Eine Person, drei Datensätze
In jeder Kundendatenbank liegt dieselbe Person irgendwann dreimal: einmal aus dem CRM-Export, einmal aus einem Webformular, einmal aus dem System, das vor zwei Jahren abgelöst wurde. Im Nachnamen steckt ein Tippfehler, die Telefonnummer ist anders geschrieben, beim Geburtsdatum sind Tag und Monat vertauscht, und das alte System schrieb alles lateinisch.
Werkzeuge zur Dublettensuche antworten mit einer Zahl und überlassen einem den Rest. Kin zeigt stattdessen die Rechnung: welche Felder übereinstimmten, wie viel jedes beitrug, wo die zwei Schwellen liegen und — anhand bereits getroffener Entscheidungen — wie viele Paare die aktuellen Schwellen falsch einsortieren würden.
Was drinsteckt
Blocking statt roher Gewalt
Jeder Datensatz bekommt mehrere grobe Schlüssel — Namensanfang mit Geburtsjahr, mit Vornamen, mit Stadt, die letzten sieben Ziffern der Telefonnummer, der lokale Teil der E-Mail. In der Demo werden daraus statt 2,1 Mio. möglicher Paare 5 934 Kandidaten, ohne eine einzige echte Dublette zu verlieren.
Metriken von Hand
Jaro-Winkler mit Präfixbonus, begrenztes Levenshtein, Token-Überschneidung für Adressen und ein Datumsvergleich, der die zwei häufigsten Eingabefehler kennt: vertauschte Tag/Monat und ein Zifferndreher im Jahr.
Transliteration eingebaut
«Соловьёва» trifft «Solovieva», «Королёв» trifft «Korolev». Namen werden im Original und transliteriert verglichen, gewertet wird das bessere Ergebnis — das alte lateinische System ist keine eigene Datenbank mehr.
Zwei Schwellen mit Vorschau
Die Regler liegen unter dem Histogramm und teilen dessen Skala. Beim Verschieben zählt der Bildschirm sofort neu, was automatisch zusammengeführt, was einem Menschen vorgelegt und was verworfen würde. Gespeichert wird erst danach.
Die Schlange ist die Referenz
Jede menschliche Entscheidung wird mit Autor gespeichert, und der Schwellenbildschirm meldet damit falsche und verpasste Zusammenführungen. Der Mensch schlägt die Maschine: «nicht zusammenführen» hält ein Paar bei jeder Bewertung getrennt.
Cluster mit schwächster Verbindung
Akzeptierte Paare werden per Union-Find verbunden, und jeder Cluster nennt seine schwächste innere Verbindung. Ketten, in denen A B ähnelt, B C ähnelt und A mit C nichts zu tun hat, stehen oben — die Hauptgefahr solcher Systeme.
Screenshots
