Blog

Fuzzy Matching 101: Bereinigung und Verknüpfung ungeordneter Daten

In diesem Blog werfen wir einen detaillierten Blick auf das Fuzzy Matching, den bevorzugten Ansatz zur Datendeduplizierung und Datensatzverknüpfung. Wir werden das Thema behandeln:

  • Was ist Fuzzy Matching?
  • Warum brauchen Unternehmen Fuzzy Matching?
  • Beispiel für ein Fuzzy-Matching-Szenario aus der Praxis
  • Fuzzy-Matching-Techniken
  • Vor- und Nachteile von Fuzzy Matching
  • Minimierung falsch positiver und negativer Ergebnisse
  • Fuzzy-Matching-Skripte vs. Fuzzy-Matching-Software: Was ist besser?
  • Wie man Fuzzy Matching in DataMatch Enterprise ausführt

Was ist Fuzzy Matching?

Anstatt Datensätze als „übereinstimmend“ oder „nicht übereinstimmend“ zu kennzeichnen, ermittelt der unscharfe Abgleich die Wahrscheinlichkeit, dass zwei Datensätze tatsächlich übereinstimmen, anhand der Übereinstimmung oder Nichtübereinstimmung der verschiedenen Identifikatoren.

Die Identifikatoren oder Parameter, die Sie hier wählen, und die Gewichtung, die Sie zuweisen, bilden die Grundlage für den Fuzzy-Abgleich. Wenn die Parameter zu weit gefasst sind, finden Sie zwar mehr Übereinstimmungen, aber Sie erhöhen auch die Wahrscheinlichkeit von „falsch positiven“ Ergebnissen. Dies sind Paare, die von Ihrem Algorithmus oder der Fuzzy-Matching-Software Ihrer Wahl als übereinstimmend identifiziert werden, aber bei der manuellen Überprüfung werden Sie feststellen, dass Ihr Ansatz ein falsches Positiv identifiziert hat.

Betrachten Sie die Zeichenketten „Kent“ und „10th„. Obwohl es hier eindeutig keine Übereinstimmung gibt, bewerten gängige Fuzzy-Matching-Algorithmen diese beiden Zeichenfolgen dennoch als fast 50 % ähnlich, basierend auf der Anzahl der Zeichen und der phonetischen Übereinstimmung. Prüfen Sie selbst.

Falsch positive Ergebnisse sind eines der größten Probleme beim Fuzzy-Matching. Je effizienter das von Ihnen verwendete System ist, desto weniger Fehlalarme gibt es. Ein effizientes System wird dies erkennen:

  • Akronyme
  • Namensumkehrung
  • Namensvarianten
  • phonetische Schreibweisen
  • absichtliche Rechtschreibfehler
  • versehentliche Rechtschreibfehler
  • Abkürzungen, z. B. „Ltd“ anstelle von „Limited“.
  • Einfügen/Entfernen von Interpunktionszeichen, Leerzeichen, Sonderzeichen
  • unterschiedliche Schreibweise von Namen, z. B. „Elisabeth“ oder „Elizabeth“, „Jon“ statt „John
  • verkürzte Namen, z. B. „Elizabeth“ passt zu „Betty“, „Beth“, „Elisa“, „Elsa“, „Beth“ usw.

Und viele andere Varianten.

Warum brauchen Unternehmen Fuzzy Matching?

Untersuchungen haben ergeben, dass 94 % der Unternehmen zugeben, dass sie über doppelte Daten verfügen, wobei die meisten dieser Duplikate nicht exakt übereinstimmen und daher normalerweise unentdeckt bleiben. Die Fuzzy-Matching-Software hilft Ihnen, diese Verbindungen mithilfe einer ausgeklügelten proprietären Matching-Logik automatisch herzustellen, unabhängig von Rechtschreibfehlern, nicht standardisierten Daten oder unvollständigen Informationen.

Aber es geht nicht nur um Deduplizierung. Aus strategischer Sicht kommt der unscharfe Abgleich ins Spiel, wenn Sie Datensatzverknüpfungen oder Entitätsauflösungen durchführen. Der Fuzzy-Matching-Ansatz ist von unschätzbarem Wert, wenn es darum geht, eine „Single Source of Truth“ für Geschäftsanalysen zu schaffen oder eine Grundlage für das Master Data Management (MDM) zu schaffen, das Unternehmen bei der Integration von Daten aus Dutzenden verschiedener Quellen im gesamten Unternehmen unterstützt und gleichzeitig die Genauigkeit sicherstellt und die manuelle Überprüfung minimiert. Erfahren Sie, wie ein großer Gesundheitsdienstleister jährlich Hunderte von Arbeitsstunden einsparen konnte.

Im Folgenden werden einige Möglichkeiten aufgezeigt, wie Fuzzy Matching zur Verbesserung des Endergebnisses eingesetzt werden kann:

  • Verwirklichen Sie eine einzige Kundensicht
  • Arbeiten Sie mit sauberen Daten, denen Sie vertrauen können
  • Daten für Business Intelligence vorbereiten
  • Verbessern Sie die Genauigkeit Ihrer Daten für mehr betriebliche Effizienz
  • Anreicherung der Daten für tiefere Einblicke
  • Bessere Konformität gewährleisten
  • Kundensegmentierung verfeinern
  • Verbesserung der Betrugsbekämpfung

Erfahren Sie mehr über die Vorteile des Fuzzy Matching.

Beispiel für ein Fuzzy-Matching-Szenario aus der Praxis

Das folgende Beispiel zeigt, wie Datensatzverknüpfungstechniken zur Aufdeckung von Betrug, Verschwendung oder Missbrauch von Bundesprogrammen eingesetzt werden können. Hier wurden zwei Datenbanken zusammengeführt, um Informationen zu erhalten, die zuvor in einer einzigen Datenbank nicht verfügbar waren.

Eine Datenbank mit Aufzeichnungen über 40.000 von der US-Luftfahrtbehörde (FAA) lizenzierte und in Nordkalifornien ansässige Flugzeugpiloten wurde mit einer Datenbank abgeglichen, die aus Personen besteht, die von der Sozialversicherungsbehörde Invaliditätszahlungen erhalten. Vierzig Piloten, deren Daten in beiden Datenbanken auftauchten, wurden verhaftet.

Ein Staatsanwalt der US-Staatsanwaltschaft in Fresno, Kalifornien, erklärte laut einem AP-Bericht:

„Es gab wahrscheinlich ein kriminelles Fehlverhalten.“ Die Piloten haben entweder die FAA belogen oder zu Unrecht Leistungen bezogen. Die Piloten behaupteten, sie seien medizinisch in der Lage, Flugzeuge zu fliegen. Es kann jedoch sein, dass sie mit schwächenden Krankheiten geflogen sind, die sie am Boden hätten halten müssen, von Schizophrenie und bipolarer Störung bis hin zu Drogen- und Alkoholsucht und Herzproblemen“.

Mindestens zwölf dieser Personen „hatten eine Lizenz für den gewerblichen oder den Luftverkehr“, heißt es in dem Bericht. Die FAA entzog 14 Pilotenlizenzen. Bei den anderen Piloten wurde festgestellt, dass sie sich als krank ausgaben, um Sozialversicherungsleistungen zu erhalten.

Die Qualität der Verknüpfung der Dateien hing in hohem Maße von der Qualität der Namen und Adressen der zugelassenen Piloten in den beiden zu verknüpfenden Dateien ab. Die Aufdeckung des Betrugs hing auch von der Vollständigkeit und Genauigkeit der Informationen in einer bestimmten Datenbank der Sozialversicherungsanstalt ab.

Sehen Sie, wie Unternehmen in Ihrer Branche heute Fuzzy Matching einsetzen.

Fuzzy-Matching-Techniken

Jetzt wissen Sie, was Fuzzy Matching ist und wie Sie es zum Wachstum Ihres Unternehmens einsetzen können. Die Frage ist, wie Sie Fuzzy-Matching-Prozesse in Ihrem Unternehmen einführen wollen.

Hier finden Sie eine Liste der verschiedenen Fuzzy-Matching-Techniken, die heute verwendet werden:

  • Levenshtein-Distanz (oder Edit-Distanz)
  • Damerau-Levenshtein-Abstand
  • Jaro-Winkler Abstand
  • Tastaturabstand
  • Kullback-Leibler-Abstand
  • Jaccard-Index
  • Metaphon 3
  • Name Variante
  • Silbenausrichtung
  • Akronym

Erfahren Sie mehr über Fuzzy-Matching-Algorithmen.

Vor- und Nachteile von Fuzzy Matching

Da das Fuzzy-Matching auf einem probabilistischen Ansatz zur Identifizierung von Übereinstimmungen basiert, bietet es eine Vielzahl von Vorteilen, wie z. B.:

Höhere Abgleichsgenauigkeit: Fuzzy-Matching erweist sich als eine weitaus genauere Methode zur Ermittlung von Übereinstimmungen zwischen zwei oder mehr Datensätzen. Im Gegensatz zum deterministischen Matching, das Übereinstimmungen auf der Basis von 0 oder 1 ermittelt, kann das Fuzzy-Matching Variationen erkennen, die zwischen 0 und 1 auf der Basis einer bestimmten Übereinstimmungsschwelle liegen.

Bietet Lösungen für komplexe Daten:Mit Fuzzy-Logik können Benutzer auch Übereinstimmungen finden, indem sie Datensätze verknüpfen, die geringfügige Abweichungen in Form von Rechtschreib-, Groß- und Kleinschreibung, Formatierungsfehlern, Nullwerten usw. aufweisen, wodurch sie sich besser für reale Anwendungen eignet, bei denen Tippfehler, Systemfehler und andere Datenfehler auftreten können. Dazu gehören auch dynamische Daten, die veraltet sind oder ständig aktualisiert werden müssen, wie z. B. die Berufsbezeichnung und die E-Mail-Adresse.

Einfach konfigurierbar, um Falschmeldungen zu beeinflussen: Wenn die Anzahl der Falschmeldungen entsprechend den geschäftlichen Anforderungen verringert oder erhöht werden muss, können die Benutzer den Schwellenwert für den Abgleich leicht anpassen, um die Ergebnisse zu manipulieren oder mehr Übereinstimmungen für die manuelle Überprüfung zu erhalten. Dies gibt den Benutzern zusätzliche Flexibilität bei der Anpassung von Fuzzy-Logik-Algorithmen an spezifische Anforderungen.

Bessere Eignung für die Suche nach Übereinstimmungen ohne konsistente eindeutige Kennung: Eindeutige Kennungsdaten, wie z. B. die SSN oder das Geburtsdatum, sind entscheidend für die Suche nach Übereinstimmungen über verschiedene Datenquellen hinweg im Falle eines deterministischen Abgleichs. Mithilfe eines statistischen Analyseansatzes kann der Fuzzy-Abgleich jedoch dazu beitragen, Duplikate auch ohne konsistente Identifizierungsdaten zu finden.

Der Fuzzy-Abgleich ist jedoch nicht ohne Einschränkungen. Dazu gehören:

Kann verschiedene Entitäten fälschlicherweise verknüpfen: Trotz der Konfigurierbarkeit des Fuzzy-Matching können hohe Falschmeldungen aufgrund falscher Verknüpfung scheinbar ähnlicher, aber unterschiedlicher Entitäten dazu führen, dass mehr Zeit für die manuelle Überprüfung von Duplikaten anhand eindeutiger Identifikatoren aufgewendet werden muss.

Schwierige Skalierbarkeit bei größeren Datenmengen: Fuzzy-Logik kann bei Millionen von Datenpunkten schwierig zu skalieren sein, insbesondere im Fall von unterschiedlichen Datenquellen.

Kann umfangreiche Tests zur Validierung erfordern: Die in den Algorithmen definierten Regeln müssen ständig verfeinert und getestet werden, um sicherzustellen, dass sie in der Lage sind, Übereinstimmungen mit hoher Genauigkeit durchzuführen.

Minimierung falsch positiver und negativer Ergebnisse

Wir haben im vorangegangenen Abschnitt kurz über falsch positive Ergebnisse gesprochen. Sie erschweren zwar den Abgleich, indem sie den Prozess um manuelle Überprüfungszeit erweitern, stellen aber kein echtes Risiko für das Unternehmen dar, da das System auf der Grundlage der Gesamtübereinstimmungsbewertung falsch-positive Ergebnisse erkennt. Werfen wir nun einen Blick auf die „falschen Negative“. Dies bezieht sich auf Spiele, die vom System völlig übersehen werden: nicht nur eine niedrige Spielpunktzahl, sondern das Fehlen einer Spielpunktzahl. Dies führt zu einem ernsthaften Risiko für das Unternehmen, da falsch negative Ergebnisse nie überprüft werden, weil niemand weiß, dass sie existieren. Zu den Faktoren, die häufig zu falsch-negativen Ergebnissen führen, gehören:

  • Mangel an relevanten Daten
  • Erhebliche Fehler bei der Dateneingabe
  • Systembedingte Einschränkungen
  • Das Suchkriterium ist zu eng gefasst
  • Ungeeigneter Grad der unscharfen Übereinstimmung

Die effektivste Methode, um sowohl falsch-positive als auch falsch-negative Ergebnisse zu minimieren, besteht darin, die Datenquellen getrennt zu profilieren und zu bereinigen, bevor Sie den Abgleich durchführen. Führende Anbieter von Datenabgleichslösungen bieten in der Regel einen Data Profiler an, der schnell genug Metadaten liefert, um eine aussagekräftige Profilanalyse der Datenqualität zu erstellen, z. B. fehlende Werte, mangelnde Standardisierung oder andere Unstimmigkeiten in Ihren Daten. Durch die Erstellung eines Profils Ihrer Daten können Sie den Umfang und die Tiefe des primären Projekts schnell quantifizieren, unabhängig davon, ob es sich um Master Data Management, Abgleich, Bereinigung, Deduplizierung oder Standardisierung handelt.

Sobald Sie ein Profil Ihrer Daten erstellt haben, wissen Sie genau, welche Geschäftsregeln Sie anwenden müssen, um Ihre Daten möglichst effizient zu bereinigen und zu standardisieren. Sie werden auch in der Lage sein, fehlende Werte schnell zu erkennen und aufzufüllen, indem Sie beispielsweise Daten von Dritten erwerben.

Sauberere, vollständigere Daten verringern die Zahl der falsch-positiven und falsch-negativen Treffer erheblich, da die Daten nun standardisiert sind. Die von Ihnen verwendeten Fuzzy-Matching-Algorithmen, die von Ihnen definierten Matching-Kriterien, die Gewichtung, die Sie den verschiedenen Parametern zuweisen, die Art und Weise, wie Sie verschiedene Algorithmen kombinieren und Prioritäten zuweisen – all dies sind wichtige Faktoren für die Minimierung falsch positiver und negativer Ergebnisse. Aber nichts davon wird viel helfen, wenn Sie Ihre Daten nicht vorher profiliert und bereinigt haben. Sehen Sie, wie DataMatch Enterprise über 4.000 Kunden in mehr als 40 Ländern geholfen hat, ihre Daten effizient zu bereinigen, zu deduplizieren und zu verknüpfen.

Fuzzy-Matching-Skripte vs. Fuzzy-Matching-Software: Was ist besser?

Fuzzy-Matching-Skripte

Fuzzy-Logik kann leicht über manuelle Kodierungsskripte angewendet werden, die in verschiedenen Programmiersprachen und Anwendungen verfügbar sind. Einige davon sind:

Python: Python-Bibliotheken wie FuzzyWuzzy können verwendet werden, um String-Matching in einer einfachen und intuitiven Methode durchzuführen. Mit dem Python Record Linkage Tookit können Benutzer verschiedene Indizierungsmethoden wie Sorted Neighbourhood und Blocking ausführen und mit FuzzyWuzzy Duplikate identifizieren. Obwohl Python einfach zu benutzen ist, kann es langsamer sein als andere Methoden, um Spiele auszuführen.

Quelle: DataCamp

Java: Java enthält mehrere Algorithmen für die Ähnlichkeit von Zeichenketten, z. B. das Paket java-string-similarity, das Algorithmen wie Levenshtein, Jaccard-Index und Jaro-Wrinkler enthält. Alternativ kann auch der Python-Algorithmus FuzzyWuzzy in Java verwendet werden, um Übereinstimmungen zu ermitteln. Nachstehend finden Sie ein Beispiel:

Quelle: GitHub

Excel: Das Add-in Fuzzy Look-up kann verwendet werden, um Fuzzy Matching zwischen zwei Datensätzen durchzuführen. Das Add-In verfügt über eine einfache Schnittstelle, die die Möglichkeit bietet, die Ausgabespalten sowie die Anzahl der Übereinstimmungen und den Ähnlichkeitsschwellenwert auszuwählen. Die Funktionalität kann jedoch auch zu einer hohen Zahl von Fehlalarmen führen, da sie Duplikate möglicherweise nicht richtig erkennt. Ein Beispiel hierfür sind „ATT CORP“ und „AT&T Inc.“.

Quelle: Mr.Excel.com

Fuzzy Matching Software

Fuzzy-Matching-Software hingegen ist mit einem oder mehreren Fuzzy-Logik-Algorithmen sowie mit exaktem und phonetischem Matching ausgestattet, um Datensätze in Millionen von Datenpunkten aus mehreren und unterschiedlichen Datenquellen wie relationalen Datenbanken, Webanwendungen und CRMs zu identifizieren und abzugleichen.

Fuzzy-Matching-Tools verfügen über vorgefertigte Datenqualitätsfunktionen wie Datenprofilierung, Datenbereinigung und Standardisierungstransformationen zur effizienten Verfeinerung und Verbesserung der Genauigkeit von Übereinstimmungen zwischen zwei oder mehr Datensätzen.

Im Gegensatz zu Abgleichskripten lassen sich solche Tools dank einer Point-and-Click-Schnittstelle viel einfacher einsetzen und ausführen.

Was ist besser?

Die Entscheidung für einen der beiden Ansätze hängt von den folgenden Faktoren ab:

Zeit

Entsprechende Skripte haben den Vorteil, dass sie einfach und bequem von den Benutzern eingesetzt werden können. Die ständige Verfeinerung und das Testen, die erforderlich sind, um die Effizienz zu gewährleisten, insbesondere bei Hunderten und Tausenden von Datensätzen, können jedoch Wochen, wenn nicht Monate Arbeit bedeuten. In Szenarien, in denen Duplikate und Übereinstimmungen schneller gefunden werden müssen, um knappe Projektfristen einzuhalten, erweist sich ein Fuzzy-Matching-Tool als weitaus zuverlässiger und bequemer, wenn es darum geht, Übereinstimmungen in sehr großen Datenbeständen innerhalb eines Tages oder weniger Stunden zu finden.

Kosten

Manuelle Codierungsskripte sind im Vergleich zu Matching-Tools kostengünstig, sofern die Anzahl der Datensätze gering ist. Bei Datensätzen, die Millionen oder Milliarden von Datensätzen umfassen, können die Kosten für die Verwendung von Skripten jedoch die Kosten für Abgleichswerkzeuge bei weitem übersteigen, wenn man den Zeit- und Ressourcenaufwand für die Anpassung an die

Skalierbarkeit

Skripte mit unscharfer Logik funktionieren in der Regel besser bei einigen Tausend Datensätzen, bei denen die Variationen in den Daten nicht zu groß sind, da die Regeln sonst auseinanderfallen und mehr Verfeinerung erfordern, was die Skalierung erschwert.

Ein Fuzzy-Matching-Tool kann innerhalb weniger Stunden Millionen von Datenpunkten abgleichen und verfügt über Batch- und Echtzeit-Automatisierungsfunktionen, mit denen sich wiederholende Aufgaben und Arbeitsstunden minimieren lassen.

Komplexität der Daten

Die Benutzer möchten vielleicht Übereinstimmungen oder Duplikate in einigen tausend Datensätzen finden. Im Gegensatz dazu verfügen Bundesbehörden, öffentliche Einrichtungen und Unternehmen häufig über inhomogene Datensätze aus verschiedenen Quellen – Excel, CSV, relationale Datenbanken, alte Mainframe-Daten und Hadoop-basierte Repositories -, so dass ein spezielles Matching-Tool besser in der Lage ist, alle relevanten Quellen zu erfassen, alle bekannten Datenqualitätsprobleme zu profilieren und diese mithilfe von sofort einsetzbaren Bereinigungstransformationen zu beseitigen.

Bei manuellen Kodierungsskripten hingegen müssen die Benutzer mehrere komplexe Fuzzy-Logik-Regeln schreiben, um die Uneinheitlichkeit der Daten und ihre Anomalien zu berücksichtigen, was sehr mühsam und zeitaufwändig ist.

Einfach, schnell und zielgerichtet auf die Steigerung des Geschäftswerts

Fuzzy Matching gilt traditionell als komplexe, geheimnisvolle Kunst, bei der die Projektkosten typischerweise in die Hunderttausende von Dollar gehen und es Monate, wenn nicht Jahre dauert, bis ein greifbarer ROI erzielt wird. Mit moderner Datenqualitätssoftware ist das nicht mehr der Fall. Basierend auf jahrzehntelanger Forschung und mehr als 4.000 Implementierungen in mehr als 40 Ländern ist DataMatch Enterprise eine hochgradig visuelle Datenbereinigungsanwendung, die speziell zur Lösung von Datenqualitätsproblemen entwickelt wurde. Die Plattform nutzt mehrere proprietäre und Standardalgorithmen, um phonetische, unscharfe, falsch geschriebene, abgekürzte und domänenspezifische Varianten zu erkennen.

Erstellen Sie skalierbare Konfigurationen für Deduplizierung und Datensatzverknüpfung, Unterdrückung, Anreicherung, Extraktion und Standardisierung von Geschäfts- und Kundendaten und schaffen Sie eine Single Source of Truth, um die Wirkung Ihrer Daten im gesamten Unternehmen zu maximieren.

Wie man es in DataMatch Enterprise ausführt

Das Ausführen von Fuzzy Matching in DataMatch Enterprise ist ein einfacher, schrittweiser Prozess, der folgende Schritte umfasst:

  1. Datenimport
  2. Datenprofilerstellung
  3. Datenbereinigung und -standardisierung
  4. Spiel-Konfiguration
  5. Spieldefinitionen und
  6. Spiel-Ergebnisse

Zunächst importieren wir die Datensätze, die wir für die Suche nach Übereinstimmungen verwenden wollen, und nutzen die Option der Datenvorschau, um einen Blick auf die Datensätze zu werfen. In unserem Beispiel sind dies „Kundenstamm“ und „Datensätze für neue Interessenten“ (siehe unten).

Zweitens gehen wir zum Modul Datenprofil über, um alle Arten von statistischen Datenanomalien, Fehlern und potenziellen Problembereichen zu ermitteln, die behoben oder verfeinert werden müssen, bevor wir zum Abgleich übergehen.

Wie unten dargestellt, wird der Datensatz „Neue Interessenten-Datensätze“ hinsichtlich gültiger und ungültiger Datensätze, ungültiger Werte, eindeutiger Werte, nur Zahlen, nur Buchstaben, führender Leerzeichen, Interpunktionsfehler und vieles mehr profiliert.

DataMatch Enterprise - Datenprofilierung

Sobald wir ein Profil erstellt haben, fahren wir mit dem Modul zur Datenbereinigung und -standardisierung fort, wo wir Fehler in der Groß- und Kleinschreibung korrigieren, Leerzeichen am Ende und am Anfang entfernen, Nullen durch Os ersetzen und umgekehrt und Felder wie Name und Adresse in mehrere kleinere Inkremente zerlegen.

Nachdem wir unsere Daten verfeinert haben, wählen wir die Art der Abgleichskonfiguration aus, die wir für unsere Abgleichsaktivität benötigen: Alle, Zwischen, Innerhalb oder Keine. Für unser Beispiel wählen wir die Option Zwischen, um nur Übereinstimmungen in den beiden Datensätzen zu finden.

Unter „Abgleichsdefinitionen“ wählen wir die Abgleichsdefinition oder die Abgleichskriterien und „Unscharf“ (je nach Anwendungsfall), setzen den Schwellenwert für den Abgleich auf „90“ und verwenden „Exakt“ für die Felder „Stadt“ und „Staat“ und klicken dann auf „Abgleichen“.

Auf der Grundlage unserer Matching-Definition, des Datensatzes und des Umfangs der Bereinigung und Standardisierung erhalten wir 526 Matches mit einer entsprechenden Trefferquote von 100 % und darunter. Sollten wir mehr Falschmeldungen zur manuellen Überprüfung benötigen, können die Benutzer einfach zurückgehen und den Schwellenwert senken.

Für weitere Informationen darüber, wie Sie Fuzzy Matching in DataMatch Enterprise für Ihren geschäftlichen Anwendungsfall einsetzen können,

Kontaktieren Sie uns noch heute.

Wie die besten Fuzzy-Matching-Lösungen funktionieren: Kombination von bewährten und eigenen Algorithmen


Download
Unternehmen benötigen die besten Tools, um diese Daten zu verarbeiten und sinnvoll zu nutzen. In diesem Whitepaper werden die Herausforderungen des Abgleichs, die Funktionsweise der verschiedenen Abgleichsalgorithmen und die Verwendung der besten Software zur Erreichung der Ziele beim Datenabgleich untersucht.

In this blog, you will find:

Try data matching today

No credit card required

Hidden

Want to know more?

Check out DME resources

Merging Data from Multiple Sources – Challenges and Solutions

Oops! Wir konnten dein Formular nicht lokalisieren.