Skip to main content

Interpretare i risultati

Imparate a interpretare i risultati delle scansioni DQS, leggere i punteggi delle dimensioni, approfondire fino ai record interessati ed esportare i dati per la pulizia.

Panoramica dei risultati

Al termine di una scansione, DQS presenta i vostri risultati in una vista dashboard. La dashboard mostra i punteggi a più livelli:

  1. Punteggio complessivo - Un singolo numero che rappresenta la qualità totale dei dati
  2. Punteggi delle dimensioni - Punteggi per ciascuna capability (Completezza, Validità, ecc.)
  3. Punteggi dei campi - Punteggi per ciascun campo analizzato
  4. Dettagli dei record - Approfondimento fino ai record specifici interessati

La dashboard dei risultati

Struttura della dashboard

┌─────────────────────────────────────────────────────────────────┐
│                     OVERALL QUALITY SCORE                        │
│                           85%                                    │
│                     ▲ +3% from last scan                         │
├──────────────────────┬──────────────────────┬───────────────────┤
│    COMPLETENESS      │      VALIDITY        │    UNIQUENESS     │
│        92%           │        78%           │       95%         │
├──────────────────────┼──────────────────────┼───────────────────┤
│    TIMELINESS        │    CONSISTENCY       │   AI READINESS    │
│        88%           │        82%           │       76%         │
└──────────────────────┴──────────────────────┴───────────────────┘

Accedere ai risultati

  1. Aprite DQS dall’App Launcher
  2. Trovate la vostra Definition nell’elenco
  3. Cliccate sul nome della Definition
  4. Selezionate la scheda Results
  5. Scegliete una data di scansione da visualizzare

La scansione più recente viene mostrata per impostazione predefinita.

Punteggio di qualità complessivo

Il punteggio complessivo è una media ponderata di tutti i punteggi delle dimensioni.

Come viene calcolato

DQS utilizza pesi predefiniti per ciascuna dimensione:

DimensionePeso predefinito
Completezza25%
Validità20%
Unicità20%
Tempestività15%
Coerenza20%

Formula: Complessivo = (Completezza x 0,25) + (Validità x 0,20) + (Unicità x 0,20) + (Tempestività x 0,15) + (Coerenza x 0,20)

I punteggi AI Readiness vengono mostrati separatamente e non influiscono sul punteggio complessivo di Data Quality.

Interpretazione del punteggio

Intervallo di punteggioLivello di qualitàAzione
90-100%EccellenteMantenete le pratiche attuali
80-89%BuonoIntervenite sulle aree deboli specifiche
70-79%DiscretoDate priorità al miglioramento
60-69%ScarsoNecessaria attenzione immediata
Sotto il 60%CriticoRichiesta una pulizia importante dei dati

Indicatore di tendenza

Accanto al vostro punteggio compare una freccia di tendenza:

  • Freccia verde verso l’alto - Il punteggio è migliorato rispetto all’ultima scansione
  • Freccia rossa verso il basso - Il punteggio è peggiorato rispetto all’ultima scansione
  • Trattino grigio - Punteggio invariato

La percentuale indica l’entità della variazione.

Punteggi delle dimensioni

Cliccate la scheda di una qualsiasi dimensione per vedere le metriche dettagliate.

Metriche di Completezza

MetricaTipoCosa indica
Completeness RatePercentualeCampi che hanno un valore
Populated CountNumeroRecord con dati
Incomplete CountNumeroRecord con dati mancanti
Null RatePercentualeCampi che sono NULL
Blank RatePercentualeVuoti o composti solo da spazi
Placeholder RatePercentualeValori N/A, TBD, Unknown

Esempio di interpretazione:

  • Completeness Rate del 85% significa che il 15% dei record ha valori mancanti
  • Un Placeholder Rate elevato suggerisce che gli utenti inseriscono “TBD” invece di dati reali

Metriche di Validità

MetricaTipoCosa indica
Validity RatePercentualeValori che rispettano il formato atteso
Valid CountNumeroRecord con formato corretto
Invalid RatePercentualeValori che non rispettano il formato
Invalid CountNumeroRecord con errori di formato

Esempio di interpretazione:

  • Un Validity Rate del 78% sul campo Email significa che il 22% presenta problemi di formato
  • Problemi comuni: @ mancante, spazi, errori di battitura come “.con”

Metriche di Unicità

MetricaTipoCosa indica
Uniqueness RatePercentualeValori distinti rispetto al totale
Distinct CountNumeroNumero di valori univoci
EntropyDecimaleDiversità dei valori (più alta = più diversificata)
Max FrequencyNumeroOccorrenze del valore più comune
RarityPercentualeCome sono distribuiti i valori rari

Esempio di interpretazione:

  • Un Uniqueness Rate del 95% significa che il 5% sono duplicati
  • Un valore di Entropy basso suggerisce che molti record condividono gli stessi valori

Metriche di Tempestività

MetricaTipoCosa indica
Freshness RatePercentualeRecord entro la finestra di freschezza
Staleness RatePercentualeRecord oltre la finestra di freschezza
Average AgeGiorniEtà media dei valori data
Recency RatePercentualeRecord aggiornati di recente
Future RatePercentualeRecord con date future (errori)
Overdue RatePercentualeRecord oltre l’aggiornamento previsto

Esempio di interpretazione:

  • Uno Staleness Rate del 30% significa che il 30% dei record non viene toccato dalla vostra finestra di freschezza
  • Un Future Rate superiore allo 0% indica errori di inserimento dati

Metriche di Coerenza

MetricaTipoCosa indica
Conformance RatePercentualeValori che rispettano i pattern attesi
Conformance CountNumeroRecord conformi
Non-Conforming CountNumeroRecord con variazioni
Variant CountNumeroDiverse varianti di valore trovate
Dominant ValuesJSONValori principali e relativi conteggi

Esempio di interpretazione:

  • Un Variant Count di 15 sul campo Country suggerisce un inserimento incoerente (USA vs United States vs US)
  • Dominant Values mostra quali varianti sono più comuni

Metriche di AI Readiness

Rilevamento PII:

MetricaCosa indica
Records with PIIConteggio assoluto dei record con corrispondenze di pattern (per dimensionare la remediation)
PII Exposure RatePercentuale di record contenenti PII (per la reportistica di conformità)

Dettagli a livello di campo

Cliccate una dimensione per vedere la suddivisione campo per campo.

Tabella dei punteggi dei campi

CampoPunteggioProblemiAzioni
Email92%234 invalidView Records
Phone78%1.456 invalidView Records
MailingCity95%180 missingView Records

Leggere i punteggi dei campi

Ogni campo mostra:

  • Punteggio - Prestazioni per questo campo
  • Problemi - Numero di record problematici
  • Azioni - Link per approfondire ed esportare

Identificare i campi problematici

Ordinate i campi per punteggio (dal più basso) per individuare:

  • I campi con più problemi
  • I campi che richiedono attenzione immediata
  • I pattern tra campi correlati

Suggerimento: concentratevi prima sui campi ad alto impatto. Un miglioramento del 10% nella validità di Email ha più valore di business rispetto al perfezionare un campo usato di rado.

Approfondimento fino ai record

Cliccate View Records per vedere i dati interessati.

Vista elenco dei record

L’approfondimento mostra i record con problemi:

NameEmailProblemaCreated Date
John Smithjohn.smith@exampleInvalid format2026-01-15
Jane Doejane.doe@mail,comInvalid format2026-01-20

Filtrare l’elenco dei record

Filtrate per:

  • Tipo di problema (mancante, non valido, duplicato, ecc.)
  • Intervallo di date
  • Owner
  • Valori di campi personalizzati

Accesso diretto ai record

Cliccate un qualsiasi record per aprirlo in Salesforce. Apportate le correzioni direttamente o assegnatelo al membro del team più appropriato.

Confrontare i risultati nel tempo

Grafici delle tendenze

DQS visualizza grafici delle tendenze che mostrano:

  • Il punteggio complessivo nel tempo
  • I punteggi delle dimensioni nel tempo
  • I punteggi dei campi nel tempo

I grafici vi aiutano a:

  • Monitorare i progressi del miglioramento
  • Individuare le aree in calo
  • Misurare l’impatto degli interventi di pulizia

Confronto tra scansioni

Confrontate due scansioni qualsiasi:

  1. Cliccate Compare nella scheda Results
  2. Selezionate una scansione di riferimento (più vecchia)
  3. Selezionate una scansione di confronto (più recente)
  4. Visualizzate le metriche affiancate

Il confronto evidenzia:

  • Le metriche migliorate (verde)
  • Le metriche peggiorate (rosso)
  • Le metriche invariate (grigio)

Definire obiettivi di miglioramento

Usate i dati storici per stabilire obiettivi realistici:

Punteggio attualeObiettivo realistico a 90 giorni
Sotto il 60%70-75%
60-70%75-82%
70-80%82-88%
80-90%90-94%
Sopra il 90%Mantenere o 95%+

Esportare i dati

Potete esportare i risultati per l’analisi offline e i flussi di lavoro di pulizia.

Esportazione CSV

Opzioni di esportazione:

  • Summary Export - Solo punteggi e metriche
  • Affected Records Export - Elenco completo dei record con problemi
  • Field Detail Export - Suddivisione campo per campo

Come esportare

  1. Aprite i risultati della scansione
  2. Cliccate Export (icona di download)
  3. Scegliete il tipo di esportazione
  4. Selezionate il formato (CSV)
  5. Scaricate il file

Contenuti dell’esportazione

L’Affected Records Export include:

  • Record ID
  • Record Name
  • Campo con il problema
  • Tipo di problema
  • Valore corrente
  • Azione suggerita

Esempio di riga:

0031x00000ABC123,John Smith,Email,INVALID_FORMAT,john.smith@example,Fix email domain

Usare le esportazioni per la pulizia

  1. Esportate i record interessati in CSV
  2. Apriteli in Excel o Google Sheets
  3. Rivedete e correggete i valori
  4. Usate Data Loader per aggiornare Salesforce
  5. Rilanciate la scansione per verificare i miglioramenti

Suggerimento: create un flusso di lavoro per l’assegnazione della pulizia. Esportate i record, assegnate gli owner in base ad Account o Region e tenete traccia delle correzioni.

Condividere i risultati

Opzioni di condivisione

Condividete i risultati con gli stakeholder:

  1. Condivisione del link - Copiate l’URL dei risultati della scansione
  2. Screenshot - Vista dashboard per le presentazioni
  3. Esportazione - CSV per un’analisi dettagliata
  4. Riepilogo via email - Report automatici

Creare report per il management

Per le presentazioni direzionali, concentratevi su:

  • Il punteggio complessivo e la tendenza
  • Il miglioramento rispetto al periodo precedente
  • Le 3 principali aree problematiche
  • Un piano d’azione con tempistiche

Evitate di sommergere con i dettagli delle metriche. Partite dalla storia.

Comprendere le variazioni del punteggio

Perché i punteggi cambiano

VariazioneCause comuni
Punteggio miglioratoInterventi di pulizia, migliore inserimento dati
Punteggio peggioratoNuovi dati con problemi, soglie modificate
Forte aumentoPulizia massiva dei dati completata
Forte caloImportazione di dati con problemi di qualità

Indagare le variazioni

Quando i punteggi cambiano in modo inatteso:

  1. Confrontate le scansioni per individuare quali metriche sono cambiate
  2. Approfondite fino al livello di campo
  3. Rivedete le recenti modifiche ai dati (importazioni, integrazioni)
  4. Verificate se la configurazione della Definition è cambiata

Prossimi passi