# Limpieza de datos de Salesforce para Agentforce: guía objeto por objeto > Un manual de limpieza de datos de Salesforce a nivel de campo para Agentforce. Qué objetos y campos limpiar primero para agentes de servicio y de ventas, mapeados a DQS. Source: https://dataqualitysense.com/es/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/ Last updated: 2026-07-15 --- Qué objetos de Salesforce limpia primero depende de qué agentes despliega. Los agentes de servicio leen Case y Knowledge; los agentes de ventas leen Lead, Opportunity, Account y Contact. Esta guía cubre el dónde de la limpieza de datos de Salesforce para Agentforce: los objetos y campos concretos que hay que limpiar, la dimensión en riesgo en cada uno y las acciones de limpieza que conviene ejecutar. Para el cuándo —el calendario de cuatro fases que rodea este trabajo— consulte [Calidad de datos para Agentforce: preparar sus datos de Salesforce para la IA](/es/resources/ai-readiness/agentforce-preparation/). Este artículo encaja dentro de la Fase 2 de ese calendario, donde se remedia objeto por objeto. Ejecute un [análisis de DQS](/es/resources/using-dqs/running-scans/) en cada objeto antes de empezar para saber qué campos fallan realmente, en lugar de limpiar campos que ya están bien. La limpieza a este nivel no es un trabajo opcional introductorio. En la [investigación State of Data and Analytics de Salesforce](https://www.salesforce.com/news/stories/data-analytics-trends/), el 84 % de los líderes de datos y análisis dijeron que su estrategia de datos necesita una revisión completa antes de que puedan tener éxito en sus ambiciones de IA. La remediación objeto por objeto es lo que esa revisión parece en la práctica dentro de un CRM. ## Account Los agentes de ventas leen Account para fundamentar las respuestas sobre el sector, la ubicación y la relación de un cliente. Cuando el agente responde «qué sabemos de esta cuenta», parte de estos campos. | Campo prioritario | Dimensión en riesgo | Qué hacen los datos deficientes con el agente | |---|---|---| | `Name` | Unicidad | Las cuentas duplicadas dividen el historial, así que el agente recupera un registro parcial | | `Industry` | Consistencia | «Tech», «Technology» e «IT» se leen como tres segmentos, lo que rompe las respuestas fundamentadas | | `BillingCountry` | Consistencia | «US», «USA» y «United States» fragmentan el contexto geográfico | | `Phone` / `Website` | Validez | Los valores mal formados producen datos de contacto inutilizables en las respuestas | Acciones de limpieza: - Ejecute un análisis de Unicidad para encontrar Accounts duplicadas antes del despliegue. Los duplicados enseñan al agente hechos contradictorios sobre el mismo cliente. Consulte [Unicidad](/es/resources/data-quality/uniqueness/). - Utilice Import from Field en `Industry` y `BillingCountry` para descubrir todas las variantes que existen y, después, defina los valores canónicos en el [Definition Builder](/es/resources/using-dqs/definition-builder/) y normalice. - Ejecute un análisis de Validez en `Phone` y `Website` para detectar entradas mal formadas. Apunte a los campos donde la Validity Rate cae por debajo del 90 %. ## Contact Los agentes leen Contact para identificar con quién están tratando y cómo contactar. Un agente de ventas que redacta un mensaje de prospección extrae de aquí el nombre, el cargo y el correo. | Campo prioritario | Dimensión en riesgo | Qué hacen los datos deficientes con el agente | |---|---|---| | `Email` | Validez | Las direcciones no válidas hacen fracasar la prospección sugerida por el agente | | `Phone` | Validez | Los números mal formados aparecen como datos de contacto rotos | | `Title` | Completitud | Los cargos vacíos eliminan el contexto de rol que el agente usa para personalizar | | `MailingCountry` | Consistencia | Los valores de país inconsistentes desvían las respuestas específicas por región | Acciones de limpieza: - Ejecute un análisis de Validez en `Email` y `Phone`. Son los campos sobre los que actúa un agente, así que los errores de formato se convierten en acciones fallidas. Consulte [Validez](/es/resources/data-quality/validity/). - Ejecute un análisis de Completitud en `Title` y mida la Completeness Rate. Los cargos faltantes privan al agente del contexto de rol que necesita para adaptar un mensaje. - Estandarice `MailingCountry` con Import from Field, haciéndolo coincidir con la lista canónica que definió en Account para que los dos objetos concuerden. ## Case Los agentes de servicio trabajan principalmente desde Case. El agente lee el Subject y el Description para entender la incidencia y, después, fundamenta su respuesta en ese contexto. Es el objeto de mayor impacto para un despliegue de servicio. | Campo prioritario | Dimensión en riesgo | Qué hacen los datos deficientes con el agente | |---|---|---| | `Description` | Completitud | Un Description vacío deja al agente sin contexto, así que devuelve una respuesta genérica | | `Subject` | Completitud | Los asuntos faltantes debilitan la clasificación y el enrutamiento de los casos | | `Status` / `Origin` | Consistencia | Los valores variantes fragmentan la visión del agente sobre el estado y el canal del caso | | `Description` / Comments | Detección de PII | Los SSN y números de tarjeta pegados desde el correo entran en el contexto de la IA | Acciones de limpieza: - Ejecute un análisis de Completitud en `Description`. La completitud de Description equivale al contexto del agente; un campo en blanco es el motivo más habitual de que un agente de servicio responda de forma vaga. Consulte [Completitud](/es/resources/data-quality/completeness/). - Estandarice `Status` y `Origin` con Import from Field para revelar todos los valores existentes y, después, normalice a su lista desplegable canónica. - Ejecute un análisis de PII en `Description` y en los Comments de Case. Email-to-case captura mensajes de clientes que contienen PII, y el agente puede exponer ese PII en una respuesta. Consulte [Detección de PII](/es/resources/ai-readiness/pii-detection/) y la [guía de cumplimiento de PII en Agentforce](/es/resources/ai-readiness/agentforce-pii-compliance/). ## Lead Los agentes de ventas leen Lead para cualificar y enrutar el interés entrante. El agente decide las próximas acciones a partir de la empresa, la fuente y el estado, así que las carencias aquí envían los leads por el camino equivocado. | Campo prioritario | Dimensión en riesgo | Qué hacen los datos deficientes con el agente | |---|---|---| | `Email` | Validez | Las direcciones no válidas rompen el seguimiento dirigido por el agente | | `Company` | Completitud | La falta de datos de empresa bloquea la lógica de cualificación | | `LeadSource` | Consistencia | Las fuentes inconsistentes distorsionan las decisiones de enrutamiento del agente | | `Status` | Consistencia | Los estados variantes confunden dónde se encuentra el lead en el embudo | Acciones de limpieza: - Ejecute un análisis de Validez en `Email` y un análisis de Completitud en `Company`. Estos dos campos determinan si el agente puede actuar sobre un lead siquiera. - Utilice Import from Field en `LeadSource` y `Status` para detectar desviaciones y, después, restrinja a un conjunto de valores definido. Consulte [Consistencia](/es/resources/data-quality/consistency/). - Ejecute un análisis de PII en cualquier campo de notas o descripción donde los comerciales peguen mensajes entrantes en bruto. ## Opportunity Los agentes de ventas leen Opportunity para responder a preguntas de pipeline y previsión. Una etapa obsoleta o un importe faltante producen una respuesta segura pero equivocada sobre el estado de la operación. | Campo prioritario | Dimensión en riesgo | Qué hacen los datos deficientes con el agente | |---|---|---| | `StageName` | Consistencia | Las etapas no estándar tergiversan dónde se encuentran las operaciones | | `CloseDate` | Actualidad | Las fechas de cierre pasadas en operaciones abiertas enseñan al agente hechos desfasados del pipeline | | `Amount` | Completitud | Los importes faltantes distorsionan cualquier previsión que informe el agente | Acciones de limpieza: - Ejecute un análisis de Actualidad para marcar las Opportunities abiertas con `CloseDate` en el pasado. Las fechas obsoletas hacen que el agente informe de un pipeline que ya no existe. Consulte [Actualidad](/es/resources/data-quality/timeliness/). - Ejecute un análisis de Completitud en `Amount`. Un agente que resume el valor del pipeline no puede hacerlo de forma fiable cuando los importes están en blanco. - Confirme que `StageName` coincide con su proceso de ventas definido mediante un análisis de Consistencia. ## Knowledge Los agentes de servicio fundamentan las respuestas en los artículos de Knowledge. El agente recupera un artículo y presenta su contenido como la respuesta autorizada, así que un artículo obsoleto o pobre se convierte en una respuesta incorrecta dada con seguridad. | Campo prioritario | Dimensión en riesgo | Qué hacen los datos deficientes con el agente | |---|---|---| | Fecha de última modificación | Actualidad | Los artículos obsoletos producen respuestas desfasadas que el agente presenta como actuales | | `Title` / `Summary` | Completitud | Los metadatos pobres debilitan la recuperación, así que el agente cita el artículo equivocado | | Cuerpo del artículo | Detección de PII | Los datos de cliente incrustados pueden filtrarse en una respuesta generada | Acciones de limpieza: - Ejecute un análisis de Actualidad sobre la fecha de última modificación para revelar los artículos que superan su umbral de frescura. Los artículos desfasados son la principal fuente de respuestas de servicio seguras pero equivocadas. - Ejecute un análisis de Completitud en `Title` y `Summary`. El agente los utiliza para la recuperación, así que unos metadatos pobres lo llevan a la fuente equivocada. - Ejecute un análisis de PII en el cuerpo del artículo para confirmar que no se pegaron datos específicos de clientes en un artículo publicado. ## ¿Qué objetos debería limpiar primero? Limpie los objetos que sus agentes leen realmente, en el orden en que sus respuestas dependen de ellos. La matriz siguiente mapea la prioridad de limpieza al tipo de agente. | Objeto | Agente de servicio | Agente de ventas | Agente de cara al empleado | |---|---|---|---| | Case | Prioridad 1 | Baja | Media | | Knowledge | Prioridad 1 | Baja | Prioridad 1 | | Account | Media | Prioridad 1 | Media | | Contact | Media | Prioridad 1 | Media | | Lead | Baja | Prioridad 1 | Baja | | Opportunity | Baja | Prioridad 2 | Media | Para un despliegue de servicio, empiece por la completitud de Case Description y la actualidad de Knowledge, porque esos dos campos determinan si el agente dispone del contexto correcto desde el que responder. Para un despliegue de ventas, empiece por Account y Contact y, después, pase a Lead y Opportunity. En todos los tipos de agente, ejecute primero los análisis de PII en los campos de texto que el agente lee, ya que un hallazgo de PII es un problema de cumplimiento más que de calidad. La [lista de verificación de preparación de datos para Agentforce](/es/resources/ai-readiness/agentforce-data-readiness-checklist/) enumera los umbrales previos al despliegue que hay que alcanzar en cada objeto. ## Próximos pasos - [Calidad de datos para Agentforce: preparar sus datos de Salesforce para la IA](/es/resources/ai-readiness/agentforce-preparation/): el calendario de cuatro fases en el que encaja esta limpieza - [Por qué fallan los agentes de Agentforce](/es/resources/ai-readiness/why-agentforce-agents-fail/): los problemas de datos detrás de un resultado poco fiable del agente - [Lista de verificación de preparación de datos para Agentforce](/es/resources/ai-readiness/agentforce-data-readiness-checklist/): umbrales previos al despliegue por objeto - [Cómo mejorar la calidad de datos en Salesforce](/es/resources/salesforce/improve-data-quality-in-salesforce/): el ciclo de detectar, corregir, prevenir y monitorizar - [FAQ de calidad de datos en Agentforce](/es/resources/ai-readiness/agentforce-data-quality-faq/): preguntas habituales respondidas - [Evaluación de preparación para la IA](/es/ai-readiness/): obtenga su puntuación actual de preparación