# Salesforce에서 데이터 품질을 개선하는 방법

> Salesforce에서 데이터 품질을 개선하고 유지하기 위한 실용적이고 반복 가능한 워크플로: 탐지, 우선순위 지정, 수정, 예방, 모니터링.

Source: https://dataqualitysense.com/ko/resources/salesforce/improve-data-quality-in-salesforce/
Last updated: 2026-07-15

---

Salesforce에서 데이터 품질을 개선하는 일은 종료일이 정해진 프로젝트가 아닙니다. CRM 데이터는 수동 입력, 연동, 시간, 그리고 이제는 레코드를 읽고 쓰는 AI 에이전트를 통해 끊임없이 저하됩니다. 따라서 목표는 일회성 정리가 아니라, 새로운 데이터가 들어와도 품질을 높게 유지하는 반복 가능한 순환입니다. 저하율은 잘 문서화되어 있습니다: B2B 연락처 데이터는 월 약 [2.1% (연간 약 22.5%)](https://pipeline.zoominfo.com/marketing/b2b-data-decay) 속도로 오래되어 가며, 이는 1월에 끝난 정리가 여름이 되면 실제로 오래되었다는 의미입니다. 이 가이드에서는 그 순환과 각 단계를 작동하게 만드는 Salesforce 특화 전술을 정리합니다.

## 개선 순환

오래가는 모든 데이터 품질 프로그램은 손으로 운영하든 도구로 운영하든 동일한 다섯 단계를 따릅니다.

1. **탐지(Detect)** — 차원별·필드별로 현재 상태를 측정합니다.
2. **우선순위 지정(Prioritize)** — 수정 노력 대비 비즈니스 영향을 기준으로 문제의 순위를 매깁니다.
3. **수정(Fix)** — 기존 레코드를 정리합니다.
4. **예방(Prevent)** — 같은 문제가 다시 발생하지 않도록 막습니다.
5. **모니터링(Monitor)** — 새로운 문제가 일찍 드러나도록 일정에 따라 다시 측정합니다.

어느 한 단계라도 건너뛰면 순환이 끊어집니다. 예방 없이 정리만 하면 매 분기 같은 중복을 수정하게 됩니다. 모니터링 없이 예방만 하면 그것이 효과가 있었는지 결코 알 수 없습니다. 각 단계는 서로를 강화합니다.

## 1단계: 탐지

보이지 않는 것은 우선순위를 정할 수 없습니다. [데이터 품질을 측정](/ko/resources/salesforce/measure-data-quality-in-salesforce/)하는 것부터 시작해 차원별·필드별로 분해된 기준 데이터 품질 점수를 확보하십시오. 중요한 것은 바로 이 분해 결과입니다. "Account의 완전성이 64이고, 그 원인은 비어 있는 Industry 필드다"는 실행으로 옮길 수 있는 출발점이지만, "데이터가 지저분하다"는 그렇지 않습니다.

좋은 기준선은 세 가지 질문에 답합니다. 어떤 객체가 가장 나쁜가, 어떤 차원이 문제를 지배하는가, 그리고 어떤 구체적인 필드가 실패를 일으키는가.

## 2단계: 우선순위 지정

모든 문제가 똑같은 긴급성을 갖지는 않습니다. 찾아낸 것을 두 축으로 순위 매기십시오.

- **비즈니스 영향** — 이 필드가 매출, 리포팅, 자동화, 또는 AI를 좌우하는가? 누락된 Opportunity Amount는 예측을 왜곡하지만, 누락된 보조 팩스 번호는 그렇지 않습니다.
- **수정 노력** — 일괄 업데이트와 검증 규칙으로 해결할 수 있는가, 아니면 프로세스 변경과 이해관계자의 동의가 필요한가?

영향이 크고 노력이 적은 문제부터 시작하십시오. 이런 문제들이 추진력을 만들고, 더 어려운 구조적 문제를 위한 여력을 확보해 줍니다.

## 3단계: 수정

Salesforce에서 수정은 몇 가지 반복 가능한 패턴으로 나뉩니다.

| 문제 | 일반적인 수정 방법 |
|---|---|
| 누락된 값(완전성) | 신뢰할 수 있는 출처에서 일괄 업데이트; 데이터 보강; 적절한 경우 필드를 필수로 지정 |
| 잘못된 형식(유효성) | 일괄 정정 후, 앞으로 형식을 강제하는 검증 규칙 적용 |
| 중복(고유성) | 레코드 병합; 새 중복을 차단하도록 중복 규칙과 일치 규칙(matching rule) 구성 |
| 일관성 없는 값(일관성) | 통제된 picklist로 표준화; 자유 텍스트를 제약된 필드로 대체 |
| 오래된 레코드(시의성) | 재참여(re-engagement) 또는 보관 워크플로; 최신성 임곗값을 넘은 레코드 플래그 처리 |
| 노출된 PII | [PII 탐지](/ko/resources/ai-readiness/pii-detection/)로 식별한 뒤, 마스킹, 제한, 또는 제거 |

기존에 쌓인 문제를 수정하는 것은 필요하지만, 그것만으로는 러닝머신을 뛰는 것과 같습니다. 진정한 지렛대는 다음 단계에 있습니다.

## 4단계: 예방

일회성 정리와 지속적인 개선을 가르는 차이는 예방입니다. 경제학적으로도 중요합니다: 품질 관리 연구의 1-10-100 규칙(Labovitz와 Chang, *Making Quality Work*, 1992)은 오류를 입력 지점에 방지하려면 $1이 들고, 이후 수정하려면 $10이, 고객이나 의사결정에 도달하면 $100이 든다고 추정합니다. Salesforce는 나쁜 데이터를 발생 지점에서 막을 수 있는 네이티브 제어 수단을 제공합니다.

- **검증 규칙**은 잘못된 형식의 값을 저장되기 전에 거부합니다.
- **필수 필드**(페이지 레이아웃 또는 검증을 통한)는 입력 시점에 완전성 공백을 메웁니다.
- **중복 규칙과 일치 규칙**은 중복 Account와 Contact가 생성될 때 이를 차단합니다.
- **자유 텍스트 대신 picklist**는 일관성 문제 한 부류 전체를 없애 줍니다.
- **연동 계약(integration contract)**, 즉 어느 시스템이 어느 필드를 소유하는지 합의하는 것은 두 출처가 서로를 덮어쓰는 일을 막아 줍니다.

추가하는 제어 수단 하나하나가 새로운 문제가 나타나는 비율을 낮추며, 이것이 바로 시간이 지남에 따라 점수를 실제로 움직이는 요인입니다.

## 5단계: 모니터링

한 번의 수정은 새로운 데이터가 흐르기 시작하는 순간 보이지 않게 됩니다. 매일, 매주, 또는 매월 반복 스캔을 예약해 데이터 품질 점수를 스냅숏이 아닌 추세선으로 만드십시오. 새 연동이 잘못된 데이터를 기록하기 시작하면, 모니터링되는 점수는 며칠 안에 떨어지고, 그 문제가 보고서나 AI 모델에 도달하기 전에 잡아낼 수 있습니다. 모니터링이 없으면 같은 문제가 몇 달 뒤에 아무도 신뢰하지 않는 망가진 대시보드로 다시 나타납니다.

## DQS가 돕는 방법

Data Quality Sense는 데이터 내보내기 없이 Salesforce 내부에서 순환 전체를 지원합니다. Definition Builder에서 좋음이 무엇인지 정의하고, 스캔을 실행해 필드 수준으로 분해된 가중치 기반 데이터 품질 점수를 얻으며, 반복되도록 예약하고, Insight Studio에서 추세를 추적합니다. 탐지와 우선순위 지정은 스프레드시트 작업이 아니라 대시보드가 됩니다. 그래서 이 순환은 매 분기 다시 시작하는 프로젝트가 아니라 지속적으로 운영하는 무언가가 됩니다.

## 다음 단계

- [Salesforce의 데이터 품질](/ko/resources/salesforce/data-quality-in-salesforce/): 전체 가이드
- [Salesforce에서 데이터 품질을 측정하는 방법](/ko/resources/salesforce/measure-data-quality-in-salesforce/): 데이터 품질 점수
- [흔한 함정](/ko/resources/best-practices/common-pitfalls/): 데이터 품질 프로그램을 약화시키는 실수
- [데이터 품질 문화 구축하기](/ko/resources/best-practices/building-data-quality-culture/): 개선을 정착시키는 방법