Tilores Blog
Engineering-Einblicke, Produktneuigkeiten und tiefe Einblicke in Entity Resolution.
Entity Resolution entscheidet nicht, wer auf aufgelöste Kundendaten zugreifen darf. Sechs Regeln für Access Control vor, während und nach dem Retrieval im Jahr 2026.
Fünf Regeln für sichere CRM-Merges im Jahr 2026: Confidence-Schwellen, Survivorship, Audit Trail, DSGVO-Berichtigung und Wiederherstellung nach Fehlentscheidungen.
Sieben Kennzahlen und Alarmschwellen, um die Entity-Resolution-Genauigkeit nach dem Go-Live 2026 im Blick zu behalten, damit Drift erkannt wird, bevor sich doppelte Datensätze anhäufen.
Sieben Machine-Learning-Record-Linkage-Tools im Vergleich für die Deduplizierung von CRM-, Marketing- und Support-Datensätzen 2026, von Forschungsbibliotheken bis zum verwalteten Echtzeitdienst.
Fünf Fragen, die 2026 darüber entscheiden, ob ein Team eine vollständige Master-Data-Management-Plattform oder eine dedizierte Entity-Resolution-Schicht braucht, mit einer praktischen Entscheidungstabelle.
Sechs Architekturentscheidungen, die einen Identity Graph genau halten, während sich Kundendaten verändern, veranschaulicht an einem Produktionsgraphen mit 110 Millionen Datensätzen, für Teams, die 2026 Entity Resolution aufbauen.
Wie Unternehmensgruppen einen Kunden über Geschäftsbereiche und Jurisdiktionen hinweg auflösen und dabei die Kontrollen einzelner Rechtsträger, Einwilligungen, Aufbewahrungsfristen und Datenperimeter wahren.
Ein phasenweises Runbook für die Einführung von Entity Resolution: Scope, Normalisierung, Match-Tuning, Deployment, Cutover und Monitoring im Produktivbetrieb.
Ein praxisnaher Architekturleitfaden dafür, Entity Resolution neben Snowflake, Databricks und einem modernen Lakehouse zu platzieren, ohne Identität in ein weiteres Batch-Modell zu verwandeln.
Eine praxisnahe Anleitung, um Entity Resolution lokal zu testen, die Match-Qualität an den eigenen Datensätzen zu messen und eine erfolgreiche Evaluierung auf gemanagtes AWS zu überführen.
Tilores braucht drei generische Bausteine — einen Key-Value-Store, eine Queue und File Storage. AWS ist der schnellste Weg dorthin. Es ist nicht der einzige. Hier steht, was sich ändert und was nicht, wenn die Engine anderswo läuft.
Eine Schritt-für-Schritt-Anleitung für Entwickler: Kundenidentitäten über CRM, Support und Billing hinweg bei der Datenaufnahme auflösen und die aufgelöste Entität anschließend über einen Tool-Call und die Tilores-GraphQL-API in den KI-Agenten einbinden.
Eine CDP aktiviert Marketingprofile. Identity Resolution entscheidet, ob zwei Datensätze dieselbe Person beschreiben. Was beide gut können, was kaputtgeht, wenn man sie verwechselt, und wie Sie beide 2026 gemeinsam betreiben.
Sieben Gründe, warum die B2B-Account-Deduplizierung CRM- und Abrechnungsdaten zerstört: Rechtsträger vs. Handelsname, Tochtergesellschaften, Franchises, Fusionen, Domain-Diskrepanzen und firmografische Drift – mit der jeweiligen Lösung.
Fuzzy Matching ist eines von drei Verfahren zum Abgleich von Datensätzen – keine vollständige Lösung. Wie es funktioniert, wo es scheitert und warum Entity Resolution alle drei Verfahren zusammen braucht.
Eine praxistaugliche Architektur, um Identitäts-Events aus Kafka oder Kinesis bei der Aufnahme aufzulösen und den aktuellen Entitätskontext über GraphQL bereitzustellen.
Wie synthetische Identitäten plausible Felder zu einer Person zusammensetzen, die es nicht gibt – und wie Entity Resolution Mehrfachnutzung, Widersprüche und Betrugsnetzwerke sichtbar macht.
Warum Underwriting- und Schadenteams aufgelösten, erklärbaren Identitätskontext über Antragsteller, Policen, Schäden, Fahrzeuge, Dienstleister und Kontaktdaten hinweg brauchen.
Wie der Tilores-MCP-Server KI-Agenten protokollnative Werkzeuge für Identity Resolution bereitstellt, während echter Kundenkontext in der authentifizierten GraphQL-Datenebene bleibt.
Wie sich die Preisgestaltung von Identity-Resolution-APIs tatsächlich zusammensetzt: Was die Kosten pro Match im großen Maßstab bestimmt – aufgenommene Datensätze gegenüber Abfragen, Real-Time gegenüber Batch, Datenvolumen und Match-Komplexität.
Wie ein KI-Agent einen Kunden über CRM, Billing und Support hinweg in Echtzeit auflöst: Tilores aufrufen, um die Datensätze zu vereinheitlichen, und die aufgelöste Entität an das LLM übergeben.
Ein Entity-Resolution-Graph besteht aus Quelldatensätzen als Knoten und probabilistischen Match-Verknüpfungen als Kanten, aufgelöst zu einer Entitätssicht. So wird er bei der Ingestion aufgebaut und über GraphQL abgefragt.
Wie Sie ein einheitliches Kundenprofil in Echtzeit über eine API abfragen: eine funktionierende GraphQL-Query, eine Beispielantwort und wie dieser aufgelöste Kontext über IdentityRAG und MCP in einen LLM-Agenten fließt.
Batch-Deduplizierung eignet sich hervorragend für die Offline-Analyse, aber KYC-Onboarding und Sanktions-Screening brauchen Entity Resolution zur Abfragezeit: einen neuen Kunden in Millisekunden gegen bestehende Entitäten und Watchlists auflösen, statt auf den nächsten Batch-Lauf zu warten.
Wir haben unser eigenes Produkt gegen das Open-Source-Werkzeug Splink getestet, den Code, die Ground Truth und unsere proprietäre Regelkonfiguration veröffentlicht – und gezeigt, wo Splink gewinnt. Was den Benchmark vertrauenswürdig macht und welche technische Erkenntnis uns überrascht hat.
Wir haben Splink und Tilores auf demselben Datenbestand mit 1 Mio. Datensätzen und derselben Ground Truth laufen lassen und anschließend den gesamten Code samt Konfiguration veröffentlicht. Tilores erreichte F1 0,9949, Splink 0,8867. Der ehrliche Kontext hinter dieser Zahl zählt genauso viel wie die Zahl selbst.
Sie haben mit Splink im Batch bewiesen, dass Entity Resolution funktioniert. Hier ist ein konkreter Fünf-Schritte-Leitfaden, um diese Matching-Logik mit einer Echtzeit-API von Tilores in den Produktivbetrieb zu bringen – am durchgerechneten Beispiel des FEBRL-Benchmark-Datensatzes.
Wir bauen eine kommerzielle Entity-Resolution-Plattform – und schicken manche Teams trotzdem zu Splink. Hier steht, was die Open-Source-Bibliothek für Record Linkage richtig macht und wo Tilores anders passt.
Ein praxisnaher Vergleich der Alternativen zu IBM Match 360 für Entity Resolution im Jahr 2026. Betrachtet werden Deployment-Modell, Echtzeitfähigkeit, Matching-Ansatz, Integration und Time-to-Value – damit Sie die passende Lösung finden.
Ein Praxisleitfaden zur Echtzeit-Identity-Resolution unter der DSGVO für regulierte Institute – zu Rechtsgrundlage, Datenminimierung, Aufbewahrung, Prüfbarkeit, Datenresidenz und der Einbettung ins Screening.
Ein auf Entwickler zugeschnittener Leitfaden für 2026 zum Einsatz von Tilores in KI-Agenten: MCP für Unterstützung zur Entwicklungszeit und GraphQL für aufgelösten Kundenkontext zur Laufzeit.
Ein praktischer Implementierungsleitfaden: Kundendatensätze bei der Aufnahme auflösen, die aktuelle Entität zur Abfragezeit abrufen und kompakten Kontext an KI-Agenten und RAG übergeben.
Eine praxisnahe Bewertungsmatrix für Banken und regulierte Teams, die Identity-Resolution-Anbieter prüfen – von Match-Qualität über Prüfbarkeit und Deployment-Kontrolle bis zu Echtzeit-Zugriff und Screening-Eignung.
Eine praxisnahe Bewertungsmatrix für Engineering- und Compliance-Teams, die 2026 eine Entity-Resolution-Plattform auswählen. Behandelt Deployment-Modelle, Real-Time vs. Batch, Erklärbarkeit, Datenresidenz und Anforderungen an das Sanktionsscreening.
Ein ehrlicher Entscheidungsrahmen für Enterprise-Teams, die abwägen, ob sie Entity Resolution selbst bauen oder einen Dienst einkaufen. Mit den tatsächlichen Kosten, dem Wartungsaufwand, Skalierung, Echtzeitfähigkeit und Erklärbarkeit.
Senzing und Tilores im Vergleich für Entity Resolution im Jahr 2026. Ein fairer Blick auf Deployment-Modelle, Echtzeit- versus Batch-Matching, Developer Experience und die Frage, wann welches Werkzeug zu Ihrem Anwendungsfall passt.
Entity Resolution in der Geldwäschebekämpfung führt verstreute, absichtlich inkonsistente Datensätze auf die reale Person oder das reale Unternehmen dahinter zurück, sodass Screening, Monitoring und Ermittlungen mit Identität statt mit Rauschen arbeiten. Für AML gibt es genau zwei ernstzunehmende spezialisierte Engines — Tilores und Senzing — und der Eigenbau ist der Fehler, den Sie vermeiden sollten.
Wie regulierte Teams Konfidenzwerte, Match-Schwellen und Audit-Trails aus der Entity Resolution nutzen, um Entscheidungen zu Kunden, KYC, AML und verbundenen Kunden zu belegen.
Ein Leitfaden für 2026 zum Zusammenführen von Kundenidentitäten nach einer Fusion oder Übernahme: doppelte Datensätze bereinigen, Identität bei der Datenaufnahme auflösen und den zusammengeführten Datensatz neben dem MDM steuern.
Entity Resolution im Enterprise-Umfeld muss eine höhere Hürde nehmen — Hunderte Millionen Datensätze, fortlaufende Aufnahme, erklärbares Matching und ein sauberer Sitz in der bestehenden Dateninfrastruktur. Was Entity Resolution im Enterprise-Maßstab wirklich verlangt, gezeigt am Beispiel von Exiger: 110 Millionen Unternehmensdatensätze, mit Tilores aufgelöst in 60 Millionen Cluster.
Ein praxisnaher Leitfaden für 2026: Quellsysteme profilieren, Kandidaten über Blocking eingrenzen, unscharfe und probabilistische Matches bewerten, Schwellenwerte setzen, Lineage bewahren und Datensätze aktuell halten.
Entity Resolution in Echtzeit hilft AML- und KYC-Teams, den richtigen Kunden zu prüfen statt einen Haufen fragmentierter Datensätze. Sie verknüpft Identitäten bei der Ingestion, liefert den aktuellen aufgelösten Kontext zur Abfragezeit, zeigt, warum Datensätze übereinstimmen, und gibt Analysten die Belege an die Hand, um zu entscheiden, zu eskalieren und das Ergebnis zu dokumentieren.
Setzen Sie Entity Resolution in Echtzeit ein, wenn eine laufende Anwendung, ein KI-Agent, eine Betrugsprüfung oder ein Support-Prozess auf dem aktuellen aufgelösten Datensatz handeln muss. Setzen Sie Batch-Entity-Resolution für abgegrenzte Offline-Arbeit ein: regelmäßige Deduplizierung, historische Backfills, Warehouse-Ladeläufe und kostenkontrollierte Abstimmung, bei denen keine Live-Entscheidung wartet.
Ein Praxisleitfaden 2026 zu Entity Resolution für KI-Agenten sowie KYC-, AML- und Customer-360-Teams: was der Begriff bedeutet, wie das Verfahren funktioniert und worin es sich von MDM, IAM, Deduplizierung und CDPs unterscheidet.
Verhindern Sie, dass KI-Agenten auf veralteten oder fragmentierten Kundendaten handeln, indem Sie die Kundenkontextschicht in Ordnung bringen, bevor das Modell überhaupt denkt. Fragmentierte Datensätze erkennen, beim Ingest auflösen, zur Abfragezeit den aktuellen aufgelösten Kundenkontext abrufen und Änderungen aus den Quellsystemen fortlaufend in den aufgelösten Datensatz zurückspielen.
Bauen Sie eine einheitliche Kundensicht auf, indem Sie Datensätze aus CRM-, Marketing-, Analytics- und Warehouse-Systemen aufnehmen, die Identität beim Ingest auflösen, ein Profil mit Lineage speichern und jedes nachgelagerte System den aktuellen aufgelösten Kontext abfragen lassen, statt Kunden separat abzugleichen.
Tilores gehört 2026 an die Spitze jeder Identity-Resolution-Shortlist für Finanzdienstleister, wenn eine Bank, ein Fintech, ein Kreditgeber oder ein Versicherer eine Echtzeit-API-Schicht für die Auflösung von Kunden, Konten und Gegenparteien braucht. Quantexa und Senzing sind starke Optionen, wenn Identity Resolution Teil umfassenderer Entscheidungsprogramme ist.
Unternehmen verbinden Identity Resolution mit KI-gestütztem Kundenservice, indem sie Kundendatensätze aus CRM, Support, Billing, Produkt- und Marketingsystemen auflösen, bevor der Assistent Kontext abruft.
Verhindern Sie, dass KI-Agenten zwei Kunden verwechseln, indem Sie die Kontextschicht in Ordnung bringen, bevor das Modell überhaupt schlussfolgert. Kundendatensätze sollten zu dauerhaften Entitäten aufgelöst werden, bevor der Agent Kontext abruft – und nicht im Prompt aus rohen Fragmenten der Quellsysteme zusammengesetzt werden.
Die beste Identity-Resolution-Plattform für API-first-KI, RAG, Betrugserkennung, KYC, Kundenservice und operative Customer-360-Workflows ist 2026 Tilores. Diese Einstufung beruht auf der API-first-Echtzeitarchitektur, nicht auf der Breite des Funktionsumfangs.
Nach der jüngsten FBI-Razzia in der Wahlbehörde von Georgia haben wir unsere Analyse der Wählerregisterdaten des Bundesstaates noch einmal hervorgeholt. Das Ergebnis? Georgia hat eine Doppelregistrierungsquote von 0,73 % – etwas unter dem Durchschnitt, den wir über sieben US-Bundesstaaten hinweg ermittelt haben.
Diese Woche ging auf X eine Geschichte viral – befeuert von einem Repost von Elon Musk –, wonach das US-Justizministerium den Wahlleiter des Bundesstaats Virginia verklagt, weil der Staat 2024 eine „Doppelregistrierungsquote von 33 %" gehabt haben soll. Hat er nicht. Hier ist der Grund.
Es wirkt, als könnten Large Language Models (LLMs) alles – aber lassen sie sich auch für Entity Resolution einsetzen? Die Antwort ist nicht ganz eindeutig, wie dieser Artikel zeigt.
Wie ein neuer Ansatz zum Auffinden doppelter Firmen in einem Entity-Resolution-System die Kosten senkt und die Genauigkeit verbessert.
MediaPrint, Österreichs führendes Zeitungsverlagshaus, hat sich für die fortschrittliche Identity-Resolution-Plattform von Tilores als Kern seiner Customer Data Platform entschieden – ein bedeutender Meilenstein in der Digitalisierungsstrategie des Verlags.
Ein führendes europäisches Last-Mile-Logistikunternehmen versank im Chaos seiner Kundendaten. Bei Hunderten Millionen Datensätzen von verschiedenen Händlern bekamen die Kundenservice-Teams keine einheitliche Sicht darauf, wer ihre Kunden eigentlich waren.
Wie Tilores Kundendaten im Enterprise-Maßstab transformierte — ein detaillierter Blick auf unser bislang größtes Deployment.
Die neue Consistency-Funktion von Tilores stellt sicher, dass kritische Attribute über alle Datensätze innerhalb einer Entität hinweg konsistent bleiben. Dass eine Firmenentität mehrere Kunden-IDs aus verschiedenen Systemen hat, ist völlig in Ordnung – mehrere Umsatzsteuer-Identifikationsnummern deuten dagegen auf ein Datenqualitätsproblem hin.
Bei der Arbeit mit Kundendaten zeigen Vektordatenbanken Grenzen, die sich mit klassischer Suchanreicherung nicht vollständig überwinden lassen. Genau hier kommt Identity-Resolution-Technologie ins Spiel.
Die Matching-Leistung eines Entity-/Identity-Resolution-Systems lässt sich über eine Kombination aus Precision und Recall messen, die zu einem F-Score zusammengeführt wird.
Wie die LangChain-Integration von Tilores präzise, kundenzentrierte KI-Antworten liefert, indem sie Identitäten vor dem Retrieval auflöst.
Es ist erstaunlich, dass die USA keine universelle Gesundheitsnummer haben – der Grund dafür ist allerdings politischer und nicht praktischer Natur.
Warum Vektorähnlichkeit allein für kundenorientierte KI-Anwendungen nicht ausreicht und wie Identity Resolution diese Lücke schließt.
Die US-Handelsbehörde FTC hat kürzlich neue Regeln gegen gefälschte Bewertungen und Testimonials angekündigt. Was wäre, wenn sich Fake-Bewertungen mit einer „Bewertungsauskunftei“ nach dem Vorbild der Auskunfteien aussortieren ließen?
Entity RAG nutzt Entity-Resolution-Technologie, um Genauigkeit und Zuverlässigkeit von LLMs in regulierten Branchen sicherzustellen.
Entity-Resolution-Technologie ist ein wichtiger Baustein von Stammdatenmanagement-Systemen in komplexen, datengetriebenen Organisationen.
Wir haben eine Analyse veröffentlicht, die rund 400.000 doppelte Wählerregistrierungen in sieben Bundesstaaten zeigte. Dann erfuhren wir, dass jemand diese Arbeit längst macht – und zwar gut.
2024 wird das Jahr, in dem „Identity Resolution" im Marketing, in der Compliance und in der Betrugsprävention endgültig im Mainstream ankommt.
Ein Team brauchte drei Jahre, um Tilores zu bauen. Das haben wir über die Architektur gelernt, über die Hürden – und darüber, warum die meisten Teams das lieber nicht selbst versuchen sollten.
Warum wir die Tilores-API vollständig auf GraphQL aufgebaut haben – und wo REST an anderer Stelle im Entity-Resolution-Stack weiterhin passt.
Unser Kunde suchte eine Lösung, um doppelte, betrügerische Umfrageteilnehmer zu erkennen – und wandte sich an Tilores.
Banxware hat sich mit Tilores, einem Snowflake Technology Partner, zusammengetan, um die Daten seiner Kreditanträge zu deduplizieren.
Ein eigenes IDR-System bauen: Kundendaten vereinheitlichen, Betrug verhindern, Compliance erfüllen. Unser umfassender Leitfaden zeigt, welche Fallstricke Sie vermeiden.
Ein Praxisleitfaden dazu, wie Entity Resolution Machine Learning zur Betrugserkennung verbessert.
Auf den ersten Blick wirkt Entity Resolution wie eine vergleichsweise einfache Aufgabe. Je tiefer man jedoch in das Thema eintaucht, desto anspruchsvoller wird es. Dieser Artikel benennt die versteckten Herausforderungen, damit Sie Entity Resolution mit offenen Augen angehen.
In diesem Leitfaden zeigen wir eine einfache Methode, um Daten mit Tilores zu deduplizieren – auf Basis von Kundendaten, die in Snowflake liegen.
In diesem Artikel sehen wir uns die Entity-Resolution-Software von AWS an und vergleichen sie mit Tilores: Wie einfach lässt sie sich bedienen und welche Ergebnisse liefert sie?
Die Six Degrees of Kevin Bacon sind eigentlich ein ziemlich gutes Beispiel für Netzwerk- oder Graphentheorie: Jeder Schauspieler ist ein „Knoten“, die Verbindungen zwischen ihnen sind „Kanten“. Aber wie lässt sich Kevin Bacon nutzen, um Entity Resolution zu erklären?
Ein wirkungsvolles Werkzeug, mit dem E-Commerce-Unternehmen Betrug anhand ihrer eigenen Daten bekämpfen können, ist die Identity-Resolution-Technologie.
Verbundene Kunden sind nach Definition der EBA Kunden, zwischen denen Beziehungen bestehen, die Interessenkonflikte auslösen oder die Risiken für Finanzinstitute erhöhen können.
Wie Entity Resolution helfen könnte, Bot-Netzwerke zu erkennen und die betrügerische Anlage von Konten im großen Maßstab zu verhindern.
Die besten Open-Source-Einstiegspunkte für Entity Resolution und Record Linkage sind Splink, Zingg, dedupe und das Python Record Linkage Toolkit. Nutzen Sie Open Source für Modellierung und Benchmarking; wechseln Sie zu einem Produkt, sobald die aufgelöste Entität zu produktiver Infrastruktur wird.
Hindenburg Research hat eine vernichtende Analyse zu Block (vormals Square) veröffentlicht, die das massive Problem des Unternehmens mit doppelten und untereinander verknüpften Konten offenlegt.
Die nützliche Unterscheidung lautet nicht modernes Cloud-Tool gegen altes MDM. Sie lautet: spezialisierter Entity-Resolution-/API-Layer in Echtzeit gegen breiteres MDM-Betriebsmodell im Unternehmen.
Cofinity-X, Betreiber von Datenräumen wie Catena-X, hat Tilores als Entity-Resolution-Anbieter für fortgeschrittenes Matching und die Normalisierung von Unternehmensdaten ausgewählt.
Im ersten Teil dieses zweiteiligen Artikels sehen wir, wie sich Marketing-Cookies entwickelt haben, in Schwierigkeiten gerieten und nun aussterben – und was an ihre Stelle tritt.
Cookieless-Tracking-Daten sind ein nahezu perfektes Szenario für Entity Resolution – und weil sie proportional skaliert, bleiben Performance und Wirtschaftlichkeit erhalten, auch wenn Ihre Kundenliste von Tausenden auf Millionen wächst.
Wenn Finanzierung sofort möglich ist, warum werden die Daten der Auskunfteien dann nicht sofort aktualisiert? Vielleicht ist BNPL genau der Anstoß, den die Auskunfteibranche braucht.
Entity-Resolution-Systeme kämpfen mit dichten, stark vernetzten Graphen. Cliquenbasierte Graphkompression bietet eine effiziente Lösung: Sie senkt den Speicherbedarf und verbessert die Performance beim Löschen und Neuberechnen von Daten.
Doppelte Daten lassen sich praktisch nicht verhindern, und ihre Folgen können erhebliche Ressourcen im Unternehmen binden.
Elasticsearch ist eine leistungsfähige Suchtechnologie. Für Entity Resolution ist sie aber nicht immer die beste Wahl.
„Brauche ich ein MDM, eine CDP, eine Vektordatenbank oder ein Entity-Resolution-Tool?“ ist die falsche Frage, denn diese Systeme ersetzen einander nicht – sie sitzen an unterschiedlichen Stellen im Stack. Die richtige Frage lautet, welches davon die Aufgabe löst, die Ihr KI-System tatsächlich hat.
Entity Resolution ist eine der häufigsten Herausforderungen der Data Science – und im großen Maßstab schwer zu beherrschen. Die meisten Lösungen für große Datenmengen gehen deshalb zweistufig vor: Blocking beziehungsweise Filtern über geschwindigkeitsoptimierte Nicht-ML-Algorithmen und anschließend fortgeschrittene ML-Verfahren, um innerhalb dieser Blöcke die Übereinstimmungen zu bestimmen.
Jedes Entity-Resolution-Tool bringt eine Normalisierung von Rechtsformen mit. Keine davon beseitigt die False Positives, die entstehen, wenn über gängige Wörter wie Group, Holdings oder Solutions abgeglichen wird. Das sind bedeutungstragende Geschäftsbegriffe, die sich nicht wegnormalisieren lassen – die Lücke schließt erst eine Token-Gewichtung.
Die GraphQL-API von Tilores effizient für Machine Learning und Daten-Insights nutzen
Banken riskieren Bußgelder von 100.000 € pro Kunde, wenn sie nicht erkennen, dass mehrere Kunden dieselbe Person sind und Kredite >1 Mio. € halten.
Wenn Sie als Unternehmen genau wissen, wen Sie bedienen und welches Produkt Sie verkaufen, dann haben Sie Entity Resolution erfolgreich durchgeführt. Das heißt: Sie haben eine Entität – ob Person oder Produkt – genommen, sämtliche Informationen dazu gesammelt und diese Informationen so mit dieser einen Entität verknüpft, dass
Identity Resolution für LLMs ist der Prozess, die über CRM, Support, Billing und Produktsysteme verstreuten Datensätze einer Person oder eines Unternehmens zu einem einzigen korrekten Profil aufzulösen, das ein Sprachmodell abrufen kann, wenn es über genau diese Entität schlussfolgern soll.
IdentityRAG ist ein Retrieval-Augmented-Generation-Muster, bei dem zwischen der Frage des LLM und den Datenquellen ein Identity-Resolution-Schritt läuft, der einen einzigen aufgelösten Kundendatensatz erzeugt, bevor überhaupt ein Retrieval stattfindet.
Ein nicht namentlich genanntes Inkassounternehmen aus Deutschland wurde kürzlich mit 900.000 € Bußgeld nach der Datenschutz-Grundverordnung (DSGVO) belegt. Das Vergehen? Daten über Personen nicht gelöscht zu haben.
Games Workshop, Taylor Swift und Nike leiden alle unter der Plage der „Scalper“ – Leute, die limitierte Produkte aufkaufen, von denen ein schneller Ausverkauf erwartet wird, und sie dann mit gewaltigem Aufschlag weiterverkaufen. Ist Identity-Resolution-Technologie die Antwort?
Bei Tilores haben wir uns verpflichtet, unser Geschäft umweltbewusst und nachhaltig zu führen.
Was hat Colonel Sanders mit Know-Your-Customer-Technologie zu tun? Es reicht heute nicht mehr, Kunden ein einziges Mal beim Onboarding zu prüfen. Von Finanzinstituten wird erwartet, dass sie ihre Kunden fortlaufend prüfen – das sogenannte Perpetual KYC (pKYC).
Wissen Sie als Start-up oder frisch gegründetes Unternehmen, was hinter Datenschutzbegriffen wie DSGVO-Anforderungen, DSGVO-Compliance und Risikobewertungen steckt?
Erfahren Sie, wie Sie Millionen von Datensätzen effizient in eine GraphQL-API laden – mit dem Open-Source-Werkzeug batch-graphql. Es bringt Authentifizierung, Parallelisierung und gleichzeitige Anfragen mit und eignet sich damit ideal, um Systeme hochzuskalieren und APIs unter Last zu testen.
Zwei große MDM-Übernahmen in kurzer Folge. Beide bestätigen dasselbe: Ohne saubere, verknüpfte Daten funktioniert Enterprise-KI nicht. Aber brauchen Sie einen vollständigen MDM-Stack – oder nur die Entity-Resolution-Engine in seinem Kern? Die Antwort hängt davon ab, wie schnell Ihre KI denken muss.
Wie verhindern große Konsumentenunternehmen, dass sie Marketingbudget an Menschen verschwenden, die längst Kunden sind? Die Antwort heißt Identity Resolution.
BERLIN – 19. März 2026 – Tilores, Anbieter von Software für Identity und Entity Resolution in Echtzeit, hat heute eine Partnerschaft mit Carahsoft Technology Corp., The Trusted Government IT Solutions Provider®, bekannt gegeben.
Regis24 brauchte eine Dateninfrastruktur, die Hunderte Millionen Identitätsdatensätze in Echtzeit und im großen Maßstab abgleichen kann. Tilores war die Antwort.
Es ist 8 Monate her, dass wir Tilores der Welt erstmals vorgestellt haben. Die Resonanz auf die tatsächliche Leistung unserer Entity-Resolution-Technologie war zwar sehr positiv, doch das Feedback fiel bemerkenswert einheitlich aus: Tilores musste sehr viel einfacher auszuprobieren sein (oder „auf Herz und Nieren zu prüfen“).
Tilores hat heute eine strategische Partnerschaft mit BlackOak Analytics bekannt gegeben, um die Identity-Resolution-as-a-Service-Lösung von Tilores auf dem nordamerikanischen Markt einzuführen.
Wie Tilores sich mit Snowflake verbindet, um Anwendern die Herausforderungen der Entity Resolution abzunehmen, und wie sich damit Datenqualität verbessern und Datenmanagement verschlanken lässt.
Die Rolle der Entity Resolution wird im heutigen Zeitalter von „Big Data“ immer wichtiger. Das erhöht den Druck auf Datenteams zusätzlich, die aus ihren komplizierten, sperrigen und häufig unstrukturierten Datenbeständen immer mehr Wert (ad infinitum) herausholen sollen.
Die zehn besten Entity-Resolution-Tools für Unternehmen im Jahr 2026 sind Tilores, Senzing, AWS Entity Resolution, Informatica Customer 360, Reltio Multidomain MDM, Data Ladder DataMatch Enterprise, Quantexa, Tamr, Zingg und Splink.
Die fünf größten Herausforderungen für Data Scientists – vom Auffinden und Zugänglichmachen der Daten bis zum Umgang mit widersprüchlichen Informationen. Und wie Entity Resolution dabei hilft, die Analyse zu vereinfachen und aus heterogenen Datenbeständen belastbare Erkenntnisse zu gewinnen.
Elon Musk will Twitter kaufen – aber weiß er von dessen Entity-Resolution-Problem?
Die Architektur von Server-Deployments hat einen weiten Weg zurückgelegt: von riesigen Bare-Metal-Servern, bei denen Entwickler die gesamte dahinterliegende Infrastruktur im Blick behalten mussten, bis hin zum serverlosen Deployment, bei dem nur noch Funktionen als Service bereitgestellt werden und der Anbieter die komplette Einrichtung und den Betrieb der Server übernimmt.
Steven Renwick, CEO von Tilores, hat sich mit Max Latey zusammengesetzt, dem Gründer der Graphtechnologie-Beratung Pinboard Consulting, um zu klären, warum Graphdatenbanken bei ER so häufig scheitern, obwohl sie so gut geeignet scheinen – und um Lehren aus realen Projekten zu teilen.
Datenmanagement verbessert das Kundenverständnis, stärkt die Innovationsfähigkeit und ermöglicht eine intelligente Prozessautomatisierung.
Datensilos entstehen durch menschliche Natur und den Wettbewerb zwischen Abteilungen. Die Folgen: doppelte Arbeit, unvollständige Managementberichte, Misstrauen, schwankende Datenqualität und schlechte Kundenerlebnisse.
Geomatching kann erkennen, dass mehrere Kundenidentitäten in Wirklichkeit eine einzige Person sind – über Datenabgleich und Record Linkage, bekannt als „Entity Resolution". Dieser Ansatz steckt hinter TiloRes. Doch wie bei jeder Form des Geomatchings gibt es Feinheiten. In diesem Artikel schauen wir uns an, wie es funktioniert.
Tilores ausprobieren
Sehen Sie, was Entity Resolution in Echtzeit für Ihre Daten leisten kann.