การสำรวจของ แอคเซนเชอร์ พบว่า 75% ของผู้บริโภคชอบซื้อสินค้าจากผู้ค้าปลีกที่รู้จักชื่อและพฤติกรรมในการซื้อของพวกเขา และ 52% ของพวกเขา มีแนวโน้มที่จะเปลี่ยนยี่ห้อหากไม่ได้รับประสบการณ์ที่เป็นส่วนตัว เมื่อธุรกิจเก็บข้อมูลหลายล้านจุดเกี่ยวกับลูกค้าเกือบทุกวัน การระบุลูกค้าที่ไม่ซ้ำกันและสร้างโปรไฟล์ของพวกเขาเป็นหนึ่งในความท้าทายที่ยิ่งใหญ่ที่สุดสำหรับบริษัทส่วนใหญ่

เมื่อธุรกิจใช้เครื่องมือหลายอย่างสำหรับการเก็บข้อมูล มันค่อนข้างที่จะเขียนชื่อลูกค้าผิดหรือยอมรับที่อยู่อีเมลที่มีรูปแบบไม่ถูกต้อง นอกจากนี้ เมื่อแอปพลิเคชันข้อมูลที่แตกต่างกันมีข้อมูลที่แตกต่างกันเกี่ยวกับลูกค้าคนเดียวกัน จะเป็นไปไม่ได้ที่จะเข้าใจพฤติกรรมและความชอบของลูกค้า

ต่อไป เราจะเรียนรู้เกี่ยวกับการจับคู่แบบคลุมเครือ วิธีการนำไปใช้ เทคนิคทั่วไปที่ใช้ และความท้าทายที่พบ มาเริ่มกันเลย

การจับคู่แบบคลุมเครือคืออะไร?

การจับคู่แบบคลุมเครือ เป็นเทคนิคการจับคู่ข้อมูลที่เปรียบเทียบสองหรือมากกว่าบันทึกและคำนวณความน่าจะเป็นที่จะสังกัดกับหน่วยเดียวกัน แทนที่จะแบ่งบันทึกออกเป็นสองประเภท คือ การจับคู่และไม่จับคู่ การจับคู่แบบคลุมเครือจะแสดงผลลัพธ์เป็นตัวเลข (โดยทั่วไประหว่าง 0-100%) ที่ระบุความน่าจะเป็นที่บันทึกเหล่านี้สังกัดกับลูกค้า สินค้า พนักงาน เป็นต้น

อัลกอริทึมการจับคู่แบบคลุมเครือที่มีประสิทธิภาพจะจัดการกับความคลุมเครือของข้อมูล เช่น การ đảoชื่อและนามสกุล การใช้ตัวย่อ ชื่อที่ย่อแล้ว การสะกดผิดทางเสียง และการเพิ่มหรือลบเครื่องหมายวรรคตอน เป็นต้น

ขั้นตอนการจับคู่แบบคลุมเครือ

ขั้นตอนการจับคู่แบบคลุมเครือดำเนินการดังนี้

1. บันทึกโปรไฟล์ สำหรับการแก้ไขข้อผิดพลาดมาตรฐานขั้นพื้นฐาน ข้อผิดพลาดเหล่านี้จะถูกแก้ไขเพื่อให้ได้มุมมองที่เป็นมาตรฐานและเป็นเอกภาพทั่วบันทึก
2. เลือกและแมปคุณลักษณะ ตามที่จะใช้ในการจับคู่แบบคลุมเครือ เนื่องจากคุณลักษณะเหล่านี้อาจมีชื่อที่แตกต่างกัน จึงต้องแมปข้ามแหล่งที่มา
3. เลือกเทคนิคการจับคู่แบบคลุมเครือ สำหรับคุณลักษณะแต่ละรายการ ตัวอย่างเช่น ชื่อสามารถจับคู่โดยอาศัยระยะทางบนคีย์บอร์ดหรือรูปแบบชื่อ ในขณะที่หมายเลขโทรศัพท์สามารถจับคู่โดยอาศัยเมตริกความคล้ายคลึงทางตัวเลข
4. เลือกน้ำหนัก สำหรับคุณลักษณะแต่ละรายการ โดยที่คุณลักษณะที่มีน้ำหนักสูงกว่าจะมีผลกระทบต่อระดับความมั่นใจในการจับคู่โดยรวมมากกว่าคุณลักษณะที่มีน้ำหนักต่ำกว่า
5. กำหนดระดับขีดจำกัด – บันทึกที่มีคะแนนการจับคู่แบบคลุมเครือสูงกว่าระดับนี้จะถือว่าเป็นการจับคู่ และบันทึกที่ต่ำกว่าจะถือว่าไม่ใช่การจับคู่
6. รันアルゴリズึมการจับคู่แบบคลุมเครือ และวิเคราะห์ผลลัพธ์ของการจับคู่
7. แทนที่ผลลัพธ์เท็จ และลบผลลัพธ์ที่ไม่ถูกต้องที่อาจเกิดขึ้น
8. รวม ลบข้อมูลซ้ำ หรือลบ บันทึกซ้ำ ออก

พารามิเตอร์ของการจับคู่แบบคลุมเครือ

จากกระบวนการที่กำหนดไว้ข้างต้น คุณจะเห็นว่าอัลกอริทึมการจับคู่แบบคลุมเครือมีพารามิเตอร์หลายตัวที่เป็นพื้นฐานของเทคนิคนี้ พารามิเตอร์เหล่านี้รวมถึงน้ำหนักของคุณลักษณะ เทคนิคการจับคู่แบบคลุมเครือ และระดับขีดจำกัดของคะแนน

เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด คุณควรใช้เทคนิคการจับคู่แบบคลุมเครือที่มีพารามิเตอร์ต่างๆ และค้นหาค่าที่เหมาะสมที่สุดสำหรับข้อมูลของคุณ ผู้ขายหลายรายรวมความสามารถดังกล่าวไว้ในโซลูชันการจับคู่แบบคลุมเครือของตน โดยที่พารามิเตอร์เหล่านี้สามารถปรับแต่งได้ตามความต้องการของคุณ

เทคนิคการจับคู่แบบคลุมเครือคืออะไร?

มีเทคนิคการจับคู่แบบคลุมเครือหลายอย่างที่ใช้กันในปัจจุบัน ซึ่งแตกต่างกันไปตามอัลกอริทึมหรือสูตรที่ใช้ในการเปรียบเทียบและจับคู่ฟิลด์ ขึ้นอยู่กับลักษณะของข้อมูล คุณสามารถเลือกเทคนิคที่เหมาะสมกับความต้องการของคุณ ต่อไปนี้คือรายชื่อเทคนิคการจับคู่แบบคลุมเครือทั่วไป:

1. เมตริกความคล้ายคลึงแบบอักขระ ที่ดีที่สุดสำหรับการจับคู่สตริง ซึ่งรวมถึง:
   1. ระยะทางการแก้ไข: คำนวณระยะทางระหว่างสองสตริง โดยคำนวณตัวอักขระต่อตัวอักขระ
   2. ระยะทางช่องว่างแบบ affine: คำนวณระยะทางระหว่างสองสตริง โดยพิจารณาช่องว่างหรือพื้นที่ระหว่างสตริงด้วย
   3. ระยะทาง Smith-Waterman: คำนวณระยะทางระหว่างสองสตริง โดยพิจารณาการมีอยู่หรือไม่มีของคำนำและคำท้าย
   4. ระยะทาง Jaro: เหมาะสำหรับการจับคู่ชื่อและนามสกุล
2. เมตริกความคล้ายคลึงแบบโทเคน ที่ดีที่สุดสำหรับการจับคู่คำเต็มในสตริง ซึ่งรวมถึง:
   1. สตริงอะตอม: แบ่งสตริงยาวออกเป็นคำที่ถูกกำหนดโดยเครื่องหมายวรรคตอนและเปรียบเทียบคำแต่ละคำ
   2. WHIRL: เหมือนกับสตริงอะตอม แต่ WHIRL ยังกำหนดน้ำหนักให้กับคำแต่ละคำ
3. เมตริกความคล้ายคลึงแบบเสียง ที่ดีที่สุดสำหรับการเปรียบเทียบคำที่มีเสียงคล้ายกันแต่มีการจัดเรียงตัวอักษรที่แตกต่างกัน ซึ่งรวมถึง:
   1. Soundex: เหมาะสำหรับการเปรียบเทียบนามสกุลที่แตกต่างกันในการสะกดแต่มีเสียงคล้ายกัน
   2. NYSIIS: เหมือนกับ Soundex แต่ NYSIIS ยังเก็บข้อมูลเกี่ยวกับตำแหน่งของสระ
   3. Metaphone: เปรียบเทียบคำที่มีเสียงคล้ายกันที่มีอยู่ในภาษาอังกฤษ คำที่คุ้นเคยสำหรับคนอเมริกัน และชื่อและนามสกุลที่ใช้กันอย่างแพร่หลายในสหรัฐอเมริกา
4. เมตริกความคล้ายคลึงแบบตัวเลข ที่เปรียบเทียبتัวเลข ว่าพวกมันอยู่ห่างกันแค่ไหน การกระจายตัวของข้อมูลตัวเลข เป็นต้น

ความท้าทายของการจับคู่แบบคลุมเครือ

กระบวนการจับคู่แบบคลุมเครือ – แม้ว่าจะมี ประโยชน์ที่น่าประทับใจ – สามารถเป็นเรื่องที่ยากที่จะนำไปใช้ได้ นี่คือความท้าทายทั่วไปที่ธุรกิจต้องเผชิญ:

1.     อัตราที่สูงขึ้นของผลลัพธ์เท็จบวกและลบ

หลายโซลูชันการจับคู่แบบคลุมเครือมีอัตราที่สูงขึ้นของผลลัพธ์เท็จบวกและลบ ซึ่งเกิดขึ้นเมื่ออัลกอริทึมจัดประเภทการจับคู่และไม่จับคู่อย่างไม่ถูกต้อง หรือในทางกลับกัน การกำหนดค่าการจับคู่ที่สามารถปรับแต่งได้และพารามิเตอร์แบบคลุมเครือสามารถช่วยลดการเชื่อมโยงที่ไม่ถูกต้องให้เหลือน้อยที่สุด

2.     ความซับซ้อนในการคำนวณ

ระหว่างกระบวนการการจับคู่ แต่ละบันทึกจะถูกเปรียบเทียบกับบันทึกอื่นๆ ในชุดข้อมูลเดียวกัน และหากคุณกำลังจัดการกับชุดข้อมูลหลายชุด จำนวนการเปรียบเทียบจะเพิ่มขึ้นมาก มีการสังเกตว่าการเปรียบเทียบเพิ่มขึ้นอย่างเป็นกำลังสองเมื่อขนาดของฐานข้อมูลเพิ่มขึ้น ด้วยเหตุนี้ คุณจึงต้องใช้ระบบที่สามารถจัดการการคำนวณที่ต้องการทรัพยากรสูงได้

3.     การตรวจสอบการทดสอบ

บันทึกที่จับคู่แล้วจะถูกรวมเข้าด้วยกันเพื่อแสดงมุมมองที่สมบูรณ์แบบ 360 องศาของหน่วยใดหน่วยหนึ่ง ข้อผิดพลาดใดๆ ที่เกิดขึ้นระหว่างกระบวนการนี้สามารถเพิ่มความเสี่ยงต่อการดำเนินธุรกิจของคุณ นี่คือเหตุผลที่การทดสอบการตรวจสอบอย่างละเอียดถี่ถ้วนจำเป็นต้องดำเนินการเพื่อให้แน่ใจว่าอัลกอริทึมที่ปรับให้เหมาะสมจะผลิตผลลัพธ์ที่มีอัตราความแม่นยำสูงอย่างต่อเนื่อง

สรุป

ธุรกิจมักคิดว่าโซลูชันการจับคู่แบบคลุมเครือเป็นโครงการที่ซับซ้อน ต้องการทรัพยากรสูง และกินเวลานาน แต่ความจริงคือการลงทุนในโซลูชันที่ถูกต้องซึ่งให้ผลลัพธ์ที่รวดเร็วและแม่นยำคือคำตอบสำคัญ องค์กรต้องคำนึงถึง ปัจจัยหลายประการขณะเลือกเครื่องมือการจับคู่แบบคลุมเครือ เช่น เวลาที่พวกเขายินดีลงทุน เงินที่พวกเขายินดีลงทุน การออกแบบการปรับขนาดที่พวกเขามีในใจ และลักษณะของชุดข้อมูลของพวกเขา สิ่งนี้จะช่วยให้พวกเขาเลือกโซลูชันที่ช่วยให้พวกเขาได้รับประโยชน์สูงสุดจากข้อมูลของตน องค์กรต้องคำนึงถึงปัจจัยเหล่านี้เพื่อเลือกโซลูชันที่เหมาะสม