# Le nettoyage des données Salesforce pour Agentforce : guide objet par objet > Un playbook de nettoyage des données Salesforce au niveau des champs pour Agentforce. Quels objets et champs nettoyer en priorité pour les agents de service et de vente, mappés sur DQS. Source: https://dataqualitysense.com/fr/resources/ai-readiness/salesforce-data-cleanup-for-agentforce/ Last updated: 2026-07-15 --- Quels objets Salesforce vous nettoyez en premier dépend des agents que vous déployez. Les agents de service lisent Case et Knowledge ; les agents de vente lisent Lead, Opportunity, Account et Contact. Ce guide couvre le « où » du nettoyage des données Salesforce pour Agentforce — les objets et champs précis à nettoyer, la dimension à risque sur chacun, et les actions de nettoyage à exécuter. Pour le « quand » — le calendrier en quatre phases qui entoure ce travail — voir [Qualité des données pour Agentforce : préparer vos données Salesforce pour l'IA](/fr/resources/ai-readiness/agentforce-preparation/). Cet article s'inscrit dans la phase 2 de ce calendrier, où vous remédiez objet par objet. Lancez un [scan DQS](/fr/resources/using-dqs/running-scans/) sur chaque objet avant de commencer afin de savoir quels champs échouent réellement, plutôt que de nettoyer des champs qui sont déjà bons. Le nettoyage à ce niveau n'est pas un travail optionnel. Dans [la recherche sur l'État des données et de l'analytique de Salesforce](https://www.salesforce.com/news/stories/data-analytics-trends/), 84 % des responsables des données et de l'analytique ont déclaré que leur stratégie de données avait besoin d'une refonte complète avant que leurs ambitions en matière d'IA puissent réussir. La remédiation objet par objet est à quoi ressemble cette refonte en pratique à l'intérieur d'un CRM. ## Account Les agents de vente lisent Account pour fonder des réponses sur le secteur, la localisation et la relation d'un client. Quand l'agent répond « que savons-nous de ce compte », il puise dans ces champs. | Champ prioritaire | Dimension à risque | Ce que les mauvaises données font à l'agent | |---|---|---| | `Name` | Unicité | Les Accounts en double scindent l'historique, donc l'agent récupère un enregistrement partiel | | `Industry` | Cohérence | « Tech », « Technology » et « IT » se lisent comme trois segments, brisant les réponses fondées | | `BillingCountry` | Cohérence | « US », « USA », « United States » fragmentent le contexte géographique | | `Phone` / `Website` | Validité | Des valeurs mal formées produisent des coordonnées inutilisables dans les réponses | Actions de nettoyage : - Lancez un scan d'Unicité pour trouver les Accounts en double avant le déploiement. Les doublons apprennent à l'agent des faits contradictoires sur le même client. Voir [Unicité](/fr/resources/data-quality/uniqueness/). - Utilisez Import from Field sur `Industry` et `BillingCountry` pour découvrir toutes les variantes existantes, puis définissez des valeurs canoniques dans le [Definition Builder](/fr/resources/using-dqs/definition-builder/) et normalisez. - Lancez un scan de Validité sur `Phone` et `Website` pour détecter les entrées mal formées. Ciblez les champs où Validity Rate descend en dessous de 90 %. ## Contact Les agents lisent Contact pour identifier à qui ils ont affaire et comment le joindre. Un agent de vente rédigeant un message de prospection en tire le nom, le titre et l'e-mail. | Champ prioritaire | Dimension à risque | Ce que les mauvaises données font à l'agent | |---|---|---| | `Email` | Validité | Des adresses invalides font échouer la prospection suggérée par l'agent | | `Phone` | Validité | Des numéros mal formés apparaissent comme des coordonnées erronées | | `Title` | Complétude | Des titres vides retirent le contexte de rôle que l'agent utilise pour personnaliser | | `MailingCountry` | Cohérence | Des valeurs de pays incohérentes acheminent mal les réponses spécifiques à une région | Actions de nettoyage : - Lancez un scan de Validité sur `Email` et `Phone`. Ce sont les champs sur lesquels un agent agit, donc les erreurs de format se transforment en actions échouées. Voir [Validité](/fr/resources/data-quality/validity/). - Lancez un scan de Complétude sur `Title` et mesurez Completeness Rate. Des titres manquants privent l'agent du contexte de rôle dont il a besoin pour adapter un message. - Standardisez `MailingCountry` avec Import from Field, en l'alignant sur la liste canonique que vous avez définie sur Account afin que les deux objets s'accordent. ## Case Les agents de service travaillent principalement à partir de Case. L'agent lit le Subject et la Description pour comprendre le problème, puis fonde sa réponse sur ce contexte. C'est l'objet à plus fort effet de levier pour un déploiement de service. | Champ prioritaire | Dimension à risque | Ce que les mauvaises données font à l'agent | |---|---|---| | `Description` | Complétude | Une Description vide ne laisse aucun contexte à l'agent, donc il renvoie une réponse générique | | `Subject` | Complétude | Des sujets manquants affaiblissent la classification et le routage des Cases | | `Status` / `Origin` | Cohérence | Des valeurs variantes fragmentent la vision qu'a l'agent de l'état et du canal du Case | | `Description` / Comments | Détection PII | Des SSN et des numéros de carte collés depuis un e-mail entrent dans le contexte de l'IA | Actions de nettoyage : - Lancez un scan de Complétude sur `Description`. La complétude de Description équivaut au contexte de l'agent ; un champ vide est la raison la plus courante pour laquelle un agent de service répond vaguement. Voir [Complétude](/fr/resources/data-quality/completeness/). - Standardisez `Status` et `Origin` en utilisant Import from Field pour faire ressortir chaque valeur existante, puis normalisez vers votre picklist canonique. - Lancez un scan PII sur `Description` et Case Comments. L'email-to-case capture des messages clients contenant des PII, et l'agent peut faire apparaître ces PII dans une réponse. Voir [Détection PII](/fr/resources/ai-readiness/pii-detection/) et le [guide de conformité PII pour Agentforce](/fr/resources/ai-readiness/agentforce-pii-compliance/). ## Lead Les agents de vente lisent Lead pour qualifier et router l'intérêt entrant. L'agent décide des prochaines actions à partir de l'entreprise, de la source et du statut, donc les lacunes ici envoient les leads dans la mauvaise direction. | Champ prioritaire | Dimension à risque | Ce que les mauvaises données font à l'agent | |---|---|---| | `Email` | Validité | Des adresses invalides rompent le suivi piloté par l'agent | | `Company` | Complétude | Des données d'entreprise manquantes bloquent la logique de qualification | | `LeadSource` | Cohérence | Des sources incohérentes faussent les décisions de routage de l'agent | | `Status` | Cohérence | Des statuts variants brouillent la position du lead dans le funnel | Actions de nettoyage : - Lancez un scan de Validité sur `Email` et un scan de Complétude sur `Company`. Ces deux champs déterminent si l'agent peut agir sur un lead, tout simplement. - Utilisez Import from Field sur `LeadSource` et `Status` pour repérer la dérive, puis contraignez à un ensemble de valeurs défini. Voir [Cohérence](/fr/resources/data-quality/consistency/). - Lancez un scan PII sur tout champ de notes ou de description où les commerciaux collent des messages entrants bruts. ## Opportunity Les agents de vente lisent Opportunity pour répondre aux questions de pipeline et de prévision. Une étape périmée ou un montant manquant produit une réponse affirmée mais fausse sur l'état d'un deal. | Champ prioritaire | Dimension à risque | Ce que les mauvaises données font à l'agent | |---|---|---| | `StageName` | Cohérence | Des étapes non standard faussent la représentation de la position des deals | | `CloseDate` | Actualité | Des dates de clôture passées sur des deals ouverts apprennent à l'agent des faits de pipeline obsolètes | | `Amount` | Complétude | Des montants manquants faussent toute prévision rapportée par l'agent | Actions de nettoyage : - Lancez un scan d'Actualité pour signaler les Opportunities ouvertes dont la `CloseDate` est passée. Des dates périmées font rapporter à l'agent un pipeline qui n'existe plus. Voir [Actualité](/fr/resources/data-quality/timeliness/). - Lancez un scan de Complétude sur `Amount`. Un agent qui résume la valeur du pipeline ne peut pas le faire de façon fiable quand les montants sont vides. - Confirmez que `StageName` correspond à votre processus de vente défini avec un scan de Cohérence. ## Knowledge Les agents de service fondent leurs réponses sur les articles Knowledge. L'agent récupère un article et en présente le contenu comme la réponse faisant autorité, donc un article périmé ou superficiel devient une mauvaise réponse délivrée avec assurance. | Champ prioritaire | Dimension à risque | Ce que les mauvaises données font à l'agent | |---|---|---| | Date de dernière modification | Actualité | Des articles périmés produisent des réponses obsolètes que l'agent présente comme actuelles | | `Title` / `Summary` | Complétude | Des métadonnées superficielles affaiblissent la récupération, donc l'agent cite le mauvais article | | Corps de l'article | Détection PII | Des données clients intégrées peuvent fuiter dans une réponse générée | Actions de nettoyage : - Lancez un scan d'Actualité sur la date de dernière modification pour faire ressortir les articles ayant dépassé votre seuil de fraîcheur. Les articles obsolètes sont la première source de réponses de service affirmées mais fausses. - Lancez un scan de Complétude sur `Title` et `Summary`. L'agent les utilise pour la récupération, donc des métadonnées faibles le mènent à la mauvaise source. - Lancez un scan PII sur le corps de l'article pour confirmer qu'aucune donnée propre à un client n'a été collée dans un article publié. ## Quels objets nettoyer en premier ? Nettoyez les objets que vos agents lisent réellement, dans l'ordre où leurs réponses en dépendent. La matrice ci-dessous mappe la priorité de nettoyage au type d'agent. | Objet | Agent de service | Agent de vente | Agent interne | |---|---|---|---| | Case | Priorité 1 | Faible | Moyenne | | Knowledge | Priorité 1 | Faible | Priorité 1 | | Account | Moyenne | Priorité 1 | Moyenne | | Contact | Moyenne | Priorité 1 | Moyenne | | Lead | Faible | Priorité 1 | Faible | | Opportunity | Faible | Priorité 2 | Moyenne | Pour un déploiement de service, commencez par la complétude de Case Description et l'actualité de Knowledge, car ces deux champs déterminent si l'agent dispose du bon contexte pour répondre. Pour un déploiement de vente, commencez par Account et Contact, puis passez à Lead et Opportunity. Pour tout type d'agent, lancez d'abord les scans PII sur les champs texte que l'agent lit, car une trouvaille PII est un problème de conformité plutôt que de qualité. La [checklist de préparation des données pour Agentforce](/fr/resources/ai-readiness/agentforce-data-readiness-checklist/) liste les seuils pré-déploiement à atteindre sur chaque objet. ## Étapes suivantes - [Qualité des données pour Agentforce : préparer vos données Salesforce pour l'IA](/fr/resources/ai-readiness/agentforce-preparation/) : le calendrier en quatre phases dans lequel s'inscrit ce nettoyage - [Pourquoi les agents Agentforce échouent](/fr/resources/ai-readiness/why-agentforce-agents-fail/) : les problèmes de données derrière les réponses peu fiables de l'agent - [Checklist de préparation des données pour Agentforce](/fr/resources/ai-readiness/agentforce-data-readiness-checklist/) : seuils pré-déploiement par objet - [Comment améliorer la qualité des données dans Salesforce](/fr/resources/salesforce/improve-data-quality-in-salesforce/) : la boucle détecter, corriger, prévenir, surveiller - [FAQ qualité des données Agentforce](/fr/resources/ai-readiness/agentforce-data-quality-faq/) : réponses aux questions courantes - [Évaluation de préparation à l'IA](/fr/ai-readiness/) : obtenez votre score de préparation actuel