Fuzzy-Matching-Software
Vertrauenswürdig von
Vertrauenswürdig von
Definition
Was ist Fuzzy Matching?
Der unscharfe Abgleich wird verwendet, um Daten zu verknüpfen, die sich in unterschiedlichen Tabellen oder Quellen befinden und keine eindeutigen Bezeichner oder geeignete Primär- und Fremdschlüssel enthalten. In solchen Fällen wird eine Kombination von nicht eindeutigen Attributen (wie Nachname, Firmenname oder Adresse) verwendet, um die Wahrscheinlichkeit zu ermitteln, dass zwei Datensätze ähnlich sind.
Um genaue Übereinstimmungen zu finden, verwenden wir eine Kombination aus proprietären und bewährten probabilistischen Datenabgleichsverfahren, die die Wahrscheinlichkeit berechnen, dass zwei Zeichenfolgen ähnlich sind. Anstelle einer booleschen Antwort (im Sinne von Ja oder Nein) gibt ein Fuzzy-Matching-Algorithmus einen Prozentwert oder einen relativen Begriff aus, der den Ähnlichkeitsindexkennzeichnet .
Verfahren
Wie funktioniert der Fuzzy-Abgleich?
Verbindung zur Datenquelle
Verbinden Sie die Datenbank, ordnen Sie Felder zu und wählen Sie eine Kombination von Feldern für den Fuzzy-Abgleich aus, die mit hoher Wahrscheinlichkeit ähnlich sind, falls die Datensätze zur gleichen Entität gehören.
Fuzzy-Score-Berechnung
Die Übereinstimmungswerte werden mit der besten Kombination aus proprietären und etablierten Fuzzy-Algorithmen wie Levenstein-Distanz, Edit-Distanz, Soundex, Metaphone oder Cosinus-Ähnlichkeit usw. berechnet.
Fuzzy-Match-Konfiguration
Wählen Sie geeignete Gewichtungen (bestimmte Felder werden stärker gewichtet als andere), Schwellenwerte (legen Sie die Grenze zwischen Übereinstimmungen und Nicht-Übereinstimmungen fest) und die Art des Fuzzy-Abgleichs (zeichenbasiert, phonetisch usw.).
Klassifizierung und Bewertung
Scores werden verwendet, um Datensätze als übereinstimmend oder nicht übereinstimmend zu klassifizieren und zu gruppieren. Je nach Art der Daten können Sie auf einige falsch positive und negative Ergebnisse stoßen, die eine weitere Auswertung erfordern.
Lösung
Überlassen Sie Data Ladder Ihren Fuzzy-Matching-Prozess
Sehen Sie sich DataMatch Enterprise bei der Arbeit an
DataMatch Enterprise ist ein hochgradig visuelles und intuitives Fuzzy-Matching-Tool, das den gesamten Fuzzy-Matching-Prozess automatisiert und Ihnen den manuellen Aufwand für den Abgleich von Datenfeldern abnimmt. DME identifiziert auf intelligente Weise Akronyme, Namensumkehrungen und -variationen, phonetische Wörter, Rechtschreibfehler sowie Abkürzungen.
DME nutzt eine Reihe von Fuzzy-Matching-Algorithmen sowie exakten und phonetischen Abgleich, um Datensätze in Millionen von Datenpunkten aus verschiedenen und unterschiedlichen Datenquellen wie relationalen Datenbanken, Webanwendungen und CRMs zu identifizieren und abzugleichen.
Geschäftsvorteile
Wie können Sie vom Fuzzy Matching profitieren?
Einfach zu konfigurieren
Passen Sie die Abgleichsempfindlichkeit an, um Fehlalarme zu minimieren, oder erhöhen Sie sie um einige Stufen, wenn Sie mehr manuelle Eingaben für die Genauigkeit bevorzugen.
Erstellen einer Einzelkundenansicht
Brechen Sie Datensilos auf, indem Sie Übereinstimmungen innerhalb und zwischen verschiedenen Datenquellen erkennen, um goldene Datensätze für einen vollständigen Überblick über Kunden zu erstellen.
Höhere Anpassungsgenauigkeit
Im Gegensatz zum deterministischen Abgleich finden Fuzzy-Algorithmen präzisere Übereinstimmungen, indem sie falsch geschriebene, abgekürzte und andere Varianten erkennen.
Verringerung der Belastung der IT-Ressourcen
Schneller Self-Service-Fuzzy-Abgleich entlastet die IT-Abteilung und -Ressourcen und beschleunigt die Zeit bis zur Einsichtnahme um bis zu 80 %.
Relevant für reale Anwendungen
Fuzzy-Algorithmen eignen sich am besten für die Suche nach Übereinstimmungen, wenn Datensätze Tippfehler, System- und Formatierungsfehler sowie Eingabeprobleme aufweisen.
Daten anreichern für tiefere Einblicke
Durch die Verknüpfung ähnlicher Datensätze aus externen Quellen können Unternehmen goldene Datensätze mit zusätzlichen Daten und Informationen anreichern.
Lass uns vergleichen
Wie genau ist unsere Lösung?
Bei internen Implementierungen besteht eine Wahrscheinlichkeit von 10 %, dass internes Personal verloren geht, sodass über 5 Jahre hinweg die Hälfte der internen Implementierungen das Kernmitglied verlieren, das das Matching-Programm durchgeführt und verstanden hat.
Detaillierte Tests wurden an 15 verschiedenen Produktvergleichen mit Universitäten, Behörden und privaten Unternehmen durchgeführt (80.000 bis 8 Mio. Datensätze) und die folgenden Ergebnisse wurden gefunden: (Hinweis: Dies schließt die Auswirkungen von falsch positiven Ergebnissen ein)
| Features of the solution | Data Ladder | IBM Quality Stage | SAS Dataflux | In-House Solutions | Comments |
|---|---|---|---|---|---|
| Match Accuracy (Between 40K to 8M record samples) | 96% | 91% | 84% | 65-85% | Multi-threaded, in-memory, no-SQL processing to optimize for speed and accuracy. Speed is important, because the more match iterations you can run, the more accurate your results will be. |
| Software Speed | Very Fast | Fast | Fast | Slow | A metric for ease of use. Here speed indicates time to first result, not necessary full cleansing. |
| Time to First Result | 15 Minutes | 2 Months+ | 2 Months+ | 3 Months+ | |
| Purchasing/Licensing Costing | 80 to 95% Below Competition | $370K+ | $220K+ | $250K+ | Includes base license costs. |
Häufig gestellte Fragen
Haben Sie weitere Fragen? Schau dir das an
bereit? Lass uns gehen
Probieren Sie es jetzt aus oder holen Sie sich eine Demo mit einem Experten!
„*“ zeigt erforderliche Felder an