Salesforce-Datenqualität steigern bedeutet nicht, ein Projekt einmalig abzuschließen. CRM-Daten verschlechtern sich kontinuierlich — durch manuelle Erfassung, Integrationen, den Lauf der Zeit und zunehmend durch KI-Agenten, die Datensätze lesen und schreiben. Das Ziel ist deshalb kein einmaliger Bereinigungsblock, sondern ein wiederholbarer Kreislauf, der die Qualität dauerhaft auf hohem Niveau hält. Dieser Leitfaden beschreibt diesen Kreislauf und die Salesforce-spezifischen Maßnahmen, die jeden Schritt zum Erfolg führen.
Der Verbesserungskreislauf
Jedes tragfähige Datenqualitätsprogramm — ob manuell oder werkzeuggestützt — folgt denselben fünf Schritten:
- Erkennen — den aktuellen Stand nach Dimension und Feld messen.
- Priorisieren — Probleme nach geschäftlichem Einfluss im Verhältnis zum Behebungsaufwand ordnen.
- Beheben — vorhandene Datensätze bereinigen.
- Verhindern — dafür sorgen, dass dasselbe Problem nicht wiederauftritt.
- Überwachen — regelmäßig neu messen, damit neue Probleme frühzeitig erkannt werden.
Wer einen dieser Schritte überspringt, unterbricht den Kreislauf. Wer bereinigt, ohne zu verhindern, behebt dieselben Dubletten jedes Quartal aufs Neue. Wer verhindert, ohne zu überwachen, weiß nie, ob die Maßnahmen etwas bewirkt haben. Die Schritte bedingen einander.
Schritt 1: Erkennen
Was Sie nicht sehen können, können Sie nicht priorisieren. Beginnen Sie damit, die Datenqualität zu messen, um eine Basislinie zu erhalten — einen Datenqualitäts-Score, aufgeschlüsselt nach Dimension und Feld. Diese Aufschlüsselung ist entscheidend: „Vollständigkeit liegt bei Accounts bei 64, getrieben durch ein leeres Industry-Feld” ist ein Ausgangspunkt, auf dem Sie aufbauen können; „die Daten sind irgendwie unordentlich” ist keiner.
Eine brauchbare Basislinie beantwortet drei Fragen: Welche Objekte schneiden am schlechtesten ab? Welche Dimension dominiert das Problem? Und welche konkreten Felder treiben die Fehlerquote?
Schritt 2: Priorisieren
Nicht jedes Problem ist gleich dringend. Ordnen Sie die gefundenen Schwachstellen nach zwei Achsen:
- Geschäftlicher Einfluss — treibt dieses Feld Umsatz, Reporting, Automatisierung oder KI? Ein fehlender Opportunity Amount verzerrt die Forecast-Zahlen; eine fehlende Faxnummer tut es nicht.
- Behebungsaufwand — lässt sich das Problem mit einem Massenupdate und einer Validierungsregel lösen, oder braucht es eine Prozessänderung mit Stakeholder-Abstimmung?
Beginnen Sie mit Problemen, die hohen Einfluss haben und wenig Aufwand erfordern. Sie schaffen Schwung und setzen Kapazität frei für die strukturell schwierigeren Punkte.
Schritt 3: Beheben
In Salesforce lassen sich die meisten Datenprobleme auf einige wiederkehrende Muster zurückführen:
| Problem | Typische Maßnahme |
|---|---|
| Fehlende Werte (Vollständigkeit) | Massenaktualisierung aus einer verlässlichen Quelle; Datenanreicherung; Feld als Pflichtfeld kennzeichnen, wo sinnvoll |
| Ungültige Formate (Gültigkeit) | Massenkorrektur, dann Validierungsregel zur Formatdurchsetzung für neue Einträge |
| Dubletten (Eindeutigkeit) | Datensätze zusammenführen; Dublettenregeln und Abgleichsregeln einrichten, die neue Dubletten blockieren |
| Inkonsistente Werte (Konsistenz) | Auf eine kontrollierte Auswahlliste vereinheitlichen; Freitextfelder durch gebundene Felder ersetzen |
| Veraltete Datensätze (Aktualität) | Re-Engagement- oder Archivierungs-Workflows; Datensätze markieren, die einen Aktualitätsschwellenwert überschreiten |
| Offenliegende PII | Mit PII-Erkennung identifizieren, dann maskieren, einschränken oder entfernen |
Den vorhandenen Rückstand zu beheben ist notwendig — aber für sich allein ein Laufband. Die eigentliche Hebelwirkung liegt im nächsten Schritt.
Schritt 4: Verhindern
Was eine einmalige Bereinigung von einer dauerhaften Verbesserung unterscheidet, ist Prävention. Salesforce bietet native Kontrollmechanismen, die schlechte Daten bereits an der Quelle stoppen:
- Validierungsregeln weisen fehlerhafte Werte zurück, bevor sie gespeichert werden.
- Pflichtfelder (im Seitenlayout oder per Validierung) schließen Vollständigkeitslücken bei der Erfassung.
- Dublettenregeln und Abgleichsregeln blockieren doppelte Accounts und Contacts beim Anlegen.
- Auswahllisten statt Freitextfelder beseitigen eine ganze Klasse von Konsistenzproblemen.
- Integrationsvereinbarungen — die Festlegung, welches System welches Feld besitzt — verhindern, dass zwei Quellen sich gegenseitig überschreiben.
Jeder Kontrollmechanismus, den Sie hinzufügen, verlangsamt das Entstehen neuer Probleme — und das ist es, was den Score langfristig wirklich bewegt.
Schritt 5: Überwachen
Eine einzelne Bereinigung ist unsichtbar, sobald neue Daten eintreffen. Planen Sie wiederkehrende Scans — täglich, wöchentlich oder monatlich — damit Ihr Datenqualitäts-Score zu einem Trendverlauf wird und nicht bei einer Momentaufnahme bleibt. Beginnt eine neue Integration, fehlerhafte Daten zu schreiben, zeigt sich der Einbruch in einem überwachten Score innerhalb weniger Tage — und Sie erkennen das Problem, bevor es einen Bericht oder ein KI-Modell erreicht. Ohne Überwachung taucht dasselbe Problem Monate später als fehlerhaftes Dashboard auf, dem niemand mehr vertraut.
Wie DQS hilft
Data Quality Sense unterstützt den gesamten Kreislauf innerhalb von Salesforce — ohne Datenexport. Sie definieren im Definition Builder, was „gut” für Sie bedeutet, starten einen Scan und erhalten einen gewichteten Datenqualitäts-Score mit feldbezogener Aufschlüsselung, planen diesen Scan für automatische Wiederholungen und verfolgen den Trend in Insight Studio. Erkennung und Priorisierung werden zu einem Dashboard, nicht zu einer Tabellenkalkulations-Übung — sodass der Kreislauf etwas ist, das Sie kontinuierlich betreiben, nicht ein Projekt, das Sie jedes Quartal neu starten.
Nächste Schritte
- Datenqualität in Salesforce: der vollständige Überblick
- Datenqualität in Salesforce messen: der Datenqualitäts-Score im Detail
- Häufige Fehler: Irrtümer, die Datenqualitätsprogramme untergraben
- Datenqualitätskultur aufbauen: Verbesserungen nachhaltig verankern