Fuzzy Matching erklärt: Verfahren, Grenzen und wann es nicht ausreicht

Kurzfassung: Fuzzy Matching findet wahrscheinliche Duplikate, indem es bewertet, wie ähnlich sich zwei Werte sind – statt eine exakte Übereinstimmung zu verlangen. Es ist eines von drei eigenständigen Verfahren zum Abgleich von Entitäten, neben deterministischem und probabilistischem Matching, und für sich allein genommen liefert es keine verlässliche, erklärbare Auflösung im großen Maßstab.

Sehen Sie, wie eine konfidenzbewertete Matching-Pipeline aus drei Verfahren im Produktivbetrieb aussieht. Demo buchen oder Tilores Studio kostenlos testen.

Was ist Fuzzy Matching?

Fuzzy Matching ist ein Verfahren, um zwei oder mehr Datensätze zu identifizieren, die sich wahrscheinlich auf dieselbe reale Entität beziehen, obwohl die zugrunde liegenden Feldwerte nicht identisch sind. Statt Zeichenketten auf exakte Übereinstimmung zu prüfen, berechnet Fuzzy Matching einen Ähnlichkeitswert zwischen zwei Werten – einem Namen, einer Adresszeile, einem Firmennamen – und wertet alles oberhalb eines gewählten Schwellenwerts als wahrscheinliche Übereinstimmung.

Das Verfahren existiert, weil reale Daten unordentlich sind. Ein Kunde tippt in ein Formular „Jon Smith” und in ein anderes „Jonathan Smyth”. Ein Mitarbeiter im Support schreibt einen Namen phonetisch statt korrekt mit. Ein CRM-Import kürzt „International Business Machines Corp” zu „IBM Corp”. Keines dieser Paare ist als Zeichenkette identisch, aber ein Mensch, der sie nebeneinander liest, würde sagen: Das ist mit ziemlicher Sicherheit dieselbe Person oder dieselbe Firma. Fuzzy Matching automatisiert dieses Urteil mit String-Ähnlichkeit statt mit menschlichem Augenmaß.

Es lohnt sich, genau zu sein, was Fuzzy Matching nicht ist. Es ist nicht dasselbe wie deterministisches Matching – der exakte Vergleich über einen gemeinsamen Identifikator –, und es ist nicht dasselbe wie probabilistisches Matching, das die Übereinstimmung mehrerer Felder mit statistischen Likelihood-Verhältnissen gewichtet. Fuzzy Matching ist eines von drei eigenständigen Verfahren. Es mit probabilistischem Matching gleichzusetzen, gehört zu den häufigsten Fehlern in Anbietererklärungen zum Datenabgleich, und es verdeckt die Abwägungen, die ein Team verstehen muss, bevor es eine Matching-Pipeline ausliefert, auf die sich am Ende ein Kunde, eine Aufsichtsbehörde oder ein Betrugsermittler verlässt.

Welche Verfahren nutzt Fuzzy Matching?

Fuzzy Matching ist kein einzelner Algorithmus. Es ist eine Familie von Verfahren zum Vergleich von Zeichenketten, die üblicherweise kombiniert werden und jeweils auf eine andere Art von Fehler zugeschnitten sind.

Editierdistanz (Levenshtein-Distanz)

Die häufigste Ausgangsbasis ist der Levenshtein-Distanz-Algorithmus. Er zählt die Mindestanzahl an Einfügungen, Löschungen oder Ersetzungen einzelner Zeichen, die nötig sind, um eine Zeichenkette in eine andere zu überführen. Von „Smith” zu „Smyth” ist es eine Ersetzung, die Editierdistanz beträgt also 1. Die Editierdistanz ist günstig zu berechnen und erkennt Tippfehler, behandelt aber jede Zeichenposition gleich. Deshalb tut sie sich schwer mit Buchstabendrehern am Anfang eines Namens – also genau dort, wo die meisten menschlichen Schreibfehler tatsächlich passieren. Varianten wie Damerau-Levenshtein und die Jaro-Winkler-Distanz korrigieren das: Jaro-Winkler gewichtet übereinstimmende Präfixe stärker, weshalb es eine gängige Voreinstellung für den Namensabgleich ist.

Phonetisches Matching (Soundex und Metaphone)

Die Editierdistanz vergleicht Schreibweisen. Phonetische Algorithmen vergleichen Klang. Soundex, Anfang des zwanzigsten Jahrhunderts entwickelt, wird bis heute vom US-Nationalarchiv verwendet, um historische Volkszählungsdaten nach Nachnamen zu indexieren. Das Verfahren reduziert einen Namen auf einen Code, der auf seinen Konsonantenlauten beruht, sodass „Robert” und „Rupert” trotz unterschiedlicher Schreibweise denselben Code erhalten können. Metaphone, 1990 von Lawrence Philips als genauerer Nachfolger von Soundex veröffentlicht, wendet englische Aussprachregeln an statt einer festen Codetabelle. Phonetisches Matching erkennt Fehler, die der Editierdistanz entgehen, etwa „Catherine” gegenüber „Kathryn” – es ist aber sprachspezifisch und funktioniert schlecht bei Daten, die Namenskonventionen verschiedener Regionen mischen.

Token- und n-Gramm-Matching

Namen und Adressen bestehen selten aus einem einzigen Token. „Bank of America Corp” und „Corp Bank of America” beschreiben dieselbe Entität mit umgekehrter Wortreihenfolge, was einen naiven Vergleich per Editierdistanz zerlegt. Tokenbasierte Verfahren zerlegen eine Zeichenkette in Wörter oder n-Gramme (überlappende Teilzeichenketten fester Länge) und vergleichen die entstehenden Mengen mit Maßen wie der Jaccard- oder der Kosinus-Ähnlichkeit. Das bewältigt Umstellungen, Teilübereinstimmungen und zusammengesetzte Namen, an denen Editierdistanz und phonetische Codes gleichermaßen scheitern.

Normalisierung

Keines der bisher genannten Verfahren funktioniert gut auf rohen Eingabedaten. Bevor überhaupt ein Ähnlichkeitswert berechnet wird, normalisieren Fuzzy-Matching-Pipelines die Daten: Kleinschreibung, Entfernen von Satzzeichen, Auflösen von Abkürzungen wie „St.” zu „Street”, Vereinheitlichen von Datums- und Telefonformaten. Normalisierung ist keine optionale Vorverarbeitung. Ein großer Teil der praktischen Matching-Genauigkeit entsteht genau hier, weil ein guter Normalisierer das Rauschen entfernt, das die Ähnlichkeitsalgorithmen sonst ausgleichen müssten.

Wo stößt Fuzzy Matching an seine Grenzen?

Fuzzy Matching ist wirklich nützlich – und es ist zugleich wirklich begrenzt. Vier Fehlermuster treten in Produktivsystemen immer wieder auf.

Falsch-Positive nahe am Schwellenwert. Jedes Fuzzy-Matching-Verfahren erzeugt einen numerischen Wert, und jede Implementierung muss eine Grenze festlegen, oberhalb derer zwei Datensätze als Übereinstimmung gelten. Ist der Schwellenwert zu locker, wird ein „John Smith” mit einem völlig anderen „John Smith” zusammengeführt. Ist er zu streng, werden legitime Varianten desselben Namens nie zusammengeführt. Es gibt keinen Schwellenwert, der für jedes Feld, jede Population und jeden Anwendungsfall richtig ist – Teams justieren also entweder permanent nach oder akzeptieren eine feste Fehlerquote.

Falsch-Negative bei legitimen Varianten. Fuzzy Matching ist auf die Fehler optimiert, die seine Entwickler erwartet haben. Namen in anderen Schriftsystemen, ungewöhnliche, aber echte Schreibweisen sowie Doppelnamen mit Bindestrich oder mehreren Bestandteilen bleiben oft unter dem Schwellenwert, selbst wenn sie dieselbe Person bezeichnen – schlicht weil die Ähnlichkeitsberechnung nie auf dieses Muster abgestimmt wurde.

Nachlassende Leistung im großen Maßstab. Jeden Datensatz mit jedem anderen zu vergleichen, ist quadratisch. Ein naiver Fuzzy-Matching-Lauf, der bei zehntausend Datensätzen problemlos durchläuft, wird bei zehn Millionen unpraktikabel, wenn nicht Blocking, Indexierung oder Verfahren zur Kandidatengenerierung darübergelegt werden. Und jede dieser Schichten bringt ihre eigene Justierungsfläche mit – und ihre eigene Möglichkeit, eine echte Übereinstimmung stillschweigend zu verlieren, bevor sie die Ähnlichkeitsfunktion überhaupt erreicht.

Für sich allein nicht erklärbar. Ein Ähnlichkeitswert von 0,87 sagt Ihnen, dass zwei Zeichenketten nah beieinanderliegen. Er sagt einem Compliance-Prüfer, einem Betrugsanalysten oder einem Auditor nicht, warum das System zwei Datensätze zusammengeführt hat, welche bestätigenden Indizien die Entscheidung stützten oder wie sicher sich das System tatsächlich war – gemessen an anderen Übereinstimmungen desselben Tages. Ein einzelner Fuzzy-Wert allein ist eine schwache Grundlage für eine Entscheidung, die ein Audit überstehen muss. Schwellenwerte, Indizien und Audit-Trails vertiefen wir in wie Konfidenzschwellen gesetzt und auditiert werden sollten.

Worin unterscheidet sich Fuzzy Matching von deterministischem und probabilistischem Matching?

Richtig gemacht, nutzt Entity Resolution drei tatsächlich verschiedene Verfahren – nicht ein Verfahren mit drei Namen.

Deterministisches Matching vergleicht ein oder mehrere Felder nach der Normalisierung auf exakte Übereinstimmung: dieselbe E-Mail-Adresse, dieselbe nationale Ausweisnummer, dieselbe Kontonummer. Es ist schnell und eindeutig, solange ein gemeinsamer, verlässlicher Identifikator über alle Quellen hinweg existiert – und es leistet nichts mehr, sobald dieser Identifikator fehlt, uneinheitlich ist oder in einem der Systeme, die Sie zusammenführen wollen, nie erhoben wurde.

Fuzzy Matching bewertet, wie oben beschrieben, die Ähnlichkeit von Zeichenketten und erklärt alles oberhalb eines Schwellenwerts zur Übereinstimmung. Es schließt die Lücke, die deterministisches Matching bei jedem Feld hinterlässt, dessen Schreibweise, Formatierung oder Übertragung variiert. Allerdings bewertet es typischerweise ein Feld oder eine Ähnlichkeitsfunktion nach der anderen, und ein einzelner Wert ist ein dünnes Fundament für eine folgenschwere Entscheidung.

Probabilistisches Matching ist das dritte Verfahren – und keine strengere Variante des Fuzzy Matching. Es ist eine völlig andere Berechnung. Fellegi und Sunter haben probabilistisches Record Linkage 1969 formalisiert: Sie gewichten Übereinstimmung und Abweichung über mehrere Felder gleichzeitig – Name, Geburtsdatum, Adresse, Telefonnummer – und verdichten diese gewichteten Signale über Likelihood-Verhältnisse zu einer einzigen Match-Wahrscheinlichkeit. Das Verfahren kann zu dem Schluss kommen, dass zwei Datensätze mit hoher Wahrscheinlichkeit dieselbe Person betreffen, selbst wenn kein einziges Feld exakt übereinstimmt – weil das kombinierte Gewicht mehrerer Teilübereinstimmungen das Rauschen in jedem einzelnen davon überwiegt.

Verfahren	Funktionsweise	Stärken	Fehlermuster	Erklärbarkeit
Deterministisches Matching	Exakter Vergleich über ein oder mehrere normalisierte Identifikatorfelder (E-Mail, Ausweisnummer, Kontonummer)	Schnell, günstig, eindeutig, solange ein gemeinsamer Identifikator verlässlich ist	Übersieht Übereinstimmungen, wenn Identifikatoren fehlen, vertippt sind oder in einer Quelle nicht vorhanden sind (stilles Under-Matching)	Vollständig erklärbar: binäre Übereinstimmung oder Nicht-Übereinstimmung auf einem benannten Feld
Fuzzy Matching	Ähnlichkeitswert (Editierdistanz, phonetischer Code, Token-Überlappung) auf einem oder mehreren Feldern, Übereinstimmung oberhalb eines Schwellenwerts	Erkennt Tippfehler, phonetische Varianten und Formatierungsunterschiede, die auch ein Mensch erkennen würde	Schwellenwertabhängige Falsch-Positive und Falsch-Negative; lässt im großen Maßstab ohne Blocking oder Indexierung nach	Teilweise: Es gibt einen Ähnlichkeitswert, aber keine feldübergreifende Konfidenzgewichtung
Probabilistisches Matching	Gewichtete Likelihood-Verhältnisse über mehrere Felder, zusammengeführt zu einer Match-Wahrscheinlichkeit (Fellegi-Sunter-Modell)	Kombiniert schwache, partielle Signale aus mehreren Feldern; geht souverän mit fehlenden Daten um	Erfordert gut kalibrierte Feldgewichte; schlechte Kalibrierung erzeugt trügerische Sicherheit	Stark bei guter Umsetzung: ein numerischer Konfidenzwert mit feldweiser Aufschlüsselung

Warum kombiniert Entity Resolution in Echtzeit alle drei Verfahren?

Kein einzelnes Verfahren deckt sämtliche oben beschriebenen Fehlermuster ab. Deshalb betreiben wir Fuzzy Matching nicht isoliert und nennen es dann Entity Resolution. Bei Tilores werden eingehende Datensätze bereits bei der Aufnahme normalisiert: Der Originaldatensatz bleibt erhalten, für das Matching wird die normalisierte Fassung genutzt. Anschließend werden die Datensätze mit deterministischen, unscharfen und probabilistischen Verfahren gemeinsam abgeglichen, und jede resultierende Übereinstimmung trägt einen Konfidenzwert statt eines nackten Ja oder Nein. Deterministisches Matching übernimmt die Felder, für die ein verlässlicher Identifikator existiert. Fuzzy Matching fängt die Tippfehler und phonetischen Varianten auf, die deterministisches Matching stillschweigend verlieren würde. Probabilistisches Matching verdichtet die partiellen, unvollkommenen Signale der übrigen Felder zu einer kalibrierten Match-Wahrscheinlichkeit, sodass sich eine Übereinstimmung auch dann begründen lässt, wenn kein einzelnes Feld sauber trifft.

Weil die Auflösung bei der Datenaufnahme geschieht und nicht bei jeder Abfrage neu berechnet wird, steht die aktuelle aufgelöste Sicht auf eine Entität zum Abfragezeitpunkt über unsere GraphQL-API bereit – genau das macht Abfragen in Echtzeit schnell. Welchen praktischen Unterschied das gegenüber einer batchweise abgeglichenen Pipeline macht, behandeln wir in Echtzeit- vs. Batch-Entity-Resolution.

Das Ergebnis lautet nicht bloß „diese Datensätze sind identisch”. Es ist ein Konfidenzwert mit den zugrunde liegenden Indizien im Anhang, sodass ein Betrugsanalyst oder ein Compliance-Prüfer nachvollziehen kann, warum das System zwei Datensätze zusammengeführt hat – oder eben nicht –, statt nur das Ergebnis der Zusammenführung zu sehen. Das ist der Unterschied zwischen einer Matching-Pipeline, die Sie in einem Audit verteidigen können, und einer, bei der das nicht gelingt. Und es ist der Grund, warum wir Konfidenzbewertung als Kern des Produkts behandeln und nicht als Zusatz.

Genau deshalb gehört Entity Resolution auch neben die Systeme, die Ihre Daten bereits vorhalten, und nicht an deren Stelle. Tilores arbeitet neben einer bestehenden MDM-Plattform, einer CDP, einem Data Warehouse oder einem KYC- und AML-Stack und löst das fragmentierte Identitätsbild über diese Systeme hinweg in Echtzeit auf, statt eines davon zu ersetzen. Wenn Sie abwägen, ob für ein bestimmtes Problem eine Matching-Schicht, eine Vektordatenbank, eine MDM-Plattform oder eine CDP das richtige Werkzeug ist: Die Abwägungen unterscheiden sich je Option und sind es wert, direkt durchgegangen zu werden. Siehe Entity Resolution für KI: API vs. Vektordatenbank vs. MDM vs. CDP – und wie Sie 2026 richtig wählen.

FAQ

Was ist der Unterschied zwischen Fuzzy Matching und probabilistischem Matching?

Fuzzy Matching bewertet die Ähnlichkeit zweier Zeichenkettenwerte, typischerweise Feld für Feld, und erklärt Datensätze oberhalb eines Schwellenwerts zur Übereinstimmung. Probabilistisches Matching gewichtet Übereinstimmung und Abweichung über mehrere Felder gleichzeitig und erzeugt eine kalibrierte Match-Wahrscheinlichkeit. Die Verfahren sind verwandt, aber verschieden – und sie als austauschbar zu behandeln, gehört zu den häufigsten Fehlern in Erklärungen zu Entity Resolution.

Kann Fuzzy Matching allein Kundendatensätze zuverlässig deduplizieren?

Für sich genommen nicht. Fuzzy Matching erkennt Tippfehler und phonetische Varianten, die deterministisches Matching übersieht. Ein einzelner Ähnlichkeitswert berücksichtigt jedoch weder bestätigende noch widersprechende Hinweise in anderen Feldern, und er liefert nicht die Art von Konfidenzwert, die ein Audit oder eine Compliance-Prüfung braucht. Verlässliche Deduplizierung im großen Maßstab kombiniert Fuzzy Matching mit deterministischen und probabilistischen Verfahren.

Was ist die Editierdistanz beziehungsweise Levenshtein-Distanz?

Die Editierdistanz misst die Mindestanzahl an Einfügungen, Löschungen oder Ersetzungen einzelner Zeichen, die nötig sind, um eine Zeichenkette in eine andere zu überführen. Sie ist die gängigste Ausgangsbasis im Fuzzy Matching, um Tippfehler und kleinere Abweichungen in der Schreibweise zu erkennen – behandelt aber jede Zeichenposition gleich und tut sich mit umgestellten Wörtern schwer.

Was ist phonetisches Matching, und worin unterscheiden sich Soundex und Metaphone?

Phonetisches Matching vergleicht, wie zwei Zeichenketten klingen, statt wie sie geschrieben werden. Soundex reduziert einen Namen auf einen Code, der auf seinen Konsonantenlauten beruht, und wird bis heute genutzt, um historische US-Volkszählungsdaten nach Nachnamen zu indexieren. Metaphone, später veröffentlicht, wendet englische Aussprachregeln an und ist bei modernen Namen im Allgemeinen genauer – sprachspezifisch sind allerdings beide.

Wie wählt man einen Ähnlichkeitsschwellenwert für Fuzzy Matching?

Es gibt keinen universell richtigen Schwellenwert. Ein Wert, der für ein Feld, eine Population und einen Anwendungsfall justiert wurde, erzeugt anderswo eine andere Fehlerquote. Die meisten Produktivsysteme wählen oder justieren Schwellenwerte empirisch anhand gelabelter Beispiele – und das Risiko, in die eine oder andere Richtung danebenzuliegen, ist genau der Grund, warum ein einzelner schwellenwertbasierter Wert nicht das einzige Signal hinter einer Match-Entscheidung sein sollte.

Funktioniert Fuzzy Matching in Echtzeit?

Fuzzy-Matching-Berechnungen sind für einen einzelnen Vergleich schnell. Jeden eingehenden Datensatz mit jedem bestehenden Datensatz zu vergleichen, skaliert in Echtzeit aber nicht. Produktivsysteme lösen Datensätze bereits bei der Aufnahme auf und bewerten die Übereinstimmungen dort, mithilfe von Blocking oder Indexierung statt eines vollständigen paarweisen Vergleichs. So steht das aufgelöste Ergebnis zum Abfragezeitpunkt bereit, statt bei jeder Abfrage neu berechnet zu werden.

Wie kombiniert Tilores deterministisches, unscharfes und probabilistisches Matching?

Tilores normalisiert eingehende Datensätze bei der Aufnahme, behält den Originaldatensatz neben der normalisierten Fassung und gleicht mit deterministischen, unscharfen und probabilistischen Verfahren gemeinsam ab – statt mit einem Verfahren allein. Jede Übereinstimmung trägt einen Konfidenzwert samt der stützenden Indizien, und die aufgelöste Sicht auf jede Entität lässt sich in Echtzeit abfragen.