Une migration est d'abord un projet de qualité

🌐 Aussi en 19 langues

English · Español · 日本語 · Português (Brasil) · Français · Deutsch · Italiano · 한국어 · 简体中文 · Português (Portugal) · 繁體中文 · Bahasa Indonesia · Türkçe · Polski · Tiếng Việt · ไทย · Українська · Español (México) · Deutsch (Schweiz)

Image générée par IA

Traduit par IA. Pas encore relu par la communauté. Lire en anglais Cette section a changé en anglais et n’a pas encore été retraduite. (81)

Module 1 sur 5 du chapitre Migration et synchronisation, chapitre 10 du cours Data Architect. Chaque module est autonome. Précédent : le chapitre précédent, Intégration et mouvement des données · Suivant : Charger à grande échelle

La question à laquelle répond ce module : que doit-il arriver aux données avant de commencer à les charger dans Salesforce ?

Un projet de migration peut vous tromper. Vous avez des données ici, il vous les faut là-bas, alors quelqu’un commence à parler de Data Loader, de la Bulk API, de fichiers CSV, de tailles de lot et d’ordre de chargement. Ces choses comptent. Ce n’est pas par là que je commence. Ma première question, c’est : qu’allons-nous exactement déplacer ? Si la source contient des clients en double, des adresses invalides, des valeurs obsolètes, des relations cassées et quinze ans de données dont personne n’a besoin, Salesforce deviendra volontiers le nouveau domicile de tout cela. Charger plus vite ne règle rien. Une migration est d’abord un projet de qualité.

Start With the Picture

Here’s Steve Trucking’s landscape from Checkpoint 1, the weekend RouteDesk retires. RouteDesk is the desktop dispatch tool the coordinators used inside each distribution center (DC) to turn manifests into routes. It holds eight years of delivery history, about 5 million deliveries, and the quality varies by DC. At Checkpoint 1 we decided it retires, and we left one question open: what, if anything, comes into the org? That’s a migration decision, and this is the chapter for it. ⟲

Cliquer pour agrandir

One new arrow. It runs once, and then it disappears. ⟲

A migration is an arrow on the landscape like any other. Everything chapter 9 asked of an arrow applies: what moves, how much, by which key, who proves it arrived. The difference is that this arrow has an end. When it’s done, RouteDesk is switched off and the arrow comes off the drawing. That makes it easy to rush, because “we only do it once.” But the data it carries stays in Salesforce for years. ⟲

Déplacer plus vite de mauvaises données, ce n’est pas réussir

Le système hérité contient 500 000 fiches client, et nous migrons 500 000 fiches client. Avons-nous réussi ? Peut-être. Et si 40 000 sont des doublons, si 75 000 n’ont pas été actives depuis dix ans, si des milliers ont des codes d’État invalides, si certaines n’ont aucun identifiant utilisable, si certains enfants pointent vers des parents qui n’existent plus, et si certains champs veulent dire des choses différentes selon la date de création de l’enregistrement ? Le rapport peut quand même dire 500 000 en source, 500 000 en cible, 100 % chargés, et le projet peut quand même être un échec. L’exhaustivité compte, mais à elle seule elle ne prouve pas la qualité.

Alors, avant de concevoir le chargement, je veux comprendre la source. Quelles données existent, et que signifient-elles ? Quel âge ont-elles, à quel point sont-elles fiables, quels champs sont réellement utilisés, quelles valeurs sont valides, quelles relations existent, à quels identifiants puis-je me fier ? Qu’est-ce qui doit survivre à la migration, et qu’est-ce qui ne le doit pas ? C’est là que les chapitres précédents arrivent à échéance : le chapitre 4 nous a appris le paysage de l’entreprise, le chapitre 5 que la qualité doit se concevoir, le chapitre 6 l’identité et l’autorité. La migration applique tout cela à un ensemble de données existant. Ce n’est pas seulement déplacer des lignes. C’est décider quelles parties du passé méritent de faire partie de l’architecture future.

Migrer, archiver ou écarter, et savoir pourquoi

Un inventaire de migration a besoin d’au moins trois réponses : migrer, archiver, ou écarter conformément à la politique. Le détail transactionnel vieux de cinq ans peut devoir être conservé pour la conformité sans vivre dans le modèle de données actif ; des données temporaires obsolètes peuvent n’avoir ni exigence de conservation ni valeur ; l’historique peut relever d’une archive consultable. Le principe de cycle de vie du chapitre 7 était « concevez la sortie », et la migration est le moment idéal pour l’appliquer. N’emportez pas chaque enregistrement simplement parce qu’il est là.

So zoom in on RouteDesk and take it apart, one class of data at a time. ⟲

Cliquer pour agrandir

Every class of data gets a decision, a place and a reason. ⟲

The deliveries not yet made have to come in: manifests arrive one to two days ahead, so on cutover weekend RouteDesk holds about two days of work, roughly 6,400 deliveries, and the crews need them on Monday morning. The recent history comes in because of claims. A damage claim is a Case in Salesforce, and the agent working it needs the delivery behind it. So deliveries still inside the claim window come in too. Steve Trucking accepts claims for 60 days after a delivery, so that’s about 190,000 more Work Orders. Had the business said 30 days, it would be half that. The window is the business’s number, not ours. ⟲

The other 4.8 million deliveries go to Snowflake, where Checkpoint 1 already sends status history, kept by the partner key so a claim on an old delivery can still find it, and so leadership’s five-year reports still work. They don’t belong in the operational core: that would make Salesforce RouteDesk’s retirement home, and chapter 7 showed what Work Orders at volume cost. And the route plans and the coordinators’ drafts? Eight years of yesterday’s plans have no value once the deliveries are done. But I don’t decide that alone. ⟲

The opposite mistake is “we don’t need the old stuff.” Who decided? Legal, finance, operations, service, compliance? The data architect shouldn’t invent retention policy during a migration; we translate the business and regulatory requirement into architecture. Before excluding data, establish whether it must be kept, for how long, where, who needs access, and whether its relationships and source identifiers must survive. Eight years of Recipients’ names, addresses and phone numbers is exactly that kind of question: archiving them isn’t the same as keeping them forever. The goal isn’t to migrate less. It’s to know why every class of data is moving, or isn’t. ⟲

Test knowledge. Migrate what the new system needs to operate, not everything the old one held. Expect a scenario with years of legacy history: the answer is usually to migrate active and recent records and archive the rest outside Salesforce where it stays reachable, with the retention decision made by the business, not by the migration team. ⟲

Where the Preparation Happens

Before the steps, the place. All of this preparation happens outside Salesforce, in a working database of its own: Postgres, SQL Server, Oracle, MySQL, even SQLite for a small job, whatever the team knows. Not in Salesforce, and not in a spreadsheet that gets emailed around. I call it the preparation data store, or the preparation store for short. It sits in between: the source feeds it, and it feeds Salesforce. ⟲

Cliquer pour agrandir

The preparation data store sits in between. Every step in this module happens inside it. ⟲

The extract lands there raw. The standardizing, cleaning, enriching, deduping and validating all run there, as code. The quarantine is a table, the counts are queries, and the whole thing can be run again from the top. Some tools connect a database like this straight to Salesforce, copying data down and sending changes back; others export files for a data loader. There are many ways to load data. The principle doesn’t change: prepare it outside, then load the result. ⟲

And it holds more than the source. Pull down the relevant parts of the target org too. Why? Because dedupe has to compare against what’s already in Salesforce, and when the survivor of a merge is a record that’s already there, the new children need its key to link to it. You can’t decide the merge without both sides in front of you. For RouteDesk, the preparation store holds the RouteDesk extract and a copy of what Salesforce already has: the Retail Partner Accounts, the Products and Service Territories, the claim Cases with their delivery references, and the Work Orders the new integration has already created, because the partners don’t stop sending manifests for our cutover weekend. ⟲

Then you practice. Run the preparation, load a sandbox, reconcile, find the rule that was wrong, fix it, run it all again. By the time we reach production, the preparation has run many times, and it’s boring. That’s the goal. ⟲

Mon ordre : standardiser, nettoyer, enrichir, dédoublonner, valider

When I’m preparing data for migration, I work in this order, and the order matters. All five steps happen in the preparation data store. ⟲

Standardize. Get equivalent values into one form. One source has CA, California and Calif.; another has US, USA and United States. A company comes in as Steve Plumbing, Steve's Plumbing and Steve's Plumbing LLC. Phone numbers arrive as 5555550142, (555) 555-0142 and +1 555 555 0142. Before we compare records or apply matching rules, we need to know which differences are formatting and which are meaningful. ⟲

Names are the classic trap. I had a system with first and last name in one field, and the Salesforce contact needs them apart. “Daniel Reyes” splits easily. Then you get “Mr. Daniel Reyes,” “Daniel Reyes PhD,” “Daniel Reyes III,” and names with two family names, such as Roberto González Suárez, where González isn’t a middle name: split that wrong and you’re in trouble. Build the patterns (two words, three words, a title, a suffix), run the splits, and have the customer validate the results. ⟲

Nettoyer. Traiter ce qui est faux, inutilisable ou obsolète : codes invalides, dates impossibles, fautes d’orthographe, valeurs bouche-trou, champs contenant des données qui ne correspondent pas à leur sens. Mappez délibérément les valeurs des listes de sélection : un statut de piste hérité Cold peut devenir Closed dans la cible. Quand la liste est longue (j’ai vu 200 valeurs), construisez une table de transformation et faites remplir par le métier la valeur cible de chaque valeur source. Salesforce valide strictement les listes de sélection, alors interceptez-les avant qu’elles n’arrivent, et n’attendez pas que les règles de validation vous disent ce que contient votre source.

RouteDesk’s “quality varies by DC” shows up right here. Each DC set up its own status codes over eight years, so the same outcome arrives in nine spellings. The transformation table maps every one of them to the Work Order’s status values in Salesforce: ⟲

DC	RouteDesk says	Work Order status
DC 1	DLV	Completed
DC 4	Delivered - OK	Completed
DC 7	DONE/INST	Completed (the install is on its line item)
DC 1	NH	Cannot Complete (nobody home)
DC 4	Refused	Cannot Complete
DC 7	CXL	Canceled

The left two columns come from profiling the extract; the right column comes from the business, not from us. Completed, Cannot Complete and Canceled are three of the standard Work Order status values (WorkOrder (s'ouvre dans un nouvel onglet), Object Reference, Winter ‘27, checked 2026-10-27). Notice the third row: one RouteDesk code carried two facts, the delivery and the install, and the target model keeps them apart. ⟲

Enrich. Sometimes missing information can be reliably added: a normalized address, a postal code from city and state, a county, a geolocation, a mapping from a legacy code to the new enterprise taxonomy, an enterprise identifier. Enrichment needs provenance. If we add or change information, I want to know where it came from and why I trust it. Some of RouteDesk’s older deliveries don’t name the Retail Partner at all, because each DC served one partner and everybody knew. The DC and the order number’s format tell us which partner it was. That’s enrichment from a rule we can show, not a guess. ⟲

Dédoublonner. Ensuite, trouver les enregistrements qui représentent la même chose dans le monde réel. Pourquoi ne pas commencer par là ? Parce que rapprocher des données sales est plus difficile : Steve's Plumbing et STEVES PLUMBING LLC deviennent bien plus faciles à comparer après la standardisation. Dédoublonnez au sein des données entrantes, puis par rapport à ce qui est déjà dans Salesforce. La règle du chapitre 6 s’applique toujours : fusionner est destructif ; relier, non. Ne fusionnez pas des enregistrements parce qu’un score approximatif a l’air convaincant.

Validate. Finally, test the transformed data against the target: required information present, reference values valid, relationships resolvable, keys unique where they should be, values fitting the model, authority rules preserved. Only then do I want to talk seriously about loading. And don’t expect the import tool to catch everything. Salesforce’s own Trailhead project on the NPSP importer makes the point: it catches invalid picklist values and missing required fields, but if a spreadsheet turned a postal code like 02134 into the number 2134, the importer loads the four digits (Perform an Import Dry Run (s'ouvre dans un nouvel onglet), Trailhead, checked 2026-10-27). That’s one more reason the preparation lives in a database with typed columns, not in a spreadsheet. ⟲

Cliquer pour agrandir

Five steps, in order. A record that fails one goes somewhere visible, with its reason. ⟲

Test knowledge. Data quality is fixed before the load, not after. Know the preparation steps (standardize, clean, enrich, deduplicate, validate) and why the order matters: you can’t match records reliably until their values are in one form. Picklist values are mapped with a transformation table the business signs off, because Salesforce rejects values a restricted picklist doesn’t have. ⟲

Nettoyez avant le déménagement

La tentation, c’est « mettons tout dans Salesforce d’abord et nettoyons ensuite ». Je n’aime pas cela comme choix par défaut. Une fois que de mauvaises données sont en production, elles participent à la production : les utilisateurs les voient, l’automatisation, les rapports, les intégrations et les agents les voient, les doublons commencent à accumuler des enregistrements liés, et le nettoyage devient plus difficile. Là où c’est faisable, améliorez les données avant qu’elles n’entrent dans la cible. Toutes les imperfections historiques n’ont pas à être corrigées ; c’est une décision coût-bénéfice. Mais « on nettoiera plus tard » n’est pas une stratégie de migration. C’est de la dette technique avec une date de lancement.

And not every record deserves the same effort. An active customer with open orders, open cases, current contracts and billing relationships is different from one who bought something once nine years ago. Both may need to be kept. For the critical, active data I may require stricter validation, more enrichment, closer duplicate review and detailed reconciliation; for low-value history, preserving traceability may matter more than making every record perfect. Architecture is partly deciding where quality effort creates value. For RouteDesk, the 6,400 deliveries the crews will drive to on Monday get the strictest checks. The 4.8 million going to the archive need their keys and their dates right; nobody will fix eight years of typos in delivery notes. ⟲

Préservez l’identité source, et chargez par clés

L’une des erreurs les plus faciles, c’est de perdre la capacité de remonter d’un enregistrement Salesforce jusqu’à son origine. Si le client hérité CUST-847291 devient le compte 001…, je veux toujours savoir qu’il vient de CUST-847291, pour le rapprochement, le dépannage, les rechargements, l’audit, l’appariement des enregistrements enfants, l’analyse d’un retour arrière et les questions qui arrivent après le lancement. Le nouvel ID Salesforce compte à l’intérieur de Salesforce ; il n’efface pas l’identité source. C’est le principe de l’External ID du chapitre 9. La migration et l’intégration se rejoignent sur l’identité.

At Steve Trucking they meet in one field. Every Work Order already carries the partner’s key, Partner_Delivery_Key__c, an External ID marked unique, holding values like REDROCK-8472914-1 (chapter 9, module 2). RouteDesk kept the partner’s order number on each delivery, so the migration builds the same key and upserts on it, exactly as the integration does. That matters on cutover weekend: if Redrock resends a manifest for Tuesday after we’ve loaded Tuesday from RouteDesk, the integration finds the migrated Work Order and updates it instead of creating a second one. RouteDesk’s own delivery number comes along too, in a plain field, so anyone can trace a Work Order back to the record it came from. ⟲

So don’t rebuild relationships by name (“find the Account whose Name is Acme Distribution”). If the legacy contact carries Legacy_Account_ID = CUST-847291 and the Salesforce Account carries that identifier as an External ID, the relationship is rebuilt deterministically. The Bulk API does this in the load file itself: a column header such as WorkOrder.Partner_Delivery_Key__c says “find my parent by this indexed field,” and Salesforce looks up the parent’s ID for you (Relationship Fields in a Header Row (s'ouvre dans un nouvel onglet), Bulk API 2.0 and Bulk API Developer Guide, checked 2026-10-27). Keys turn “I think this child belongs here” into “I know which parent this came from,” and that matters more as the Number of Zeros grows. ⟲

Relationships also create sequence. If contacts reference accounts, the accounts must exist first; if line items reference orders and products, those come first. So migration isn’t one giant load. It’s reference data, parents, children, junctions, then dependent history, in an order the target data model dictates. That’s one more reason the data architect belongs in migration planning: the model tells us how the migration has to be assembled. Here’s RouteDesk’s open work, on Checkpoint 1’s model. ⟲

Cliquer pour agrandir

Wave 1: what the Work Orders will point to has to exist first. Most of it already does. ⟲

Cliquer pour agrandir

Wave 2: the Work Orders, upserted by the partner key. ⟲

Cliquer pour agrandir

Wave 3: the children, each finding its Work Order by the same key. ⟲

Cliquer pour agrandir

Wave 4: the claim Cases already in Salesforce get their link to the delivery. The model sets the order. ⟲

Test knowledge. Keep each legacy record’s key in an External ID field, load parents before children, and let each child find its parent by that key: an upsert on the External ID, and a relationship column in the load file (Parent.External_Id__c) instead of looking up Salesforce IDs. Reloads then update instead of duplicating, and every record traces back to its source. ⟲

Les enregistrements fusionnés ont besoin d’une stratégie pour les enfants

Voici le problème que les gens sous-estiment. L’analyse montre que les clients hérités A, B et C sont le même client, donc la cible reçoit un seul compte. Très bien. Mais A a 12 requêtes client, B a 4 commandes et C a 3 contacts. Fusionnez les parents sur le papier sans reconcevoir le mappage des enfants, et vous avez résolu le parent et cassé les relations. Chaque décision de dédoublonnage a besoin d’une stratégie pour les enfants.

RouteDesk has its own version. When a partner revised a manifest on the day, a coordinator sometimes keyed the delivery in again instead of editing it. Now RouteDesk has two deliveries with the same partner order number: one with the old window and two stops, one with the new window and the crew’s notes. Salesforce will have one Work Order, because the partner key is unique. Which window wins, and what happens to the stops and notes on the other one? ⟲

D’abord, les champs : quand deux enregistrements correspondent, quelles valeurs l’emportent ? Une valeur vide face à une valeur, c’est facile. Un conflit, non : Steven ou Stephen, l’e-mail présent dans Salesforce ou celui du chargement ? Choisissez un survivant et décidez champ par champ, puis mettez tôt des cas d’exemple sous les yeux du métier pour que ses empreintes soient sur les choix.

Then the children. I see three options: add the children to the survivor, don’t load the merged record’s children, or load the merged record as inactive, linked to the survivor, with its children kept on it. ⟲

Cliquer pour agrandir

Three ways, none free. Notice the third one at RouteDesk: the inactive duplicate can’t reuse the partner key, because the survivor already holds it, so it needs a key of its own. ⟲

Whichever you choose, it happens in the preparation store, before anything loads. That’s where the survivor is picked, sometimes a record that’s already in Salesforce, pulled down with its key. That’s where each child gets the key of the parent it will point to. And that’s where the merged record either keeps its children, hands them over or is left out. Salesforce receives the result of the merge, not the job of doing it. ⟲

Comment choisir ? Cela dépend de la criticité des données et du besoin de traçabilité vers ce qui a été chargé. Et pesez le risque face au bénéfice de fusionner tout court. Réunir l’historique d’achat des deux mauvaises personnes dans une liste de clients d’un commerce, c’est agaçant ; afficher les médicaments d’un patient dans le dossier d’un autre patient, c’est une violation grave. Plus l’enjeu d’un faux rapprochement est élevé, plus la fusion doit être prudente. Quoi que vous décidiez, chaque enfant peut-il encore être rattaché à sa source d’origine ? Le dédoublonnage de migration, ce n’est pas « lancer le rapprochement des doublons sur les comptes ». C’est tout le graphe des relations qui compte.

J’ai été de l’autre côté. Un commerçant chez qui j’achetais depuis mes années de fac migrait ses données clients, et quand nous avons regardé, Steve Simpson apparaissait sous environ une demi-douzaine d’adresses e-mail et d’adresses postales : mon adresse de fac, la maison que je louais, les endroits d’après. Fallait-il les fusionner ? Il existe d’autres Steve Simpson. Le métier a décidé que relier mon ancien historique ne valait pas le risque de me fusionner avec le mauvais Steve Simpson. C’est la question à laquelle chaque fusion doit répondre : quel est le bénéfice de réunir les données, et quel est le risque de choisir les mauvaises personnes ?

Test knowledge. Deduplicate before the load, within the incoming data and against what’s already in Salesforce, with matching rules and a survivor chosen field by field. Expect the follow-up question: what happens to the merged record’s child records? Re-parent them to the survivor, leave them out (and archive them), or keep them on an inactive linked record. Each has a cost. ⟲

Des transformations reproductibles, la source brute conservée

Le statut hérité A devient Active, I devient Inactive, S devient Suspended. Où vit ce mappage ? Pas dans la mémoire de quelqu’un, pas dans une formule Excel copiée différemment dans trois fichiers, pas comme une étape manuelle du vendredi soir. Si nous rechargeons demain, nous devons obtenir le même résultat, donc les mappages, les règles de standardisation et de nettoyage, les transformations, les décisions de dédoublonnage et la génération des clés doivent tous être reproductibles. Le processus de migration, c’est du code, même quand certaines parties ne sont pas littéralement écrites dans un langage de programmation.

And don’t destroy the starting point. Keep the original extract in raw tables, exactly as it came out, and never change them. Each step writes its result to a new staged table: standardized, cleaned, deduplicated, load-ready. When something looks wrong, I want to know whether it was wrong in the source, changed by our transformation, changed by the load, or changed by Salesforce automation afterward, and with every table kept I can walk back through them and find out. Overwrite your only copy of the source while cleaning it and you lose the evidence. ⟲

I learned how much this pays off on a support migration. A company was moving its support desk from Zendesk into Salesforce, and Zendesk’s tickets were very similar to Salesforce Cases, but not exact. So I loaded every Zendesk export into a SQL database as raw tables, one per Zendesk structure: organizations, users, tickets, custom fields, comments, attachments. Then I built interim tables that got closer and closer to the Salesforce structure, with the field and picklist mappings kept as tables of their own. Then I loaded Salesforce from those tables and brought the Salesforce IDs back. In the end every row had three things: its original Zendesk key, the transformations that had been applied to it, which were never one way, and its Salesforce key. That’s what let me do partial loads and reloads whenever I needed to. ⟲

Here’s the same design for RouteDesk, one step at a time. ⟲

Cliquer pour agrandir

Extract: one raw table per RouteDesk structure, each row with its RouteDesk key. These tables never change. ⟲

Cliquer pour agrandir

Generate: new tables shaped for Salesforce, built from the raw ones with the mapping tables. The raw tables are still there. ⟲

Cliquer pour agrandir

Load: the Work Orders upserted by the partner key, then their children. ⟲

Cliquer pour agrandir

Keys back: each Salesforce ID is written to its row. Now every row knows where it came from, what was done to it and where it landed. ⟲

So no transformation is allowed to lose fidelity. If a step throws information away (truncates a note, drops a code it didn’t recognize, keeps one of two conflicting values without saying which), I can’t trace back through it, and I can’t repeat the run and get the same answer. Keep the raw tables, keep the staged tables, keep what each load sent and what came back. Then you can rerun the whole thing from the raw extract at any time, and you have the history of every load. This is migration’s version of lineage: preserve where the data came from and what you did to it. ⟲

Sometimes the Staging Is Inside Salesforce

The preparation store isn’t the only place to stage. In a few special cases, the last stop before the real objects is a plain custom object inside Salesforce: one flat row per source record, no automation, loaded fast. Then a batch process works through the rows and builds the real records. I’ve used it when Salesforce’s own logic had to create the records and was too slow to load through: a scheduling process that took a few seconds per appointment. Module 3 comes back to that case. ⟲

Salesforce uses the same pattern in its own products, and it’s worth learning from. The Nonprofit Success Pack loads a spreadsheet into its NPSP Data Import object first. A dry run checks for matches without creating anything. Then the importer creates the accounts, contacts and donations, and writes each new record’s ID back onto the row it came from (How the Import Process Works (s'ouvre dans un nouvel onglet), Salesforce Help, checked 2026-10-27). That’s a reference, not a rule: staging inside Salesforce is the special case, not the way to load everything. ⟲

For RouteDesk, a one-time move with heavy cleaning and merging, the preparation store outside Salesforce does the work, and the load sends the result. ⟲

Les mauvais enregistrements ont besoin d’un endroit où aller

Sur 500 000 enregistrements, 497 800 passent la validation et 2 200 non. Les supprimer discrètement ? Non. Forcer des déchets dans les champs obligatoires ? Non. Arrêter le projet jusqu’à ce que chaque enregistrement historique soit parfait ? Probablement pas. Je veux un chemin de quarantaine et de correction qui enregistre quel enregistrement source a échoué, pourquoi, quelle règle l’a rejeté, s’il doit être corrigé avant la bascule, qui est responsable de la décision et si elle peut être différée. Les exceptions deviennent alors un travail d’architecture visible au lieu d’une perte de données cachée.

Before you call a record bad, look at the rule that rejected it. Sometimes the record is fine and the rule is wrong. Salesforce’s Well-Architected framework puts it plainly: “data architecture decisions determine the populations that become visible—and invisible,” and a required email address “excludes populations that don’t have reliable internet access or personal email addresses” (Fairness (s'ouvre dans un nouvel onglet), checked 2026-10-27). RouteDesk has thousands of deliveries where the Recipient gave only a phone number. If the new Work Order requires an email, those aren’t bad records. They’re real people the rule would make invisible. Fix the rule, not the person. ⟲

Puis prouvez la transformation avant le chargement. Avec combien d’enregistrements source avons-nous commencé, combien en avons-nous exclu délibérément, combien de doublons ont été consolidés, combien sont prêts, combien en quarantaine, combien de relations parent-enfant se résolvent, et quels sont les totaux de contrôle ? Si les chiffres ne se rapprochent pas avant le chargement, charger plus vite n’aidera pas. Le module 4 prouve la migration avec des décomptes, des totaux, des vérifications par sondage et des rapports agrégés, mais la preuve commence ici.

L’IA peut aider à nettoyer. Elle n’a pas le droit d’inventer la vérité.

L’IA est utile dans une migration : suggérer des mappages, trouver des valeurs suspectes, regrouper des doublons potentiels, repérer des anomalies, générer du code de transformation, expliquer des schémas dans les enregistrements rejetés. Mais si un processus d’enrichissement décide que « cette entreprise est probablement en Arizona », « probablement » ne suffit pas. Et s’il décide que deux clients se ressemblent assez pour être fusionnés, souvenez-vous du chapitre 6 : un faux rapprochement peut faire plus de dégâts qu’un rapprochement manqué. Utilisez l’IA pour accélérer l’enquête. Ne la laissez pas fabriquer en silence des données d’entreprise qui font autorité.

Au-delà de l’examen : ce que l’IA change. L’IA peut accélérer considérablement le profilage, le mappage, la détection d’anomalies et le repérage de candidats au rapprochement pendant une migration. Gardez des règles déterministes, la provenance et une revue humaine autour des décisions qui créent, fusionnent ou modifient des données métier qui font autorité.

Ce que l’architecte décide ici

• Quelles données source sont migrées, archivées ou exclues, selon leur valeur métier et les exigences de conservation.
• Where preparation happens (a preparation store outside Salesforce, a staging object inside it, or both), and which parts of the target org are pulled down to merge against. ⟲
• Comment les données sont standardisées, nettoyées, enrichies, dédoublonnées et validées avant d’entrer dans la cible.
• Quels identifiants source et quel lignage survivent, pour que chaque enregistrement cible important puisse être tracé et rapproché.
• The load order the target data model dictates, and the keys each child uses to find its parent. ⟲
• Comment les décisions de dédoublonnage traitent les champs et les enfants sur tout le graphe des relations, pesées selon la criticité, la traçabilité et le risque d’une mauvaise fusion.
• Quelles règles de transformation et de gestion des exceptions doivent être reproductibles avant que commence tout chargement en production.

Ne mesurez pas une migration aux lignes chargées

« Nous avons chargé 500 000 enregistrements sur 500 000 » me dit que l’outil de chargement a fonctionné. Je veux savoir : avons-nous déplacé les bonnes données, amélioré ce qui devait l’être, préservé l’identité et les relations, consolidé les doublons en sécurité ? Pouvons-nous expliquer ce que nous avons exclu, reproduire la transformation, remonter d’un enregistrement Salesforce à sa source, et prouver le résultat ? Faites d’abord ce travail. Ensuite, nous nous soucierons de la vitesse de chargement.

Pour aller plus loin

• Salesforce, General Guidelines for Data Loads (s'ouvre dans un nouvel onglet) and Relationship Fields in a Header Row (s'ouvre dans un nouvel onglet), Bulk API 2.0 and Bulk API Developer Guide, checked 2026-11-01. ⟲
• Salesforce, WorkOrder (s'ouvre dans un nouvel onglet), Object Reference for the Salesforce Platform, Winter ‘27 (API version 68.0), checked 2026-11-01. ⟲
• Salesforce Help, How the Import Process Works (s'ouvre dans un nouvel onglet) (the Nonprofit Success Pack’s staging object), checked 2026-11-01. ⟲
• Hands-on: the Trailhead trail Import Data With Nonprofit Success Pack (NPSP) (s'ouvre dans un nouvel onglet) walks through the whole staging pattern in a practice org: a template, staging rows, a dry run, fixing the failed rows, then the import. It runs in a Trailhead Playground; Trailhead notes that as of December 2025, NPSP is no longer offered as a preconfigured package in production orgs. Checked 2026-10-27. ⟲
• Salesforce Architects, Well-Architected, Fairness (s'ouvre dans un nouvel onglet), checked 2026-11-01. ⟲
• In this course: Master Data and Identity (matching, survivorship, link vs merge), Data Quality and Governance, and Keys and Write Ownership (the partner key). ⟲
• Trailhead, Perform an Import Dry Run (s'ouvre dans un nouvel onglet), checked 2026-11-01. ⟲