Skip to main content

La calidad de datos en Salesforce

Qué significa la calidad de datos en Salesforce, por qué se degradan los datos del CRM, las seis dimensiones que importan y cómo medirla y mejorarla de forma nativa.

La calidad de datos en Salesforce es la medida en que los registros de su org sirven al trabajo que realiza con ellos: reporting, automatización, previsiones y, cada vez más, inteligencia artificial. Una org de Salesforce puede albergar millones de Accounts, Contacts, Leads y Opportunities, pero el volumen no equivale a valor. Si los datos están incompletos, obsoletos, son incoherentes o están duplicados, todos los procesos construidos sobre ellos heredan esos defectos.

Esta guía explica qué significa concretamente la calidad de datos dentro de Salesforce, por qué se degradan los datos del CRM, las seis dimensiones que determinan si sus datos son aptos para el uso, y cómo medir y mejorar la calidad sin exportar un solo registro fuera de su org.

Por qué se degradan los datos en Salesforce

Los datos de Salesforce no se mantienen limpios por sí solos. Se deterioran de forma continua, por motivos que son estructurales más que accidentales:

  • Entrada manual. Los comerciales crean accounts con nombres ligeramente distintos, omiten campos no obligatorios y pegan notas en el lugar equivocado. Cada pulsación de tecla es una oportunidad para introducir desviaciones.
  • Integraciones. Las herramientas de marketing automation, ERP, facturación y enriquecimiento de datos escriben en Salesforce con sus propios calendarios y sus propias convenciones. Dos sistemas que alimentan el mismo campo rara vez coinciden para siempre.
  • El tiempo. Un número de teléfono que era correcto hace dos años hoy es erróneo. Una close date que ya pasó induce a error. La frescura se erosiona toque o no alguien el registro.
  • Duplicación. El mismo cliente entra a través de un formulario web, una importación de listas y un comercial: tres registros, una sola entidad. Sin una supervisión activa, los duplicados se multiplican.
  • Agentes de IA. A medida que Agentforce y otros agentes leen y escriben registros, los problemas de calidad no detectados se propagan más rápido y a mayor escala de lo que jamás logró la entrada humana.

Como las causas son estructurales, la respuesta no es una limpieza puntual. Es una medición continua.

Lo que le cuesta una mala calidad de datos

En un contexto de Salesforce, la baja calidad de datos no es una preocupación abstracta. Se manifiesta en tres ámbitos que importan al negocio:

Reporting y previsiones. Los dashboards solo son tan fiables como los campos que agregan. Importes que faltan, etapas obsoletas y opportunities duplicadas distorsionan en silencio las cifras de pipeline y de ingresos. Los líderes dejan de confiar en los informes y las decisiones vuelven a las hojas de cálculo.

Automatización. Los Flows, las validation rules, la lógica de asignación y los procesos de aprobación dan por hecho que los datos que leen son correctos. Un campo Region en blanco enruta mal un Lead; un email no válido rompe en silencio una secuencia de nurturing. Los datos defectuosos convierten la automatización de un multiplicador en un pasivo.

Preparación para la IA. Este es el coste más reciente y de crecimiento más rápido. Antes de conectar Agentforce o cualquier sistema de IA a sus datos de Salesforce, necesita saber qué campos están completos, cuáles contienen información de identificación personal (PII) y cuáles están lo bastante frescos como para fundamentar una respuesta. La PII no detectada en un índice de recuperación o en un conjunto de entrenamiento crea una exposición que ningún filtro posterior puede deshacer del todo, y los datos incompletos u obsoletos producen respuestas de IA seguras pero erróneas.

Las seis dimensiones de la calidad de datos en Salesforce

La calidad de datos no es un único número que se tiene o no se tiene. Se mide a través de dimensiones distintas, cada una de las cuales responde a una pregunta diferente sobre sus registros. Trasladarlas a Salesforce convierte lo abstracto en algo concreto:

DimensiónLa pregunta que respondeEn Salesforce
Completitud¿Están realmente cumplimentados los campos que deberían estarlo?Campos de negocio obligatorios dejados en blanco: Account Industry, Contact Email, Opportunity Amount
Validez¿El valor se ajusta al formato o al conjunto esperado?Emails sin @, números de teléfono con letras, valores de picklist fuera del conjunto permitido
Unicidad¿Cada entidad del mundo real está representada una sola vez?Accounts y Contacts duplicados creados a través de formularios, importaciones y entrada manual
Coherencia¿Los valores concuerdan con las reglas y entre sí?País escrito de tres maneras distintas, Billing State que contradice Billing Country
Actualidad¿Están los datos al día y son plausibles las fechas?Last Activity de hace meses, Close Dates en el pasado, registros con fechas futuras que no deberían existir
Detección de PII¿Dónde residen los datos personales sensibles?Números de la seguridad social, números de tarjeta de crédito y emails en campos de texto libre como Description y Comments

Estas seis dimensiones se reparten en dos grupos. Las cinco primeras —completitud, validez, unicidad, coherencia y actualidad— describen la higiene operativa: si sus datos funcionan para el uso diario del CRM. La detección de PII pertenece a un segundo grupo centrado en la preparación para la IA: si sus datos son seguros y están listos para Agentforce y otras iniciativas de IA.

Cómo medir la calidad de datos en Salesforce

No se puede mejorar lo que no se mide, y no se puede medir lo que solo se comprueba a mano. Medir la calidad de datos en Salesforce significa convertir estas seis dimensiones en análisis cuantificados y repetibles.

El resultado central es una puntuación de calidad de datos (a veces llamada puntuación de fiabilidad de datos): una única cifra ponderada que consolida las dimensiones que le importan en un número que puede seguir a lo largo del tiempo. Una puntuación de 100 significa que todos los registros pasaron todas las comprobaciones del alcance; una puntuación más baja le indica tanto cuánto trabajo queda como dónde se concentra.

Un enfoque de medición útil en Salesforce reúne tres propiedades:

  1. A nivel de campo, no solo de registro. Saber que el 18 % de los Accounts tiene un problema es un punto de partida. Saber que el problema es un campo Industry en blanco en los Accounts creados por una integración concreta es accionable.
  2. Ponderado según sus prioridades. Un Opportunity Amount que falta importa más que un número de teléfono secundario ausente. La ponderación permite que la puntuación refleje el impacto en el negocio, y no simples recuentos en bruto.
  3. Repetible según un calendario. La calidad es un objetivo móvil. Una auditoría puntual queda obsoleta al día siguiente de ejecutarla. Los análisis programados convierten una instantánea en una línea de tendencia.

Este es el enfoque que adopta Data Quality Sense (DQS). Usted define qué significa “bueno” para cada objeto y campo, ejecuta el análisis y obtiene una puntuación de calidad de datos ponderada, desglosada por dimensión y por campo, y luego la programa para que se repita y así seguir la evolución.

Por qué importa que sea nativo

La decisión arquitectónica más importante a la hora de medir la calidad de datos en Salesforce es dónde se realiza la medición. Muchas herramientas exigen exportar los registros a un servicio externo, analizarlos fuera de la plataforma y devolver los resultados. Eso introduce tres problemas: una copia de sus datos (incluida cualquier PII) pasa a residir fuera de Salesforce, los resultados van por detrás de la realidad y usted depende de una integración que puede romperse.

Un enfoque 100 % nativo de Salesforce evita todo esto. El análisis se ejecuta dentro de su org utilizando el procesamiento batch de la propia plataforma. Ningún registro sale de Salesforce, los resultados reflejan los datos en vivo y no hay ningún pipeline externo que mantener. Para los datos que contienen PII —precisamente los que más necesita analizar antes de un proyecto de IA— mantenerlos en la plataforma no es una comodidad, es un requisito de cumplimiento.

DQS funciona enteramente dentro de Salesforce por este motivo. La detección es determinista y transparente: usted ve cada regla aplicada y ningún dato se exporta jamás.

Cómo empezar

Mejorar la calidad de datos en Salesforce sigue un ciclo sencillo, y es el mismo tanto si lo hace de forma manual como con una herramienta:

  1. Definir qué significa calidad para sus objetos y campos más importantes.
  2. Analizar para obtener una puntuación de calidad de datos de referencia y un desglose a nivel de campo.
  3. Priorizar los problemas con el mayor impacto en el negocio y el menor esfuerzo de corrección.
  4. Corregir mediante limpieza, validation rules y mejores procesos de entrada.
  5. Supervisar con análisis programados para que los nuevos problemas afloren antes de propagarse.

En DQS, construye este ciclo con el Definition Builder, un asistente guiado donde selecciona las capacidades (las seis dimensiones), elige los objetos y campos del alcance, configura los umbrales y revisa. A partir de ahí, ejecuta el análisis bajo demanda o lo programa, y explora los resultados en Insight Studio con tendencias, salud de los campos y desgloses por dimensión. Todo ocurre dentro de su org de Salesforce.

Próximos pasos