# Datakvalitet i Salesforce

> Vad datakvalitet betyder inuti Salesforce, varför CRM-data försämras, de sex dimensioner som spelar roll och hur du mäter och förbättrar den nativt.

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

---

Datakvalitet i Salesforce handlar om hur väl posterna i din org stödjer det arbete du utför med dem: rapportering, automatisering, prognoser och i allt högre grad AI. En Salesforce-org kan rymma miljontals Accounts, Contacts, Leads och Opportunities, men volym är inte detsamma som värde. Om data är ofullständig, inaktuell, inkonsekvent eller dubblerad ärver varje process som byggs ovanpå den dessa brister.

Den här guiden förklarar vad datakvalitet betyder specifikt inuti Salesforce, varför CRM-data försämras, vilka sex dimensioner som avgör om din data duger att använda, och hur du mäter och förbättrar kvaliteten utan att exportera en enda post ut ur din org.

## Varför Salesforce-data försämras

Salesforce-data håller sig inte ren av sig själv. Den bryts ned kontinuerligt, av skäl som är strukturella snarare än tillfälliga:

- **Manuell inmatning.** Säljare lägger upp konton under något olika namn, hoppar över icke-obligatoriska fält och klistrar in anteckningar på fel ställe. Varje tangenttryckning är en chans till avvikelse.
- **Integrationer.** Marketing automation, ERP, fakturering och databerikningsverktyg skriver alla till Salesforce enligt sina egna scheman och med sina egna antaganden. Två system som skriver till samma fält är sällan överens för evigt.
- **Tid.** Ett telefonnummer som var korrekt för två år sedan är nu fel. Ett close date som har passerat är nu vilseledande. Aktualiteten urholkas oavsett om någon rör posten eller inte.
- **Dubbletter.** Samma kund kommer in via ett webbformulär, en listimport och en säljare — tre poster, en enhet. Utan aktiv övervakning förökar sig dubbletterna.
- **AI-agenter.** När Agentforce och andra agenter läser och skriver poster sprids oupptäckta kvalitetsproblem snabbare och i större skala än mänsklig inmatning någonsin kunnat orsaka.

Eftersom orsakerna är strukturella är svaret inte en engångsstädning. Svaret är kontinuerlig mätning. Förfallet är mätbart: B2B-kontaktdata blir inaktuell vid ungefär 2,1 % per månad — omkring 22,5 % per år — enligt [branschforskning om förfall sammanställd av ZoomInfo](https://pipeline.zoominfo.com/marketing/b2b-data-decay), och det är innan du räknar integrationen drift och dubbletter.

## Vad bristande datakvalitet kostar dig

I ett Salesforce-sammanhang är låg datakvalitet inget abstrakt bekymmer. [Gartner sätter den genomsnittliga kostnaden för dålig datakvalitet på 12,9 miljoner dollar per organisation per år](https://www.gartner.com/en/data-analytics/topics/data-quality), och [Salesforces egen State of Sales-forskning](https://www.salesforce.com/sales/state-of-sales/sales-statistics/) visar att säljare spenderar 60 % av sin tid på icke-säljande uppgifter — mycket av det manuell CRM-datainmatning och jaktande efter information som rena poster skulle ha surfaceat. Inuti din org visar den kostnaden sig på tre ställen som spelar roll för verksamheten:

**Rapportering och prognoser.** Dashboards är bara så pålitliga som de fält de aggregerar. Saknade belopp, inaktuella stadier och dubbletter av opportunities förvränger pipeline- och intäktssiffror i det tysta. Ledningen slutar lita på rapporterna, och besluten flyttar tillbaka till kalkylblad.

**Automatisering.** Flows, valideringsregler, tilldelningslogik och godkännandeprocesser förutsätter alla att den data de läser är korrekt. Ett tomt regionsfält dirigerar en lead fel; en ogiltig e-postadress bryter tyst en nurture-sekvens. Dålig data förvandlar automatisering från en multiplikator till en belastning.

**AI-mognad.** Detta är den nyaste och snabbast växande kostnaden. Innan du riktar Agentforce eller något annat AI-system mot din Salesforce-data behöver du veta vilka fält som är kompletta, vilka som innehåller personuppgifter (PII) och vilka som är tillräckligt aktuella för att underbygga ett svar. Oupptäckt PII i ett retrieval-index eller en träningsmängd skapar en exponering som ingen efterföljande filtrering helt kan ångra, och ofullständig eller inaktuell data ger AI-svar som är självsäkert felaktiga.

## De sex dimensionerna av datakvalitet i Salesforce

Datakvalitet är inte ett enda tal som du antingen har eller saknar. Den mäts över flera distinkta dimensioner, där var och en besvarar en egen fråga om dina poster. Att koppla dem till Salesforce gör det abstrakta konkret:

| Dimension | Frågan den besvarar | I Salesforce |
|---|---|---|
| **Fullständighet** | Är de fält som borde vara ifyllda faktiskt ifyllda? | Affärsmässigt obligatoriska fält lämnade tomma: Account Industry, Contact Email, Opportunity Amount |
| **Giltighet** | Följer värdet förväntat format eller tillåten uppsättning? | E-postadresser utan `@`, telefonnummer med bokstäver, picklist-värden utanför den tillåtna uppsättningen |
| **Unikhet** | Representeras varje verklig enhet exakt en gång? | Dubbletter av Accounts och Contacts som skapas via formulär, importer och manuell inmatning |
| **Konsekvens** | Stämmer värdena överens med reglerna och med varandra? | Land stavat på tre sätt, Billing State som motsäger Billing Country |
| **Aktualitet** | Är data aktuell och är datumen rimliga? | Last Activity månader gammal, Close Dates i det förflutna, framtidsdaterade poster som inte borde finnas |
| **PII-detektering** | Var finns känsliga personuppgifter? | Personnummer, kreditkortsnummer och e-postadresser som ligger i fritextfält som Description och Comment |

Dessa sex dimensioner faller i två grupper. De första fem — fullständighet, giltighet, unikhet, konsekvens och aktualitet — beskriver operativ hygien: huruvida din data fungerar för det dagliga CRM-arbetet. PII-detektering hör till en andra grupp med fokus på **AI-mognad**: huruvida din data är säker och förberedd för Agentforce och andra AI-initiativ.

## Hur du mäter datakvalitet i Salesforce

Du kan inte förbättra det du inte mäter, och du kan inte mäta det du bara kontrollerar för hand. Att mäta datakvalitet i Salesforce innebär att förvandla dessa sex dimensioner till upprepningsbara, kvantifierade skanningar.

Det centrala resultatet är en **datakvalitetspoäng** (ibland kallad data reliability score): en enda viktad siffra som rullar upp de dimensioner du bryr dig om till ett tal du kan följa över tid. En poäng på 100 innebär att varje post klarade varje kontroll inom omfattningen; en lägre poäng talar om för dig både hur mycket arbete som återstår och var det koncentreras.

Ett användbart mätningssätt i Salesforce har tre egenskaper:

1. **Fältnivå, inte bara postnivå.** Att veta att 18 % av Accounts har ett problem är en början. Att veta att problemet är ett tomt Industry-fält på Accounts som skapats av en viss integration går att agera på.
2. **Viktat efter dina prioriteringar.** En saknad Opportunity Amount väger tyngre än ett saknat sekundärt telefonnummer. Viktning gör att poängen speglar affärsmässig påverkan, inte bara rena antal.
3. **Upprepningsbart på schema.** Kvalitet är ett rörligt mål. En engångsrevision är föråldrad dagen efter att du kört den. Schemalagda skanningar förvandlar en ögonblicksbild till en trendlinje.

Detta är det angreppssätt som Data Quality Sense (DQS) tillämpar. Du definierar vad "bra" betyder för varje objekt och fält, kör skanningen och får en viktad datakvalitetspoäng uppdelad efter dimension och fält — och schemalägger den sedan att upprepas så att du kan följa trenden.

## Varför native spelar roll

Det viktigaste arkitektoniska beslutet när du mäter datakvalitet i Salesforce är var mätningen sker. Många verktyg kräver att du exporterar poster till en extern tjänst, profilerar dem utanför plattformen och skickar tillbaka resultaten. Det skapar tre problem: en kopia av din data (inklusive eventuell PII) ligger nu utanför Salesforce, resultaten släpar efter verkligheten, och du blir beroende av en integration som kan gå sönder.

Ett **100 % Salesforce-nativt** angreppssätt undviker allt detta. Skanningen körs inuti din org med plattformens egen batchbearbetning. Inga poster lämnar Salesforce, resultaten speglar live-data, och det finns ingen extern pipeline att underhålla. För data som innehåller PII — precis den data du allra mest behöver profilera inför ett AI-projekt — är det inte en bekvämlighet att hålla den på plattformen, det är ett efterlevnadskrav.

DQS körs helt och hållet inuti Salesforce av just det skälet. Detekteringen är deterministisk och transparent: du ser varje tillämpad regel, och ingen data exporteras någonsin.

## Kom igång

Att förbättra datakvalitet i Salesforce följer en enkel slinga, och det är samma slinga oavsett om du gör det manuellt eller med ett verktyg:

1. **Definiera** vad kvalitet betyder för dina viktigaste objekt och fält.
2. **Skanna** för att få en baslinje för datakvalitetspoängen och en uppdelning på fältnivå.
3. **Prioritera** de problem som har störst affärsmässig påverkan och lägst åtgärdskostnad.
4. **Åtgärda** genom uppstädning, valideringsregler och bättre inmatningsprocesser.
5. **Övervaka** med schemalagda skanningar så att nya problem dyker upp innan de sprider sig.

I DQS bygger du detta med Definition Builder — en guidad wizard där du väljer funktioner (de sex dimensionerna), väljer vilka objekt och fält som ska ingå, konfigurerar tröskelvärden och granskar. Därifrån kör du skanningen vid behov eller schemalägger den, och utforskar resultaten i Insight Studio med trender, fälthälsa och dimensionsuppdelningar. Allt sker inuti din Salesforce-org.

## Nästa steg

- [Hur du mäter datakvalitet i Salesforce](/sv/resources/salesforce/measure-data-quality-in-salesforce/): datakvalitetspoängen på djupet
- [Hur du förbättrar datakvalitet i Salesforce](/sv/resources/salesforce/improve-data-quality-in-salesforce/): slingan upptäck-åtgärda-förebygg
- [Salesforce datakvalitets-dashboard](/sv/resources/salesforce/salesforce-data-quality-dashboard/): de mätvärden som är värda att följa
- [De fem dimensionerna av datakvalitet](/sv/resources/data-quality/five-dimensions/): ramverket bakom dimensionerna
- [PII-detektering](/sv/resources/ai-readiness/pii-detection/): att hitta känslig data inför ett AI-projekt
- [Agentforce-förberedelse](/sv/resources/ai-readiness/agentforce-preparation/): att göra Salesforce-data redo för AI
- [Checklista för Agentforce-datamognad](/sv/resources/ai-readiness/agentforce-data-readiness-checklist/): bekräfta att din data är AI-redo före driftsättning
- [Vanliga frågor om Agentforce-datakvalitet](/sv/resources/ai-readiness/agentforce-data-quality-faq/): snabba svar på frågorna team ställer före driftsättning
- [Vad är datakvalitet?](/sv/resources/data-quality/what-is-data-quality/): grunderna, från grunden