Bir Accenture anketi gösterdi ki, tüketicilerin %75’i isimlerini ve satın alma davranışlarını bilen perakendecilerden alışveriş yapmayı tercih ediyor ve %52’si kişiselleştirilmiş deneyimler sunmayan markaları değiştirmeye daha eğilimli. Markaların her gün milyonlarca veri noktasını yakaladığı düşünüldüğünde, benzersiz müşterileri tanımlamak ve profillerini oluşturmak, çoğu şirketin karşılaştığı en büyük zorluklardan biridir.

Bir işletme, verileri yakalamak için birden fazla aracı kullandığında, bir müşterinin adını yanlış yazmak veya yanlış bir desene sahip bir e-posta adresini kabul etmek çok yaygın bir durumdur. Ayrıca, farklı veri uygulamalarının aynı müşteriyle ilgili farklı bilgiler içerdiği durumlarda, müşteri davranışları ve tercihleri hakkında bilgi edinmek imkansız hale gelir.

Şimdi, bulanık eşlemenin ne olduğu, nasıl uygulanacağı, kullanılan ortak teknikler ve karşılaşılan zorluklar hakkında bilgi edineceğiz. Başlayalım.

Bulanık Eşleme Nedir?

Bulanık eşleme, iki veya daha fazla kaydı karşılaştırır ve bunların aynı varlık ait olma olasılığını hesaplar. Kayıtları sadece eşleşme ve eşleşmeme olarak geniş bir şekilde sınıflandırmak yerine, bulanık eşleme, bu kayıtların aynı müşteriye, ürüne, çalışana vs. ait olma olasılığını gösteren bir sayı (genellikle %0-100 arasında) verir.

Etkili bir bulanık eşleme algoritması, ad ve soyadı ters çevirmeleri, kısaltmalar, fonetik ve kasıtlı yazım hataları, kısaltmalar, eklenen veya kaldırılan noktalama işaretleri gibi çeşitli veri belirsizliklerini giderir.

Bulanık Eşleme Süreci

Bulanık eşleme süreci aşağıdaki şekilde gerçekleştirilir:

1. Profil kayıtları temel standartlaştırma hataları için düzeltilir. Bu hatalar düzeltilerek, kayıtlar arasında standart ve standartlaştırılmış bir görünüm elde edilir.
2. Öznitelikleri seçin ve eşleyin, bulanık eşlemenin gerçekleşeceği özniteliklere göre. Bu öznitelikler farklı kaynaklarda farklı şekilde adlandırılabilir, bu nedenle bunlar kaynaklar arasında eşlenmelidir.
3. Her özniteliğe bir bulanık eşleme tekniği seçin. Örneğin, isimler klavye mesafesine veya ad varyantlarına göre eşleştirilebilirken, telefon numaraları numerik benzerlik ölçütlerine göre eşleştirilebilir.
4. Her özniteliğe bir ağırlık seçin, böylece daha yüksek ağırlıklara (veya daha yüksek öncelik) sahip öznitelikler, daha düşük ağırlıklara (veya daha düşük öncelik) sahip alanlara kıyasla genel eşleşme güven düzeyinde daha büyük bir etkiye sahip olacaktır.
5. Eşik düzeyini tanımlayın – eşik düzeyinden daha yüksek bir bulanık eşleme puanına sahip kayıtlar bir eşleşme olarak kabul edilir ve eşik düzeyinin altında kalanlar eşleşme olarak kabul edilmez.
6. Bulanık eşleme algoritmalarını çalıştırın ve eşleşme sonuçlarını analiz edin.
7. Yanlış pozitifleri ve yanlış negatifleri geçersiz kılın ortaya çıkabilir.
8. Çift kayıtları birleştirin, çoğaltılmış kayıtları silin veya sadece kaldırın.

Bulanık Eşleme Parametreleri

Yukarıda tanımlanan süreçten de anlaşılacağı gibi, bir bulanık eşleme algoritması, öznitelik ağırlıkları, bulanık eşleme tekniği ve puan eşik düzeyi gibi bir dizi parametreye sahiptir.

Optimum sonuçları elde etmek için, farklı parametrelerle bulanık eşleme tekniklerini çalıştırmanız ve verilerinize en uygun değerleri bulmanız gerekir. Birçok satıcı, bu parametrelerin otomatik olarak ayarlanmasını sağlayan, ancak gerektiğinde özelleştirilebilen bulanık eşleme çözümleri sunar.

Bulanık Eşleme Teknikleri Nelerdir?

Günümüzde kullanılan birçok bulanık eşleme tekniği vardır ve bunlar, kullanılan algoritma veya formüle bağlı olarak farklılık gösterir. Verilerinizin doğasına bağlı olarak, gereksinimlerinize uygun tekniği seçebilirsiniz. İşte bazı ortak bulanık eşleme teknikleri:

1. Karakter tabanlı benzerlik ölçütleri, dizeleri eşleştirmek için en iyisidir. Bunlar arasında:
   1. Düzenleme mesafesi: İki dize arasındaki mesafeyi karakter karakter hesaplar.
   2. Affine boşluk mesafesi: İki dize arasındaki mesafeyi, dizeler arasındaki boşlukları da dikkate alarak hesaplar.
   3. Smith-Waterman mesafesi: İki dize arasındaki mesafeyi, ön ve son ekleri de dikkate alarak hesaplar.
   4. Jaro mesafesi: İlk ve soyisimlere eşleştirmek için en iyisidir.
2. Tokan tabanlı benzerlik ölçütleri, dizelerdeki tam kelimeleri eşleştirmek için en iyisidir. Bunlar arasında:
   1. Atomik dizeler: Uzun dizeleri, noktalama işaretleriyle ayrılmış kelimelere böler ve bireysel kelimelere göre karşılaştırır.
   2. WHIRL: Atomik dizelere benzer, ancak her kelimeye ağırlık atar.
3. Fonetik benzerlik ölçütleri, benzer şekilde yazılan ancak farklı karakter kompozisyonuna sahip kelimeleri karşılaştırmak için en iyisidir. Bunlar arasında:
   1. Soundex: Benzer şekilde yazılan ancak farklı karakter kompozisyonuna sahip soyisimleri karşılaştırmak için en iyisidir.
   2. NYSIIS: Soundex’e benzer, ancak ayrıca sesli harf konumları hakkında bilgi tutar.
   3. Metaphone: Benzer şekilde yazılan kelimeleri, İngilizce dilindeki kelimeleri ve Amerika’da yaygın olarak kullanılan ilk ve soyisimleri karşılaştırmak için en iyisidir.
4. Numerik benzerlik ölçütleri, sayıları, birbirlerine olan uzaklıklarını, numerik verilerin dağılımını vb. karşılaştırmak için kullanılır.

Bulanık Eşlemenin Zorlukları

Bulanık eşleme süreci – sunduğu inanılmaz faydalarına rağmen – uygulanması khá zor olabilir. İşte işletmelerin karşılaştığı bazı ortak zorluklar:

1.     Yanlış Pozitif ve Negatif Oranının Artması

Birçok bulanık eşleme çözümü, yanlış pozitif ve negatif oranının artmasına neden olabilir. Bu, algoritmanın yanlış şekilde eşleştirmeleri ve eşleşmemeleri sınıflandırması veya tersi olması durumunda xảyabilir. Yapılandırılabilir eşleme tanımları ve bulanık parametreler, yanlış bağlantılar sayısını mümkün olduğunca azaltmaya yardımcı olabilir.

2.     Hesaplamalı Karmaşıklık

Eşleme过程i sırasında, her kayıt diğer kayıtlarla karşılaştırılır. Birden fazla veri kümesi ile çalışıyorsanız, karşılaştırmaların sayısı daha da artar. Karşılaştırmaların, veritabanı boyutunun artmasıyla birlikte kare olarak arttığı gözlemlenmiştir. Bu nedenle, kaynak yoğun hesaplamaları işleyebilen bir sistem kullanmanız gerekir.

3.     Doğrulama Testi

Eşleştirilmiş kayıtlar, bir varlığın tam 360 görünümünü temsil etmek için birleştirilir. Bu süreçte meydana gelen herhangi bir hata, iş operasyonlarınıza risk ekler. Bu nedenle, yüksek bir doğruluk oranına sahip sonuçlar üreten, ayarlanmış algoritmanın tutarlı bir şekilde çalışmasını sağlamak için ayrıntılı doğrulama testleri yapılmalıdır.

Sonuç

İşletmeler, bulanık eşleme çözümlerini genellikle karmaşık, kaynak yoğun ve uzun süren projeler olarak görür. Gerçekte, doğru çözümü seçmek ve hızlı, doğru sonuçlar üretmek anahtardır. İşletmelerin, bir bulanık eşleme aracını seçerken several faktörü dikkate almaları gerekir. Bunlar, yatırım yapmak istedikleri zaman ve para, düşünülen ölçekleme tasarımı ve veri setlerinin doğasıdır. Bu, işletmelerin verilerini en iyi şekilde kullanmalarına olanak tanıyan bir çözüm seçmelerine yardımcı olur.