# Hur du mäter datakvalitet i Salesforce

> Hur en datakvalitetspoäng (data reliability score) fungerar i Salesforce: viktade dimensioner, uppdelningar på fältnivå och att följa kvaliteten över tid.

Source: https://dataqualitysense.com/sv/resources/salesforce/measure-data-quality-in-salesforce/
Last updated: 2026-06-03

---

Du kan inte förbättra det du inte mäter. I Salesforce innebär att mäta datakvalitet att förvandla en vag känsla av att "datan är rörig" till ett tal du kan följa, en uppdelning du kan agera på och en trend du kan bevaka. Det talet är en **datakvalitetspoäng** — ibland kallad data reliability score — och den här guiden förklarar hur den fungerar, hur du läser den och hur du agerar på den.

## Vad en datakvalitetspoäng är

En datakvalitetspoäng är en enda siffra, på en skala 0–100, som sammanfattar hur väl en uppsättning Salesforce-poster uppfyller de kvalitetsregler du definierar. En poäng på 100 betyder att varje post inom omfattningen klarade varje kontroll; en lägre poäng talar om för dig både hur mycket arbete som återstår och, när den bryts ned, exakt var det koncentreras.

Poängen är inget fåfängemått. Dess värde kommer från tre egenskaper:

- **Den är sammansatt.** Poängen rullar upp flera [datakvalitetsdimensioner](/sv/resources/data-quality/five-dimensions/) — fullständighet, giltighet, unikhet, konsekvens, aktualitet — till ett jämförbart tal.
- **Den är viktad.** Inte varje problem väger lika tungt, så poängen speglar affärsprioritet snarare än rena antal problem.
- **Den är upprepningsbar.** Körd på schema förvandlar samma beräkning en engångsrevision till en trendlinje du kan styra.

"Data reliability score" och "datakvalitetspoäng" beskriver samma idé: ett kvantifierat, tillförlitligt mått på huruvida din data duger att använda.

## Hur poängen beräknas

En meningsfull poäng i Salesforce byggs nedifrån och upp, från fält till dimensioner till ett samlat tal:

1. **Kontroller på fältnivå.** Varje regel körs mot fälten inom omfattningen. Är Account Industry ifyllt? Matchar Contact Email ett giltigt format? Är denna Opportunity en dubblett? Varje kontroll ger godkänt/underkänt på postnivå.
2. **Dimensionspoäng.** Fältresultaten rullar upp till en poäng för varje dimension. Om 92 % av posterna inom omfattningen klarar varje fullständighetskontroll får fullständighet poängen 92.
3. **Viktad totalpoäng.** Dimensionspoängen kombineras till en siffra, viktad efter hur mycket varje dimension betyder för dig. En saknad Opportunity Amount kan räknas högre än ett saknat sekundärt telefonnummer.

Denna struktur nedifrån och upp är vad som gör poängen åtgärdbar. En enstaka "78" är en utgångspunkt. Uppdelningen bakom den — *fullständighet 65 på Accounts, drivet av ett tomt Industry-fält från en integration* — är det du faktiskt åtgärdar.

## Varför viktning spelar roll

Två orgar kan båda få poängen 80 och ändå vara i helt olika skick. Den ena har mindre formateringsproblem utspridda över fält med låg insats. Den andra saknar 20 % av sina Opportunity Amounts. En oviktad räkning av fel skulle behandla dessa lika.

Viktning rättar till det. Genom att tilldela högre vikt till de fält och dimensioner som driver intäkter, rapportering och automatisering följer poängen affärsmässig påverkan snarare än problemvolym. När du finjusterar vikterna efter dina prioriteringar börjar talet betyda något som en ledare kan lita på.

## Att läsa poängen

En poäng är bara användbar om du kan ta dig från huvudsiffran till ett beslut. Läs den i tre svep:

| Svep | Fråga | Vad du tittar på |
|---|---|---|
| 1. Huvudsiffra | Hur frisk är datan totalt sett? | Den enda viktade datakvalitetspoängen |
| 2. Per dimension | Vilken *sorts* problem dominerar? | Poäng per dimension (t.ex. fullständighet vs. unikhet) |
| 3. Per fält | *Var* exakt finns problemet? | Uppdelning på fältnivå inom den svagaste dimensionen |

Vid det tredje svepet tittar du inte längre på "datakvalitet" i abstrakt mening. Du tittar på ett specifikt fält, på ett specifikt objekt, med en specifik felfrekvens — vilket är en uppgift som någon kan äga.

## Från poäng till handling

En poäng förvandlar mätning till en prioriterad att-göra-lista:

1. **Baslinje.** Kör den första skanningen för att fastställa var du står.
2. **Prioritera.** Sortera problem efter affärsmässig påverkan (vikt) mot åtgärdskostnad. Problemen med högst vikt och lägst åtgärdskostnad kommer först.
3. **Åtgärda.** Städa upp befintliga poster, lägg till valideringsregler för att stoppa ny dålig data, och justera inmatningsprocesser.
4. **Mät om.** Kör skanningen igen och se poängen röra sig. Förbättring du inte kan se är förbättring du inte kan försvara.

## Att följa kvaliteten över tid

En enstaka mätning är föråldrad dagen efter att du gör den, eftersom Salesforce-data försämras kontinuerligt. Poängen handlar om **trenden**, inte ögonblicksbilden. Schemalagda skanningar — dagligen, veckovis eller månadsvis — förvandlar poängen till en linje du kan övervaka, så att en ny integration som börjar skriva dålig data visar sig som en svacka du fångar på dagar, inte ett problem du upptäcker månader senare i en trasig rapport.

## Hur DQS mäter det

Data Quality Sense producerar en viktad datakvalitetspoäng helt och hållet inuti Salesforce — inga poster exporteras. Du definierar hur bra ser ut i Definition Builder (välj dimensioner, avgränsa objekt och fält, ställ in tröskelvärden och vikter), kör skanningen vid behov eller på schema, och utforskar resultatet i Insight Studio: den samlade poängen, uppdelningen per dimension, fälthälsa och trenden över tid. Eftersom den körs nativt speglar poängen alltid live-data i din org.

## Nästa steg

- [Datakvalitet i Salesforce](/sv/resources/salesforce/data-quality-in-salesforce/): den kompletta guiden
- [De fem dimensionerna av datakvalitet](/sv/resources/data-quality/five-dimensions/): vad poängen mäter
- [Att mäta datakvalitet](/sv/resources/best-practices/measuring-data-quality/): KPI:er och scorecards på djupet
- [Agentforce-förberedelse](/sv/resources/ai-readiness/agentforce-preparation/): att göra din poäng AI-redo