DATENQUALITÄT
Datenqualität wird dort verbessert, wo sie Wirkung hat.
Nicht jedes Feld braucht dieselbe Qualität. Entscheidend ist, welche Daten einen Prozess, eine Entscheidung oder eine KI-Aktion tatsächlich beeinflussen.
Qualität sollte deshalb vom Anwendungsfall aus bewertet werden – nicht als pauschales Ziel für den gesamten Datenbestand.
BEDEUTUNG VOR VOLLSTÄNDIGKEIT
Gefüllte Felder sind noch keine verlässlichen Daten.
Ein Wert kann technisch vorhanden und trotzdem fachlich unbrauchbar sein. Ohne klare Bedeutung, Quelle und Verantwortlichkeit bleibt offen, ob ein Feld für Entscheidungen oder KI wirklich verwendet werden kann.
Verlässlichkeit entsteht im Kontext.
Ein Datenwert ist dann nützlich, wenn klar ist, was er bedeutet, woher er kommt, wann er gültig ist und für welchen Zweck er verwendet werden darf.
Datenqualität ist deshalb immer eine Verbindung aus Inhalt, Kontext und Nutzung.
BEISPIEL
Beispiel: Ein Kundenstatus, drei Bedeutungen
Ein scheinbar einfaches Feld wie „Status“ kann je nach System etwas völlig anderes bedeuten. Für Data 360 oder KI muss deshalb zuerst geklärt werden, welche fachliche Aussage tatsächlich gemeint ist.
Gleicher Feldname bedeutet nicht automatisch gleiche fachliche Bedeutung.
- CRM-Status
Beschreibt beispielsweise die aktuelle Kundenbeziehung oder Vertriebsphase.
- Vertragsstatus
Zeigt, ob ein Vertrag aktiv, beendet oder in einer Übergangsphase ist.
- Service-Status
Kann ausdrücken, ob ein Fall offen, eskaliert oder abgeschlossen ist.
- Bedeutung
- Quelle & Ownership
- Qualität & Zugriff
- Nutzung & Feedback
AM PROZESS BEGINNEN
Klären Sie zuerst die kritischen Daten eines konkreten Prozesses.
Statt den gesamten Datenbestand zu bewerten, beginnen Sie mit einem Prozess, der wirklich verbessert werden soll. Daraus lässt sich ableiten, welche Daten dort kritisch sind.
- Welche Entscheidung oder Aktion hängt von den Daten ab?
- Welche Felder beeinflussen diese Entscheidung tatsächlich?
- Woher stammen die Werte und wer verantwortet ihre Bedeutung?
- Welche Fehler würden den Prozess oder das Ergebnis spürbar verändern?
Weitere Schritte (1)
- Welche Daten müssen aktuell, vollständig oder eindeutig sein – und welche nicht?
PRIORISIERUNG
Pragmatisch priorisieren
Nicht jeder Datenfehler rechtfertigt denselben Aufwand. Priorisieren Sie nach Wirkung auf den Anwendungsfall und danach, ob eine Abweichung Entscheidungen, Automatisierung oder Kundenerlebnis tatsächlich beeinflusst.
Kritische Entscheidungsdaten
Fehler beeinflussen direkt eine Entscheidung, Aktion oder KI-Ausgabe.
Daten mit hoher Prozesswirkung
Abweichungen verursachen zusätzliche Prüfung, manuelle Nacharbeit oder falsche Übergaben.
Daten mit geringer Wirkung
Unvollständigkeit ist sichtbar, verändert den konkreten Anwendungsfall aber kaum.
So fließt Aufwand zuerst in die Daten, deren Qualität im Alltag tatsächlich einen Unterschied macht.
DATENFUNDAMENT
Vier Ebenen einer nutzbaren Datenbasis
Eine Datenbasis wird erst dann nutzbar, wenn fachliche Bedeutung, Verantwortung, Vertrauen und spätere Aktivierung zusammenpassen.
01
Bedeutung
Was beschreibt das Feld fachlich – und wie wird es im Prozess interpretiert?
02
Verantwortung
Wer definiert die Bedeutung, Quelle und zulässige Nutzung des Datenwerts?
03
Vertrauen
Wie aktuell, vollständig und belastbar muss der Wert für den konkreten Anwendungsfall sein?
04
Aktivierung
Welche Entscheidung, Automatisierung oder KI-Aktion nutzt die Information tatsächlich?
Ob Data 360 für den daraus entstehenden Aktivierungspfad passt, ordnet Salesforce Data 360: Vom Anwendungsfall zur Aktivierung ein.
KI kann fehlenden Kontext nicht zuverlässig erraten. Sie braucht Daten, deren Bedeutung und Grenzen bekannt sind.
Häufige Fragen zum Datenfundament
Müssen alle Daten vor Data 360 oder Agentforce perfekt sein?
Nein. Entscheidend ist, ob die Daten für den konkreten Anwendungsfall ausreichend zuverlässig sind. Kritische Felder brauchen höhere Qualität als Informationen, die nur ergänzenden Kontext liefern.
Was ist wichtiger: Vollständigkeit oder fachliche Bedeutung?
Die Bedeutung. Ein vollständig gefülltes Feld hilft wenig, wenn unklar ist, was der Wert fachlich aussagt oder wann er gültig ist.
Wie priorisieren wir Datenqualitätsprobleme?
Nach ihrer Wirkung auf den Prozess. Beginnen Sie mit Fehlern, die Entscheidungen, Automatisierungen, Kundeninteraktionen oder KI-Ausgaben tatsächlich beeinflussen.
Quellen und weitere Informationen
Für weiterführende Informationen zu Data 360, Agentforce und Datenqualität sind insbesondere diese Quellen hilfreich:
- Salesforce – Was ist Data 360?Geprüft am
Unterstützt Daten-, Trust- und Governance-Grundlagen für Data 360 und Agentforce; aktuelle Produktanforderungen vor Veröffentlichung erneut prüfen.
- Salesforce – So funktioniert AgentforceGeprüft am
Unterstützt Daten-, Trust- und Governance-Grundlagen für Data 360 und Agentforce; aktuelle Produktanforderungen vor Veröffentlichung erneut prüfen.
- Salesforce Well-Architected – TrustedGeprüft am
Unterstützt Daten-, Trust- und Governance-Grundlagen für Data 360 und Agentforce; aktuelle Produktanforderungen vor Veröffentlichung erneut prüfen.
Themen dieses Beitrags
SO KÖNNTE ES IM ALLTAG AUSSEHEN
Drei Ansichten, die Datenqualität im Betrieb greifbar machen.
Illustrative konfigurierte Arbeitsbereiche zeigen Entscheidung, Belege und Betriebsstatus. Alle Datensätze sind fiktiv.
Fehlenden Identitätsbeleg prüfen
Illustrative Prüfung: Ein fehlender Schlüssel verhindert den Abgleich.
Mit dem Finger wischen oder mit gedrückter Maustaste ziehen. Alternativ die Bildauswahl oder Pfeiltasten nutzen.
Bild 1 von 3: Fehlenden Identitätsbeleg prüfen
Passend weiterlesen
KI in Salesforce: Welche Aufgaben sich wirklich lohnen
Nicht jede Aufgabe wird durch KI besser. Sinnvoll ist KI dort, wo Kontext verstanden, Informationen zusammengeführt oder ein Entwurf vorbereitet werden muss – und wo der Nutzen gegenüber einer einfachen Automatisierung wirklich erkennbar ist. Der beste Einstieg beginnt deshalb nicht mit Agentforce, sondern mit einer klar begrenzten Aufgabe und einem überprüfbaren Ergebnis.
Beitrag lesen
Salesforce Data 360: Vom Anwendungsfall zur Aktivierung
Data 360 sollte nicht mit möglichst vielen Datenquellen starten. Sinnvoller ist ein klarer Anwendungsfall: Welche Entscheidung oder Aktivierung soll besser funktionieren – und welche Daten werden dafür wirklich gebraucht? So bleibt der erste Umfang klein genug, um ihn zuverlässig umzusetzen und die Wirkung Ende zu Ende zu messen.
Beitrag lesen
Raus aus dem Monolithen: Skalierbare Multi-Agent-Architekturen mit Agentforce gestalten
Ein einzelner Agent kann viel – bis Aufgaben, Tools, Regeln und Kontext immer weiter wachsen. Dann wird aus Flexibilität schnell Komplexität. Multi-Agent-Architekturen teilen Verantwortung gezielt auf und machen Agentforce leichter skalierbar, testbar und betreibbar.
Beitrag lesen