أظهر استطلاع أكسانتشر أن 75٪ من المستهلكين يفضلون الشراء من البائعين الذين يعرفون اسمهم وسلوك الشراء، و 52٪ منهم أكثر احتمالاً للتبديل إلى علامات تجارية أخرى إذا لم تقدم تجارب شخصية. مع وجود ملايين النقاط البيانية التي يتم التقاطها من قبل العلامات التجارية تقريباً كل يوم، فإن تحديد العملاء الفريدون وبناء ملفاتهم الشخصية هو أحد أكبر التحديات التي تواجه معظم الشركات.

عندما تستخدم المؤسسة أدوات متعددة لالتقاط البيانات، فمن الشائع جداً نطق اسم العميل بشكل خاطئ أو قبول عنوان بريد إلكتروني بنمط خاطئ. بالإضافة إلى ذلك، عندما تحتوي تطبيقات البيانات المنفصلة على معلومات مختلفة حول نفس العميل، فمن المستحيل الحصول على رؤى حول سلوك العملاء وتفضيلاتهم.

بعد ذلك، سوف نتعلم ما هي مطابقة غير دقيقة، وكيف يتم تنفيذها، والتقنيات الشائعة المستخدمة، والتحديات التي تواجهها. هيا نبدأ.

ما هي مطابقة غير دقيقة؟

مطابقة غير دقيقة هي تقنية مطابقة بيانات تقارن بين سجلات متعددة وتحسب احتمال أن تنتمي إلى نفس الكيان. بدلاً من تصنيف السجلات على أنها مطابقة وغير مطابقة على نطاق واسع، تقوم مطابقة غير دقيقة بإخراج رقم (عادة ما بين 0-100٪) يحدد مدى احتمال أن تنتمي هذه السجلات إلى نفس العميل أو المنتج أو الموظف وغيرها.

خوارزمية مطابقة غير دقيقة فعالة تأخذ بعين الاعتبار مجموعة من الغموض في البيانات، مثل đảo ngược الأسماء الأولى والخلافة، والأسماء المختصرة، والتهجئة الصوتية والتعمد الخطأ، والاختصارات، والإضافات والإزالة بالنقاط وغيرها.

عملية مطابقة غير دقيقة

تتم عملية مطابقة غير دقيقة على النحو التالي:

1. ملفات الملفات لأخطاء التقييس الأساسية. يتم إصلاح هذه الأخطاء حتى يتم الحصول على عرض موحد ومعيار عبر السجلات.
2. اختر وحدد السمات بناءً على ذلك سيتم إجراء مطابقة غير دقيقة. نظراً لأن هذه السمات قد تحمل أسماء مختلفة، يجب映سها عبر المصادر.
3. اختر تقنية مطابقة غير دقيقة لكل سمة. على سبيل المثال، يمكن مطابقة الأسماء بناءً على مسافة لوحة المفاتيح أو متغيرات الأسماء، بينما يمكن مطابقة أرقام الهواتف بناءً على معايير التشابه العددية.
4. حدد وزن لكل سمة، بحيث تكون السمات التي تم تخصيص أوزان أعلى (أو أولوية أعلى) لها تأثير أكبر على مستوى ثقة المطابقة العام مقارنة بالحقول التي تم تخصيص أوزان أقل.
5. حدد مستوى العتبة – السجلات التي تتم مطابقتها بناءً على درجة مطابقة غير دقيقة أعلى من هذا المستوى تعتبر مطابقة، والسجلات التي تقل عن هذا المستوى تعتبر غير مطابقة.
6. تشغيل خوارزميات مطابقة غير دقيقة وتحليل نتائج المطابقة.
7. إلغاء أي إيجابيات خاطئة وسلبيات قد تظهر.
8. دمج أو إزالة أو إزالة السجلات المكررة.

معايير مطابقة غير دقيقة

من العملية المحددة أعلاه، يمكنك أن ترى أن خوارزمية مطابقة غير دقيقة لها عدد من المعايير التي تشكل أساس هذه التقنية. وتشمل هذه المعايير أوزان السمات، تقنية مطابقة غير دقيقة، ومستوى العتبة.

للحصول على نتائج مثالية، يجب عليك تنفيذ تقنيات مطابقة غير دقيقة مع معايير متغيرة وايجاد القيم التي تناسب بياناتك أفضل. العديد من البائعين يضمنون هذه القدرات داخل حلول مطابقة غير دقيقة الخاصة بهم، حيث يمكن تخصيص هذه المعايير حسب احتياجاتك.

ما هي تقنيات مطابقة غير دقيقة؟

هناك العديد من تقنيات مطابقة غير دقيقة المستخدمة اليوم التي تختلف بناءً على الخوارزمية أو الصيغة المستخدمة لمقارنة ومطابقة الحقول. بناءً على طبيعة بياناتك، يمكنك اختيار التقنية المناسبة لمتطلباتك. هنا قائمة بالتقنيات الشائعة لمطابقة غير دقيقة:

1. معايير التشابه القائمة على الحروف هي الأفضل لمطابقة السلاسل. وتشمل:
   1. مسافة التعديل: يحسب المسافة بين السلاسل، يتم حسابها حرفاً بعد حرف.
   2. مسافة الفجوة التكافئية: يحسب المسافة بين السلاسل، مع الأخذ في الاعتبار الفجوات أو الفراغات بين السلاسل.
   3. مسافة سميث ووترمان: يحسب المسافة بين السلاسل، مع الأخذ في الاعتبار وجود أو عدم وجود بادئات ولواحق.
   4. مسافة جارو: الأفضل لمطابقة الأسماء الأولى والخلافة.
2. معايير التشابه القائمة على الرموز هي الأفضل لمطابقة الكلمات الكاملة في السلاسل. وتشمل:
   1. السلاسل الذرية: تقسم السلاسل الطويلة إلى كلمات مفصولة bằng علامات الترقيم ومقارنة على الكلمات الفردية.
   2. WHIRL: مشابه للسلاسل الذرية، ولكن WHIRL يخصص أوزان للكلمات.
3. معايير التشابه الصوتية التي هي الأفضل لمقارنة الكلمات التي ت听 مثلها ولكن لها تركيبات حرفية مختلفة تماما. وتشمل:
   1. Soundex: الأفضل لمقارنة الأسماء الخلافة التي تختلف في الحروف ولكن ت听 مثلها.
   2. NYSIIS: مشابه لصوتكس، ولكنها تحافظ على تفاصيل حول موضع الحروف.
   3. Metaphone: يقارن الكلمات التي ت听 مثلها في اللغة الإنجليزية، وكلمات أخرى مألوفة للأمريكيين، والأسماء الأولى والأسرة الشائعة في الولايات المتحدة.
4. معايير التشابه العددية التي تقارن الأرقام، وكيف بعيدة عن بعضها، وتوزيع البيانات العددية، وغيرها.

تحديات مطابقة غير دقيقة

عملية مطابقة غير دقيقة – على الرغم من المنافع الرائعة التي تقدمها – يمكن أن تكون صعبة التنفيذ. هنا بعض التحديات الشائعة التي تواجهها الشركات:

1.     معدل أعلى من الإيجابيات والسلبيات الخاطئة

许多 حلول مطابقة غير دقيقة لها معدل أعلى من الإيجابيات والسلبيات الخاطئة. هذا يحدث عندما الخوارزمية تصنف بشكل خاطئ المطابقات والغير مطابقات أو العكس. يمكن تعريفات المطابقة القابلة للتكوين و معايير مطابقة غير دقيقة أن تساعد في تقليل الروابط الخاطئة قدر الإمكان.

2.     الcomplexity الحسابية

أثناء عملية المطابقة، يتم مقارنة كل سجل بكل سجل آخر في نفس مجموعة البيانات. وإذا كنت تعمل مع عدة مجموعات بيانات، فإن عدد المقارنات يزيد أكثر. لاحظ أن المقارنات تزداد بشكل مربع مع نمو حجم قاعدة البيانات. لهذا السبب، يجب عليك استخدام نظام قادر على التعامل مع الحسابات الحساسة للموارد.

3.     اختبار التحقق

السجلات المطابقة يتم دمجها معاً لتمثيل نظرة شاملة لكيانات. أي خطأ يحدث خلال هذه العملية يمكن أن يضيف مخاطر إلى عمليات عملك. لهذا السبب، يجب إجراء اختبار التحقق التفصيلي للتأكد من أن الخوارزمية المحددة تنتج نتائج بثبات مع معدل دقة عالٍ.

الختام

الشركات غالباً ما تعتبر حلول مطابقة غير دقيقة مشاريع معقدة ومكلفة ومستهلكة للموارد التي تستمر لفترة طويلة. الحقيقة هي أن الاستثمار في الحل الصحيح الذي ينتج نتائج سريعة ودقيقة هو المفتاح. المنظمات تحتاج إلى考虑 عوامل عديدة عند اختيار أداة مطابقة غير دقيقة، مثل الوقت والمال الذي يرغبون في استثماره، وتصميم القابلية للتنمية الذي لديهم في الاعتبار، وطبيعة مجموعات بياناتهم. هذا سيساعدهم على اختيار حل يسمح لهم بالحصول على أقصى استفادة من بياناتهم.