Grundlagen der Entity Resolution

Autor: Steven Renwick, CEO und Mitgründer, Tilores. Tilores entwickelt eine Entity-Resolution-API in Echtzeit, deren Matcher deterministisches und probabilistisches, unscharfes Machine-Learning-Matching kombiniert; sie löst Datensätze bereits bei der Ingestion auf, führt sie zusammen und liefert den aufgelösten Kontext zur Abfragezeit zurück. Sie steht neben bestehenden MDM-, CDP-, Data-Warehouse-, KYC- und AML-Systemen, statt sie zu ersetzen.

Kurzfassung

• Wählen Sie eine Entity-Resolution-Plattform aus, indem Sie Match-Qualität, Abdeckung der Quellsysteme, Aktualisierungsgeschwindigkeit, Erklärbarkeit und operative Steuerungsmöglichkeiten an echten, unsauberen Daten testen.
• Tilores passt, wenn Teams Kunden-, Produkt- oder andere Entitätsdatensätze über verschiedene Systeme hinweg verknüpfen und deduplizieren müssen und dabei die Verweise auf die Quellsysteme erhalten bleiben sollen.
• Regulierte oder sensible Daten erfordern erklärbares Matching, Workflows für Löschung und Auskunftsersuchen, Verschlüsselung und bestätigte Datenschutzkontrollen. Verlassen Sie sich nicht auf einen Black-Box-Matcher.

Inhaltsverzeichnis

1. Der nächste Schritt mit Tilores
2. Entscheidungshilfe
3. Sie müssen die Person kennen, die Sie bedienen, und das Produkt, das Sie verkaufen.
4. 1. Was ist Entity Resolution?
5. 2. Worin bestehen die Herausforderungen der Entity Resolution?
6. 3. Wie führen Sie Entity Resolution durch?
7. 4. Gibt es eine Methode, die Vor- und Nachteile von Batch- und Echtzeitverarbeitung auszubalancieren?
8. 5. Ersetzt Entity Resolution Ihre Datenbank vollständig?
9. 6. Gibt es datenbezogene Vorschriften, die wir kennen sollten?
10. 7. Wie wirkt sich die DSGVO auf Entity Resolution aus?
11. 8. Wie lässt sich Entity Resolution in der Praxis anwenden?
12. 9. Wie hilft Entity Resolution bei Produktdaten?
13. Fazit
14. Kurze Antwort
15. Was sollte man bei einer Evaluierung zuerst testen?
16. Welche Batch- und Echtzeitfunktionen zählen?
17. Warum ist Erklärbarkeit bei Entity Resolution wichtig?
18. Wie sollte Entity Resolution Datenschutzanfragen unterstützen?
19. Ersetzt Entity Resolution bestehende Datenbanken?
20. Häufig gestellte Fragen

Der nächste Schritt mit Tilores

Wählen Sie den nächsten Schritt, der zu Ihrem Evaluierungsstand passt.

Demo buchen Tilores Studio kostenlos testen

Entscheidungshilfe

Frage	Tilores passt, wenn	Worauf Sie achten sollten
Gleicht die Plattform unsaubere Datensätze ab, ohne unterschiedliche Entitäten zusammenzuwerfen?	Sie Kontakte, Kunden, Konten oder Produkte über Systeme hinweg verknüpfen müssen – trotz Schreibfehlern, unvollständiger Felder und doppelter Einträge.	Testen Sie False Positives und False Negatives an Ihren eigenen Daten, bevor Sie sich auf einen Match-Score verlassen.
Unterstützt sie sowohl die rückwirkende Bereinigung als auch aktuelle operative Abfragen?	Sie eine Batch-Bereinigung für vorhandene Datensätze und aktuellen Entitätskontext für neu eingehende Daten benötigen.	Ein reiner Batch-Workflow kann dazu führen, dass der abgefragte Datenbestand veraltet ist; ein reiner Echtzeit-Workflow muss auf Lese- und Schreibkonflikte getestet werden.
Können Teams erklären, warum Datensätze verknüpft wurden?	Übereinstimmungen Entscheidungen in Betrugserkennung, Kreditvergabe, Support, Compliance oder Kundenerlebnis beeinflussen, bei denen Nachvollziehbarkeit zählt.	Black-Box-Matching lässt sich schwer verteidigen, wenn zwei Entitäten fälschlich zusammengeführt werden oder eine Aufsichtsbehörde, ein Kunde oder eine interne Prüfstelle nach dem Warum fragt.
Bleiben im Entitätslayer die Verweise auf die Quellen erhalten?	Sie eine einheitliche Sicht benötigen, die weiterhin auf CRM-Systeme, interne Datenbanken, Marketingsysteme, E-Mail-Tools oder andere Quelldatensätze zurückverweist.	Eine einzelne Entitätssicht sollte nicht verbergen, woher Attribute stammen, und Lösch- oder Korrekturprozesse nicht erschweren.
Kann die Plattform Quellsysteme von der Resolution-Last abschirmen?	Entity Resolution laufen soll, ohne die Systeme zu bremsen, die operative Daten erzeugen, aktualisieren und ausliefern.	Große Importe, Event-Streams und Löschprozesse brauchen dennoch Lasttests und eine klare betriebliche Verantwortung.

Sie müssen die Person kennen, die Sie bedienen, und das Produkt, das Sie verkaufen.

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 es kein zweites Duplikat derselben Entität mehr gibt.

In diesem Artikel erklären wir die folgenden Grundlagen der Entity Resolution:

• Was ist Entity Resolution?
• Worin bestehen die Herausforderungen der Entity Resolution?
• Wie führen Sie Entity Resolution durch?
• Gibt es eine Methode, die Vor- und Nachteile von Batch- und Echtzeitverarbeitung auszubalancieren?
• Ersetzt Entity Resolution Ihre bestehenden Datenbanken vollständig?
• Gibt es datenbezogene Vorschriften, die wir kennen sollten?
• Wie wirkt sich die DSGVO auf Entity Resolution aus?
• Wie lässt sich Entity Resolution in der Praxis anwenden?
• Wie hilft Entity Resolution bei Produktdaten?

1. Was ist Entity Resolution?

Nehmen wir an, es gibt zwei Namen für dieselbe Person, Robert und Bob, und diese „Entität“ (Person) hat unter beiden Namen zwei verschiedene Kreditkarten erhalten. Eine Bank mit einem funktionierenden Entity-Resolution-System erkennt den Betrug sofort – ohne ein solches System hat sie schlicht das Nachsehen.

Je nach Branche gibt es unterschiedliche Tiefen der Entity Resolution. Wie weit sie gehen muss, hängt vom Anwendungsfall ab: Im E-Commerce reichen mitunter Basisinformationen, um Entitäten aufzulösen, während ein Finanzunternehmen deutlich mehr Datenpunkte benötigt.

Entity Resolution existiert in der Praxis schon lange, und viele Branchen betreiben sie seit Jahrzehnten – nur haben sie oft keinen eigenen Namen dafür und können weder benennen, was es ist, noch wie es sich auf ihr Geschäft auswirkt.

Zu wissen, was Entity Resolution ist, und zu verstehen, wie sie Ihr Geschäft beeinflusst, prägt Ihr Unternehmen ganz erheblich. Denn Daten sind alles – und wichtiger noch: korrekte Daten sind alles!

Angesichts der enormen Datenströme, die heute verfügbar sind, entdecken Unternehmen immer neue Wege, Daten zu entschlüsseln und mit künstlicher Intelligenz und Machine Learning wertvolle Erkenntnisse daraus zu gewinnen. Aber was nützen all diese Daten, wenn sie schlecht strukturiert sind?

Genau hier kommt Entity Resolution ins Spiel. Entity Resolution ist der Prozess, Daten, die zu einer bestimmten Entität gehören, zu deduplizieren und abzugleichen, sodass es für diese Entität nur eine einzige Quelle der Wahrheit gibt.

Ein Beispiel: Eine CRM-Datenbank enthält die Kontaktdaten einer Person, die eine reale Entität ist – aber durch Schreibfehler, falsch erfasste Daten, abgebrochene Importe oder Mehrfacherfassungen existiert dieselbe Person mit vielen Einträgen im selben System.

Mit Entity Resolution können Sie all diese Kontakte und Datensätze schnell zu einer Entität verknüpfen, Duplikate entfernen, die Informationen durch Kombination der über alle Datensätze verteilten Angaben anreichern und eine einzige Datenwahrheit erzeugen.

Das ist Entity Resolution!

2. Worin bestehen die Herausforderungen der Entity Resolution?

Ist das so einfach, wie es aussieht? Wenn von Entitätsdaten die Rede ist, geht es um gewaltige Datenmengen – und Entity Resolution im großen Maßstab durchzuführen, ist eine Herausforderung. Und zwar deshalb, weil Sie einen Datensatz mit einem ganzen Meer anderer Datensätze vergleichen, die zudem in verschiedenen, voneinander getrennten Datensilos liegen.

Das bedeutet: Für jeden Datenbestand gibt es n*(n-1)/2 mögliche eindeutige Paare (auch „Kanten“ genannt). Bei 10.000 Datensätzen sind das bereits 49.995.000 mögliche Kombinationen. Bei einer Million Datensätzen wären es 499.999.500.000 mögliche Kombinationen.

Zur Lösung dieses Problems gibt es mehrere wissenschaftliche Verfahren, etwa Blocking, Clustering und Matching. Dennoch können nur wenige Softwarelösungen im großen Maßstab arbeiten, ohne in die Falle des exponentiellen Kantenwachstums zu geraten.

Das ist eine echte Herausforderung.

Wie also gehen Sie Entity-Resolution-Anwendungsfälle an?

3. Wie führen Sie Entity Resolution durch?

Sie können Entitäten mit regelbasierten Methoden oder mit KI-/ML-basierten Ansätzen auflösen.

Sehen wir uns beide Ansätze genauer an.

Regelbasierte Entity Resolution bedeutet, dass Sie konkrete zeichenkettenbasierte Regeln definieren, um Ähnlichkeiten zwischen zwei Entitäten zu erkennen. Wenn Sie eine Anfrage oder einen Datensatz eingeben, gleicht der regelbasierte Prozess diesen Datensatz mit jedem anderen Datensatz in der Datenbank ab und leitet anhand der für den Anwendungsfall vordefinierten Regeln ab, wie ähnlich sie sich sind.

Regelbasierte Entity Resolution lässt sich jedoch nicht für alle denkbaren Anwendungsfälle definieren; sie skaliert nicht und liefert mitunter False Positives und False Negatives.

Bei KI-/ML-basierten Ansätzen wird dem System dagegen ein Datenbestand zugeführt, aus dem hervorgeht, welche Ähnlichkeiten oder Unterschiede das System erkennen soll.

Durch systematisches Lernen aus den Trainingsdaten und mithilfe bestimmter Algorithmen lernt die Maschine, beim Abgleich von Datensätzen die Ähnlichkeiten innerhalb einer Entität zu erkennen.

KI-/ML-basierte Entity Resolution ist zwar einfacher aufzusetzen, weil Sie keine Regeln konfigurieren müssen, doch die Übereinstimmungen sind nicht ohne Weiteres erklärbar. Das führt zu Problemen, wenn zwei Entitäten vermischt werden, ohne dass klar ist, warum.

Ob Sie regelbasiert oder KI-/ML-basiert vorgehen: Innerhalb dieser Ansätze gibt es zwei verbreitete Arten, die Daten zu verarbeiten – Batch-Verarbeitung und Echtzeitverarbeitung.

Batch-Verarbeitung

• Batch-Verarbeitung heißt, dass eingehende Daten gesammelt und gespeichert werden, bis eine bestimmte Menge zusammengekommen ist, und dann gemeinsam als Batch verarbeitet werden.
• Die Batch-Verarbeitung besteht aus zwei Schritten: Live-Abfrage und Datenverarbeitung.
• Die Live-Abfrage liefert bei Suchvorgängen sofortige Ergebnisse und arbeitet auf einer schreibgeschützten Kopie der Daten.
• Die Datenverarbeitung umfasst den Abgleich der eingehenden Daten, den Umgang mit Löschungen, das Ergänzen bestehender Datensätze um neue Daten und Ähnliches.
• Der Vorteil der Batch-Abfrage ist, dass die Live-Abfrage ohne Verzögerung antwortet, weil die Daten im Batch bereits verarbeitet sind. Der Nachteil: Neu eingehende Daten sind nicht enthalten, und bei jedem Batch-Lauf muss die Live-Abfrage auf den neuesten Batch umgestellt werden.
• Die Datenverarbeitung läuft einmal täglich oder wöchentlich, doch diese Intervalle sind nicht immer fest, weil die Menge der eingehenden Daten laufend schwankt. Das bedeutet, dass der Datenbestand, auf dem Sie eine Live-Abfrage ausführen, immer veraltet ist.

Echtzeitverarbeitung

• Anders als bei Live-Abfragen in der Batch-Verarbeitung werden bei der Echtzeitverarbeitung eingehende Daten verarbeitet, sobald sie ins System gelangen. Der große Vorteil: Statt einer schreibgeschützten Kopie sind die Daten aktuell und sofort verfügbar.
• Der Nachteil der Echtzeitverarbeitung liegt in der Natur konkurrierender Zugriffe – Lesen und Schreiben: Schreibvorgänge können Lesevorgänge ausbremsen und umgekehrt. Große Batch-Uploads können außerdem dazu führen, dass Lesevorgänge in ein Timeout laufen.

4. Gibt es eine Methode, die Vor- und Nachteile von Batch- und Echtzeitverarbeitung auszubalancieren?

Lässt sich die Geschwindigkeit der Batch-Verarbeitung mit den minutenaktuellen Abfrageantworten der Echtzeitverarbeitung verbinden?

Die Antwort lautet: Serverless-Technologie für Entity Resolution.

Serverless-Technologie abstrahiert den gesamten darunterliegenden Technologie-Stack, den ein Nutzer sonst betreiben müsste – Backend-Infrastruktur, Integrationsplattformen, Anwendungen und so weiter.

Stattdessen stellt sie eine funktionsbasierte Umgebung bereit, die auf Nutzeranfragen reagiert, sobald sie eintreffen, und so Skalierbarkeit und Geschwindigkeit für jede Anfrage bietet.

Serverless-Technologie für Entity Resolution beseitigt Lese-Schreib-Konflikte, liefert stets aktuelle Daten, macht Abfragezeiten besser vorhersagbar und schafft die harten Datenumschaltungen ab, die es bei der Batch-Verarbeitung gibt.

5. Ersetzt Entity Resolution Ihre Datenbank vollständig?

Entity Resolution fügt den bestehenden Datenbanken faktisch eine weitere hinzu. Es gibt aber auch die Möglichkeit, einen eigenständigen Datenlayer aufzubauen – etwa eine Datenbank oder einen Data Lake, der Entitätsdaten nutzerzentriert speichert.

Die Entity Resolution stellt sicher, dass alle Daten auf einer einzigen Ebene liegen, mit Verweisen auf die Quelldatenbanken wie CRM-Systeme, interne Datenbanken, Collaboration-Software wie E-Mail-Systeme, Marketingdatenbanken und so weiter.

Jede Live-Abfrage an die Entity-Resolution-Software liefert Ihnen daher die gewünschten Daten und ruft zugleich alle Verweise auf die Quelldatenbanken ab.

So können Sie Auskunfts- oder Löschanfragen von Kunden innerhalb von Sekunden und ohne menschliches Zutun bearbeiten.

Der Nachteil einer Zentralisierung aller Unternehmensdaten ist allerdings, dass dieses System hohe Anforderungen an Verfügbarkeit und Performance stellt. Die Entity-Resolution-Software darf weder Datenverlust noch Verlangsamungen in den Quellsystemen verursachen.

Wie also lösen Sie dieses Problem?

Event-Streams wurden entwickelt, um genau dem Ausbremsen der Quellsysteme zu begegnen: Sie schirmen die Quellsysteme von der Entity-Resolution-Software ab.

Mit Event-Streams läuft die Kommunikation zwischen Quellsystemen und Entity-Resolution-Software asynchron. Daten aus den Quellsystemen werden in den Event-Stream geschrieben und erreichen die Entity-Resolution-Software anschließend asynchron.

Das Ergebnis:

• Anfragen nach Daten, Änderungen oder Löschungen aus der Entity-Resolution-Software werden als Events an die Quelldatenbank gesendet.
• Sie haben zusätzlich zu Ihrer Quelldatenbank einen Datenlayer.
• Verlangsamungen in der Entity-Resolution-Software bremsen die Quelldatenbank nicht aus.

Jetzt, wo wir mehr über Entity Resolution wissen: Wie werden die Daten behandelt, und wo werden sie gespeichert?

6. Gibt es datenbezogene Vorschriften, die wir kennen sollten?

Bei der Verarbeitung von Daten für die Entity Resolution ist eines besonders wichtig: Entitätsdaten über Personen können privat sein, und es gibt Gesetze, die die Datenrechte des Einzelnen schützen.

Bei der Verarbeitung sensibler personenbezogener Daten ist es entscheidend, dass alle Mechanismen, mit denen Sie Entity Resolution durchführen, Regelwerken wie der DSGVO oder dem CCPA entsprechen. Andernfalls dürfen Sie personenbezogene Daten nicht verarbeiten.

Das bedeutet:

• Der Zweck der Zusammenführung zweier Datenbestände muss erklärbar sein (was bei ML mitunter nicht ohne Weiteres möglich ist).
• Sie müssen Daten nach einer festgelegten Frist automatisch löschen oder sobald der berechtigte Grund für ihre Aufbewahrung entfallen ist.
• Der gesamte Datenbestand zu einer Person muss auf Anfrage bereitgestellt werden.
• Sie müssen Daten auf Anfrage entfernen.
• Sie müssen Daten vor der Speicherung verschlüsseln.

7. Wie wirkt sich die DSGVO auf Entity Resolution aus?

Die Datenschutz-Grundverordnung (DSGVO) der Europäischen Union trat 2018 in Kraft – als Reaktion darauf, dass Unternehmen und andere Organisationen personenbezogene Daten zum eigenen Vorteil ausbeuteten.

Angesichts dieser Ausbeutung wurde ein Regelwerk zum Schutz von Verbraucherdaten verabschiedet.

Jede Organisation, die personenbezogene Daten verarbeitet, muss auf Anfrage der betroffenen Person offenlegen, welche Informationen sie verarbeitet, und diese Daten auf Anfrage aus ihren Systemen löschen.

Warum ist es so schwierig, DSGVO-Compliance im Unternehmensmaßstab umzusetzen?

Das Problem: Wenn riesige Datenmengen in verschiedenen Systemen liegen und eine Entität keine eindeutige Identifikationsnummer hat, ist es ausgesprochen knifflig, die Daten auf Anfrage eines Verbrauchers sofort abzufragen.

Dann müssen Data-Science-Team und Rechtsabteilung diese Daten manuell aus den verstreuten Systemen zusammensuchen. Selbst dieser Vorgang ist kompliziert, denn zwei aufeinanderfolgende Auskunftsersuchen können zu unterschiedlichen Ergebnissen führen.

Am schwierigsten sind Löschanfragen – ob von Verbrauchern oder als Teil der DSGVO-Compliance –, weil die Informationen in ganz unterschiedlichen Datenquellen liegen.

Eine Lösung für die DSGVO-Compliance ist Entity Resolution.

Auch wenn Entity Resolution ihre Wurzeln im Management personenbezogener Daten hat, ist sie hier besonders nützlich, weil die Daten einer Entität an einem einzigen Ort liegen. Auskunfts- und Löschanfragen von Verbrauchern lassen sich dadurch leichter beantworten.

Mit Entity Resolution lassen sich die Daten in allen Quellsystemen unkompliziert löschen. Das sichert die DSGVO-Compliance und spart dem Data-Science- und dem Rechtsteam Zeit und Aufwand.

8. Wie lässt sich Entity Resolution in der Praxis anwenden?

Sehen wir uns einige Branchen an, die Entity Resolution einsetzen, um geschäftliche Probleme direkt anzugehen.

E-Commerce

Im E-Commerce müssen Entscheidungen in Echtzeit fallen, denn Kunden nutzen selbst kleinste Schlupflöcher aus.

Angenommen, ein Onlineshop bietet Neukunden Gutscheine oder Rabatte an. Dann kann ein Bestandskunde diese Erstkundenangebote schlicht dadurch ausnutzen, dass er sich mit einer anderen E-Mail-Adresse registriert – Gutscheinbetrug.

Auch die Option „Jetzt kaufen, später bezahlen“ lässt sich ausnutzen, weil Zahlungs- und Sicherheitssysteme zu langsam antworten oder nicht alle Daten zum Kunden an einem Ort verfügbar sind.

Betrügerische Bestellungen werden unter der Adresse eines ahnungslosen Kunden aufgegeben, der dann Rechnungen für nie getätigte Bestellungen erhält – Lieferbetrug.

Gesundheitswesen

Wenn alle Informationen zu einem Patienten in einer einzigen Datenbank liegen – bis hin zu den Medikamenten, gegen die er allergisch ist, und seinen früheren Operationen –, ist ein rechtzeitiges Eingreifen möglich.

So entsteht eine bessere Beziehung zum Patienten, es liegt ein vollständiges Bild seines Gesundheitszustands vor, und er erhält die bestmögliche Behandlung.

Finanzbranche

Die Finanzbranche ist am anfälligsten für betrügerische Aktivitäten. Schon eine kleine Abweichung in den Daten zu einer Person kann dazu führen, dass ihre Kreditwürdigkeit falsch bewertet wird, Kreditbetrug unentdeckt bleibt oder Darlehen an nicht berechtigte Personen vergeben werden.

Allen diesen Branchen ist gemeinsam: Schon eine geringe Abweichung in den Entitätsdaten kann zu enormen Verlusten führen, das Kundenerlebnis beeinträchtigen und Betrug unentdeckt lassen.

Damit Entity Resolution in einem Anwendungsfall funktioniert, müssen zwei Dinge zutreffen: Erstens müssen die Daten korrekt derselben Person oder demselben Produkt zugeordnet sein, und zweitens müssen die Daten zu dieser Person oder diesem Produkt in Sekundenbruchteilen abrufbar sein.

Wir haben gesehen, wie Entity Resolution hilft, Informationen zu Personen zu entschlüsseln – aber wie steht es um Produktdaten?

9. Wie hilft Entity Resolution bei Produktdaten?

Bei der Verarbeitung von Produktdaten kommt es häufig vor, dass Produkte doppelt erscheinen, weil sich Titel oder Beschreibung deutlich unterscheiden.

Angenommen, Sie wollen eine Kamera kaufen und suchen nach „canon Ixus 285 black“.

Das sind die Suchergebnisse, die auftauchen:

„Canon Ixus 285 Hs Black Compact Camera“, „Canon Ixus 285 HS black“, „Canon IXUS 285 HS 20,2 Megapixel Full HD Compact Camera, 25–300 mm “, „Canon Ixus 285 HS BLACK 20,2 “, „Canon IXUS 285 HS Essential Kit black “, „Canon Ixus PowerShot 285 HS (Black) “

Sehen wollten Sie aber nur das Modell Canon Ixus 285 black – und nicht sechs verschiedene Canon-Modelle.

Mit Entity Resolution erscheint im Katalog nur das Modell, nach dem Sie gesucht haben, und nicht sechs weitere Produkte. Ihre Suche wird dadurch genauer, schneller und besser.

Fazit

Entity Resolution ist eine Voraussetzung für den Erfolg eines Unternehmens. Entity Resolution auf Basis von Serverless-Technologie ist noch besser.

Mit Serverless-Technologie können Sie Entity Resolution so skalieren, dass sie Anfragen im großen Maßstab bewältigt und dabei ihr Tempo hält.

Richtig umgesetzt, gibt Ihnen Entity Resolution alle Informationen an die Hand, die Sie brauchen. Mit dieser einzigen Quelle der Wahrheit treffen Sie Entscheidungen in Sekundenbruchteilen, bedienen Kundenbedürfnisse, bewerten geschäftliche Anforderungen und gewinnen Erkenntnisse aus jedem Bereich Ihres Unternehmens – und steigern so den Unternehmenswert exponentiell.

Kurze Antwort

Die wichtigsten Funktionen einer Entity-Resolution-Plattform sind präzises Matching, Duplikaterkennung, Verknüpfung mit den Quellsystemen, Aktualisierungen in Echtzeit oder nahezu in Echtzeit, Erklärbarkeit, Datenschutzkontrollen und die Fähigkeit zu skalieren, ohne operative Datenbanken auszubremsen.

Für eine Tilores-Evaluierung sollten Sie die Plattform an echten Kunden-, Produkt- oder Kontodatensätzen testen – mit Schreibfehlern, unvollständigen Identifikatoren, geänderten Adressen, doppelten E-Mail-Adressen und Datensätzen, die gerade nicht zusammengeführt werden dürfen. Die Plattform sollte eine nützliche einheitliche Entitätssicht erzeugen und dabei genug Kontext bewahren, um die zugrunde liegenden Quelldatensätze zu prüfen, zu korrigieren, zu löschen oder nachzuverfolgen.

Was sollte man bei einer Evaluierung zuerst testen?

Beginnen Sie mit echten Datensätzen, nicht mit sauberen Beispieldaten. Sinnvolle Testfälle sind Spitznamen, Rechtschreibfehler, geänderte Adressen, doppelte E-Mail-Adressen, unvollständige Produktnamen und zwei ähnliche Datensätze, die getrennt bleiben müssen.

Ziel ist zu sehen, ob die Plattform dieselbe Person, dasselbe Produkt oder dasselbe Konto über unsaubere Eingaben hinweg findet, ohne riskante Zusammenführungen vorzunehmen. Dieser Test ist aussagekräftiger als eine allgemeine Feature-Checkliste, denn die Qualität der Entity Resolution hängt von Daten und Anwendungsfall ab.

Welche Batch- und Echtzeitfunktionen zählen?

Batch-Verarbeitung eignet sich für die Bereinigung historischer Daten, kann aber dazu führen, dass der Abfragelayer hinter den neuesten Daten zurückbleibt. Echtzeitverarbeitung ist sinnvoll, wenn neue Datensätze bereits beim Eintreffen verknüpft werden müssen – sie muss aber so ausgelegt sein, dass Schreibvorgänge Lesevorgänge nicht bremsen und Lesevorgänge Schreibvorgänge nicht blockieren.

Der ursprüngliche Tilores-Artikel beschreibt Serverless-Technologie und Event-Streams als Wege, diese Kompromisse zu verringern. Fragen Sie in einer Evaluierung, wie eingehende Daten verarbeitet werden, wie aktuell die aufgelöste Entitätssicht ist und wie sich die Plattform bei großen Uploads oder Löschvorgängen verhält.

Warum ist Erklärbarkeit bei Entity Resolution wichtig?

Erklärbarkeit ist wichtig, weil eine falsche Zusammenführung Betrugserkennung, Kreditentscheidungen, Kundenservice, Produktsuche oder Compliance-Prozesse beeinflussen kann. Teams müssen verstehen, warum zwei Datensätze verknüpft wurden, und die Verknüpfung korrigieren können, wenn die Übereinstimmung falsch ist.

Regelbasierte Systeme sind leichter erklärbar, aber schwerer über sämtliche Sonderfälle hinweg zu skalieren. KI- oder Machine-Learning-Ansätze verringern den manuellen Konfigurationsaufwand, doch bei einer Evaluierung sollten Sie klären, wie Match-Entscheidungen geprüft, auditiert und korrigiert werden.

Wie sollte Entity Resolution Datenschutzanfragen unterstützen?

Eine Entity-Resolution-Plattform, die personenbezogene Daten verarbeitet, sollte Teams helfen, den vollständigen Datenbestand zu einer Person zu finden, ihn auf Anfrage bereitzustellen, Daten auf Anfrage zu löschen und Verschlüsselung vor der Speicherung zu unterstützen.

Die DSGVO und vergleichbare Datenschutzgesetze hängen von der Organisation, der Datenart, der Rechtsgrundlage und der konkreten Umsetzung ab. Betrachten Sie Entity Resolution als Teil des Datenschutzprozesses, nicht als pauschale Compliance-Garantie.

Ersetzt Entity Resolution bestehende Datenbanken?

Entity Resolution sollte nicht als schlichter Ersatz für ein CRM, eine Datenbank oder einen Data Lake bewertet werden. Die bessere Frage lautet, ob sie einen aufgelösten Entitätslayer ergänzen kann, der Quelldatensätze verknüpft und zugleich die Verweise auf die führenden Systeme erhält.

Das zählt, wenn Kundendaten über CRM-, Marketing-, interne, E-Mail-, E-Commerce- oder Produktsysteme verteilt sind. Eine gute Plattform gibt Anwendungen einen einheitlichen Entitätskontext, ohne die ursprünglichen Systeme verschwinden zu lassen.

Häufig gestellte Fragen

Auf welche Funktionen sollte ich bei der Auswahl einer Entity-Resolution-Plattform achten?

Achten Sie auf präzises Matching, Deduplizierung, Verknüpfung mit den Quellsystemen, Optionen für Batch- und Echtzeitverarbeitung, erklärbare Entscheidungen, Datenschutzkontrollen und die Fähigkeit zu skalieren, ohne operative Datenbanken auszubremsen.

Ist Entity Resolution nur Datendeduplizierung?

Nein. Deduplizierung ist ein Teil der Entity Resolution, doch Entity Resolution verknüpft darüber hinaus zusammengehörige Datensätze, führt Attribute aus mehreren Datenbeständen zusammen, bewahrt die Verweise auf die Quellen und erzeugt ein verlässlicheres Bild einer Person, eines Produkts, eines Kontos oder einer anderen Entität.

Sollte Entity Resolution im Batch oder in Echtzeit laufen?

Das hängt vom Anwendungsfall ab. Batch-Verarbeitung eignet sich für die Bereinigung historischer Daten, während Echtzeitverarbeitung wichtig ist, wenn neue Daten schon beim Eintreffen abgeglichen werden müssen.

Ersetzt eine Entity-Resolution-Plattform ein CRM oder eine Datenbank?

In der Regel nicht. Entity Resolution ergänzt üblicherweise einen Layer, der Datensätze über bestehende Systeme hinweg verknüpft und dedupliziert und dabei die Verweise auf Quelldatenbanken, CRM-Systeme und andere operative Werkzeuge erhält.

Wie sollte eine Entity-Resolution-Plattform DSGVO-Anfragen unterstützen?

Sie sollte Teams helfen, die zu einer Person gehörenden Daten zu finden, sie bei Bedarf herauszugeben, sie bei Bedarf zu löschen und Speicherung wie Verarbeitung mit angemessenen Kontrollen abzusichern. Compliance hängt von der Gesamtumsetzung ab und sollte für die jeweilige Organisation überprüft werden.

Testen Sie Tilores mit Ihren eigenen Daten

Wählen Sie den nächsten Schritt, der zu Ihrem Evaluierungsstand passt.

Demo buchen Tilores Studio kostenlos testen