschäftlichen Einfluss und dem geringsten Behebungsaufwand.
  4. Beheben durch Bereinigungsaktionen, Validierungsregeln und verbesserte Erfassungsprozesse.
  5. Überwachen mit geplanten Scans, damit neue Probleme erkannt werden, bevor sie sich ausbreiten.

In DQS gestalten Sie diesen Prozess mit dem Definition Builder — einem geführten Assistenten, in dem Sie die gewünschten Funktionen (die sechs Dimensionen) auswählen, Objekte und Felder im Prüfbereich festlegen, Schwellenwerte konfigurieren und alles überprüfen. Anschließend starten Sie den Scan on demand oder planmäßig und erkunden die Ergebnisse in Insight Studio mit Trendverläufen, Feldzustand und Dimensionsaufschlüsselungen. Alles bleibt innerhalb Ihrer Salesforce-Org.

Nächste Schritte