# Datakwaliteit in Salesforce

> Wat datakwaliteit in Salesforce betekent, waarom CRM-data in kwaliteit achteruitgaat, welke zes dimensies écht tellen en hoe je die kwaliteit native meet en verbetert.

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

---

Datakwaliteit in Salesforce gaat over hoe goed de records in je org het werk ondersteunen waarvoor je ze inzet: rapportage, automatisering, forecasting en steeds vaker ook AI. Een Salesforce-org kan miljoenen Accounts, Contacts, Leads en Opportunities bevatten, maar volume is geen waarde. Zijn de gegevens onvolledig, verouderd, inconsistent of dubbel, dan erft elk proces dat erop voortbouwt die gebreken.

Deze gids legt uit wat datakwaliteit specifiek binnen Salesforce betekent, waarom CRM-data in kwaliteit achteruitgaat, welke zes dimensies bepalen of je gegevens bruikbaar zijn, en hoe je kwaliteit meet en verbetert zonder ook maar één record uit je org te exporteren.

## Waarom Salesforce-data in kwaliteit achteruitgaat

Salesforce-data blijft niet vanzelf schoon. De kwaliteit gaat voortdurend achteruit, om redenen die structureel zijn en niet toevallig:

- **Handmatige invoer.** Sales-medewerkers leggen accounts aan onder net iets andere namen, slaan niet-verplichte velden over en plakken notities op de verkeerde plek. Elke toetsaanslag is een kans op afwijking.
- **Integraties.** Marketingautomatisering, ERP, facturatie en data-verrijkingstools schrijven allemaal op hun eigen schema en met hun eigen aannames naar Salesforce. Twee systemen die naar hetzelfde veld schrijven, zijn zelden voor altijd op elkaar afgestemd.
- **Tijd.** Een telefoonnummer dat twee jaar geleden klopte, is nu fout. Een afsluitdatum die al voorbij is, is misleidend. Actualiteit brokkelt af, of iemand het record nu aanraakt of niet.
- **Duplicaten.** Dezelfde klant komt binnen via een webformulier, een lijstimport en een sales-medewerker: drie records, één entiteit. Zonder actieve monitoring vermenigvuldigen duplicaten zich.
- **AI-agents.** Naarmate Agentforce en andere agents records lezen en schrijven, verspreiden onopgemerkte kwaliteitsproblemen zich sneller en op grotere schaal dan handmatige invoer ooit kon.

Omdat de oorzaken structureel zijn, is het antwoord geen eenmalige opschoning. Het is continue meting. De vervlakking is meetbaar: B2B-contactgegevens worden schuimig met ruwweg 2,1% per maand — ongeveer 22,5% per jaar — volgens [onderzoek naar vervlakking samengesteld door ZoomInfo](https://pipeline.zoominfo.com/marketing/b2b-data-decay), en dat is nog niet gerekend met integratievervlakking en duplicaten.

## Wat slechte datakwaliteit je kost

In een Salesforce-context is lage datakwaliteit geen abstract probleem. [Gartner stelt de gemiddelde kosten van slechte datakwaliteit op $12,9 miljoen per organisatie per jaar](https://www.gartner.com/en/data-analytics/topics/data-quality), en [Salesforce's eigen State of Sales-onderzoek](https://www.salesforce.com/sales/state-of-sales/sales-statistics/) toont aan dat verkopers 60% van hun tijd besteden aan niet-verkooptaken — veel ervan handmatige CRM-gegevensinvoer en jagen op informatie die schone records aan het licht zouden hebben gebracht. Binnen uw organisatie komt die kostprijs naar voren op drie plekken die er voor het bedrijf toe doen:

**Rapportage en forecasting.** Dashboards zijn niet betrouwbaarder dan de velden die ze samenvoegen. Ontbrekende bedragen, verouderde fases en dubbele opportunities vertekenen pipeline- en omzetcijfers ongemerkt. Leidinggevenden vertrouwen de rapporten niet meer en beslissingen verhuizen terug naar spreadsheets.

**Automatisering.** Flows, validatieregels, toewijzingslogica en goedkeuringsprocessen gaan er allemaal van uit dat de data die ze inlezen klopt. Een leeg regioveld stuurt een lead verkeerd door; een ongeldig e-mailadres breekt stilletjes een nurture-reeks. Slechte data verandert automatisering van een versneller in een risico.

**AI-gereedheid.** Dit is de nieuwste en snelst groeiende kostenpost. Voordat je Agentforce of welk AI-systeem dan ook op je Salesforce-data loslaat, moet je weten welke velden volledig zijn, welke persoonsgegevens (PII) bevatten en welke vers genoeg zijn om een antwoord op te baseren. Onopgemerkte PII in een retrieval-index of trainingsset creëert een blootstelling die geen enkel downstream-filter volledig kan terugdraaien, en onvolledige of verouderde data levert AI-antwoorden op die met overtuiging fout zijn.

## De zes dimensies van datakwaliteit in Salesforce

Datakwaliteit is geen enkel getal dat je hebt of niet hebt. Ze wordt gemeten langs verschillende dimensies, die elk een andere vraag over je records beantwoorden. Door ze te koppelen aan Salesforce wordt het abstracte concreet:

| Dimensie | De vraag die ze beantwoordt | In Salesforce |
|---|---|---|
| **Volledigheid** | Zijn de velden die ingevuld zouden moeten zijn, ook daadwerkelijk gevuld? | Zakelijk verplichte velden die leeg blijven: Account Industry, Contact Email, Opportunity Amount |
| **Geldigheid** | Voldoet de waarde aan het verwachte formaat of de verwachte set? | E-mails zonder `@`, telefoonnummers met letters, picklist-waarden buiten de toegestane set |
| **Uniciteit** | Wordt elke entiteit uit de echte wereld precies één keer weergegeven? | Dubbele Accounts en Contacts ontstaan via formulieren, imports en handmatige invoer |
| **Consistentie** | Komen waarden overeen met de regels en met elkaar? | Land op drie manieren gespeld, een Billing State die de Billing Country tegenspreekt |
| **Tijdigheid** | Zijn de gegevens actueel en zijn de datums plausibel? | Last Activity maanden oud, Close Dates in het verleden, records met een toekomstige datum die niet zouden mogen bestaan |
| **PII-detectie** | Waar bevinden zich gevoelige persoonsgegevens? | BSN's, creditcardnummers en e-mails in vrije-tekstvelden zoals Description en Comment |

Deze zes dimensies vallen uiteen in twee groepen. De eerste vijf — volledigheid, geldigheid, uniciteit, consistentie en tijdigheid — beschrijven operationele hygiëne: of je data werkt voor het dagelijkse CRM-gebruik. PII-detectie hoort bij een tweede groep die draait om **AI-gereedheid**: of je data veilig en klaar is voor Agentforce en andere AI-initiatieven.

## Hoe je datakwaliteit in Salesforce meet

Je kunt niet verbeteren wat je niet meet, en je kunt niet meten wat je alleen met de hand controleert. Datakwaliteit in Salesforce meten betekent deze zes dimensies omzetten in herhaalbare, gekwantificeerde scans.

Het kernresultaat is een **Data Quality Score** (soms een data reliability score genoemd): één gewogen getal dat de dimensies die je belangrijk vindt samenvat tot een cijfer dat je in de tijd kunt volgen. Een score van 100 betekent dat elk record elke controle binnen scope heeft doorstaan; een lagere score vertelt je zowel hoeveel werk er nog ligt als waar het zich concentreert.

Een bruikbare meetaanpak in Salesforce heeft drie eigenschappen:

1. **Op veldniveau, niet alleen op recordniveau.** Weten dat 18% van de Accounts een probleem heeft, is een begin. Weten dat het probleem een leeg Industry-veld is op Accounts die door één integratie zijn aangemaakt, is iets waar je naar kunt handelen.
2. **Gewogen naar jouw prioriteiten.** Een ontbrekend Opportunity Amount weegt zwaarder dan een ontbrekend tweede telefoonnummer. Weging laat de score de zakelijke impact weerspiegelen, niet alleen ruwe aantallen.
3. **Herhaalbaar volgens een schema.** Kwaliteit is een bewegend doel. Een eenmalige audit is de dag erna alweer achterhaald. Geplande scans veranderen een momentopname in een trendlijn.

Dit is de aanpak van Data Quality Sense (DQS). Je definieert wat "goed" betekent voor elk object en veld, voert de scan uit en krijgt een gewogen Data Quality Score, uitgesplitst per dimensie en per veld — en plant die vervolgens in zodat hij zich herhaalt en je de trend kunt volgen.

## Waarom native ertoe doet

De belangrijkste architectuurbeslissing bij het meten van Salesforce-datakwaliteit is waar de meting plaatsvindt. Veel tools vereisen dat je records exporteert naar een externe dienst, ze buiten het platform analyseert en de resultaten terugstuurt. Dat brengt drie problemen met zich mee: een kopie van je data (inclusief eventuele PII) staat nu buiten Salesforce, resultaten lopen achter op de werkelijkheid, en je bent afhankelijk van een integratie die kan breken.

Een **100% Salesforce-native** aanpak vermijdt dit allemaal. De scan draait binnen je org via de eigen batchverwerking van het platform. Er verlaten geen records Salesforce, de resultaten weerspiegelen live data, en er is geen externe pijplijn om te onderhouden. Voor data die PII bevat — precies de data die je het hardst moet analyseren vóór een AI-project — is alles op het platform houden geen gemak maar een compliance-vereiste.

DQS draait om die reden volledig binnen Salesforce. De detectie is deterministisch en transparant: je ziet elke toegepaste regel, en er wordt nooit data geëxporteerd.

## Aan de slag

Datakwaliteit verbeteren in Salesforce volgt een eenvoudige cyclus, en die cyclus is dezelfde of je het nu handmatig doet of met een tool:

1. **Definieer** wat kwaliteit betekent voor je belangrijkste objecten en velden.
2. **Scan** om een baseline Data Quality Score en een uitsplitsing op veldniveau te krijgen.
3. **Prioriteer** de problemen met de hoogste zakelijke impact en de laagste oplosinspanning.
4. **Los op** via opschoning, validatieregels en betere invoerprocessen.
5. **Monitor** met geplande scans, zodat nieuwe problemen aan het licht komen voordat ze zich verspreiden.

In DQS bouw je dit met de Definition Builder — een begeleide wizard waarin je capabilities (de zes dimensies) selecteert, de objecten en velden binnen scope kiest, drempelwaarden instelt en alles controleert. Vervolgens voer je de scan on demand uit of plan je hem in, en verken je de resultaten in Insight Studio met trends, veldgezondheid en uitsplitsingen per dimensie. Alles gebeurt binnen je Salesforce-org.

## Volgende stappen

- [Datakwaliteit in Salesforce meten](/nl/resources/salesforce/measure-data-quality-in-salesforce/): de Data Quality Score in detail
- [Datakwaliteit in Salesforce verbeteren](/nl/resources/salesforce/improve-data-quality-in-salesforce/): de detecteer-los-op-voorkom-cyclus
- [Salesforce Datakwaliteits-dashboard](/nl/resources/salesforce/salesforce-data-quality-dashboard/): de cijfers die het waard zijn om te volgen
- [De vijf dimensies van datakwaliteit](/nl/resources/data-quality/five-dimensions/): het raamwerk achter de dimensies
- [PII-detectie](/nl/resources/ai-readiness/pii-detection/): gevoelige data vinden vóór een AI-project
- [Agentforce-voorbereiding](/nl/resources/ai-readiness/agentforce-preparation/): Salesforce-data klaarmaken voor AI
- [Agentforce Data Readiness-checklist](/nl/resources/ai-readiness/agentforce-data-readiness-checklist/): bevestig dat je data AI-klaar is vóór uitrol
- [Agentforce Datakwaliteit FAQ](/nl/resources/ai-readiness/agentforce-data-quality-faq/): snelle antwoorden op de vragen die teams stellen vóór uitrol
- [Wat is datakwaliteit?](/nl/resources/data-quality/what-is-data-quality/): de basis, vanaf de grond opgebouwd