Was ist Entity Resolution? Ein Praxisleitfaden für KI, KYC und Customer 360 (2026)

Kurzfassung: Entity Resolution entscheidet, welche Datensätze dieselbe reale Person, Firma oder dasselbe Konto beschreiben. Sie kombiniert deterministische Regeln, probabilistisches Matching und unscharfe ML-Verfahren, löst Identitäten bereits beim Ingest auf, bewahrt die Herkunft der Daten und erlaubt KYC-, Customer-360- und KI-Systemen, den aktuellen aufgelösten Kontext genau dann abzurufen, wenn sie ihn brauchen.

Sie möchten Entity Resolution auf Ihren eigenen Daten sehen? Buchen Sie eine Demo und beobachten Sie, wie Datensätze in Echtzeit aufgelöst werden, oder holen Sie sich den Evaluation Build, um es lokal zu testen. Werfen Sie danach einen Blick auf die Tilores-Produktübersicht und die GraphQL-API-Referenz, um zu sehen, wie aufgelöste Entitäten in Anwendungen abgefragt werden.

Was ist Entity Resolution?

Entity Resolution ist der Prozess, zu entscheiden, welche Datensätze sich auf dieselbe reale Entität beziehen. Diese Entität kann eine Person, ein Unternehmen, ein Konto, ein Haushalt, ein Gerät, ein Lieferant oder ein Rechtsträger sein. Bei Kundendaten spricht man häufig auch von Identity Resolution oder Record Linkage.

Die Aufgabe ist schnell beschrieben und schwer gut zu lösen: unvollständige Datensätze aus verschiedenen Systemen nehmen, ihre Signale vergleichen, entscheiden, welche zusammengehören – und dabei genug Belege aufbewahren, damit sich die Entscheidung später erklären oder korrigieren lässt. Das Tilores-Glossar verwendet dieselbe Begrifflichkeit für Entity Resolution, Identity Resolution und Record Linkage. Auch die breitere Record-Linkage-Literatur behandelt Entity Resolution als Matching-Problem über fehlerbehaftete Datensätze – genau deshalb reichen deterministische Regeln allein bei echten Daten selten aus.

Eine gute Entity-Resolution-Schicht löscht nicht einfach Duplikate. Sie hält eine aufgelöste Entität vor, die auf die Quelldatensätze zurückverweist. Diese Nachvollziehbarkeit ist es, die einem Team erlaubt zu fragen, warum zwei Datensätze zusammengeführt wurden, eine fehlerhafte Zusammenführung wieder aufzutrennen, einer Datenschutzanfrage nachzukommen oder den aktuellen Kundenkontext für einen operativen Prozess abzurufen.

Worin unterscheidet sich Entity Resolution von MDM, IAM, Deduplizierung und Customer 360?

Die Verwirrung entsteht durch Überschneidungen. Mehrere Systeme berühren das Thema Identität, aber sie beantworten unterschiedliche Fragen. Entity Resolution ist die Schicht für Matching und Nachvollziehbarkeit. Sie kann andere Systeme speisen, sollte aber nicht so weit gedehnt werden, dass sie vorgibt, all diese Systeme zu sein.

Begriff	Die Frage, die er beantwortet	Verhältnis zu Entity Resolution
Entity Resolution	Welche Datensätze beschreiben dieselbe reale Person, Organisation, dasselbe Konto oder eine andere Entität?	Sie ist die Schicht für Matching, Nachvollziehbarkeit und aufgelöste Entitäten. Sie kombiniert exakte Identifikatoren, probabilistische Belege und Fuzzy Matching, sodass nachgelagerte Systeme von derselben Identitätsentscheidung ausgehen.
Deduplizierung	Welche Datensätze sind Duplikate und sollten zusammengeführt, verknüpft oder entfernt werden?	Deduplizierung ist häufig eines der Ergebnisse von Entity Resolution. Entity Resolution reicht weiter, weil sie Datensätze über viele Systeme hinweg verbinden und die Herkunft bewahren kann, ohne dass jeder Quelldatensatz verschwinden muss.
Master Data Management	Wie sieht das Betriebsmodell für die unternehmensweite Steuerung von Stammdaten aus?	MDM ist breiter angelegt als reines Matching. Entity Resolution kann neben MDM stehen und die Matching-Schicht hinter Golden Records, Survivorship-Entscheidungen und Data-Stewardship-Prozessen liefern.
Identity and Access Management	Wer darf sich authentifizieren und auf ein System zugreifen?	NIST beschreibt Identity, Credential and Access Management als die Programme und Technologien zur Verwaltung von Identitäten, Berechtigungsnachweisen und Zugriffen. Entity Resolution verknüpft Datensätze über Entitäten. Sie ist kein Autorisierungssystem.
Customer 360	Was sollte das Unternehmen gerade jetzt über einen Kunden wissen?	Customer 360 ist die Sicht. Entity Resolution ist das Identitätsfundament, das entscheidet, welche Datensätze in diese Sicht gehören. Eine Customer Data Platform, ein MDM-System, ein Warehouse oder eine Anwendung kann die aufgelöste Entität konsumieren.
KYC und AML	Wer ist der Kunde, die Gegenpartei oder der wirtschaftlich Berechtigte, und welche verbundenen Datensätze sollten geprüft werden?	Entity Resolution unterstützt KYC und AML, indem sie fragmentierte Kunden-, Konto- und Gegenparteidatensätze verbindet. Sie steht neben Screening, Fallbearbeitung, Richtlinien und menschlicher Prüfung.

Wie funktioniert Entity Resolution in fünf Schritten?

Die Umsetzungsdetails unterscheiden sich je nach Fachdomäne, doch die grundlegende Abfolge bleibt gleich. Entscheidend ist die Grenze: Die Auflösung geschieht, wenn Datensätze eintreffen oder sich ändern. Zur Abfragezeit sollte der aktuelle aufgelöste Kontext abgerufen und die Entität nicht erneut aus Rohdatensätzen aufgebaut werden.

Quelldatensätze einlesen. Kunden-, Konto-, Transaktions-, Support-, Produkt-, Risiko- oder Referenzdatensätze aus den Systemen übernehmen, die sie erzeugen.
Felder standardisieren und normalisieren. Formate dort bereinigen, wo es sinnvoll ist – Groß- und Kleinschreibung, Leerzeichen, Telefonformate, Adressbestandteile oder Schemanamen –, ohne so zu tun, als wären unsaubere Daten damit perfekt geworden.
Match-Signale vergleichen. Deterministische Regeln nutzen, wo Identifikatoren zuverlässig sind, etwa bei exakten IDs oder verifizierten E-Mail-Adressen, und probabilistisches sowie Fuzzy Matching einsetzen, wo Namen, Adressen oder Firmenangaben variieren.
Aufgelöste Entität anlegen oder aktualisieren. Datensätze, die sich auf dieselbe reale Entität beziehen, zuordnen, die Verweise auf die Quelldatensätze erhalten und die Entität aktualisieren, sobald neue Belege eintreffen.
Den aktuellen Kontext bereitstellen. Anwendungen über eine stabile API die aufgelöste Entität, die Quellverweise, mögliche Duplikate, die Match-Belege und ausgewählte Attribute abfragen lassen.

Tilores folgt diesem Muster über konfigurierbare Schemata und API-Zugriff. Die GraphQL-API-Referenz von Tilores beschreibt das Übermitteln von Datensätzen und das Abfragen von Entitäten, während der Leitfaden zu Fuzzy-Matching-Algorithmen erklärt, warum flexibles Matching wichtig ist, wenn Namen, Adressen und andere Identifikatoren unvollständig oder uneinheitlich sind.

Warum ist Entity Resolution für KYC und AML wichtig?

KYC- und AML-Arbeit hängt davon ab, zu wissen, welche Datensätze zusammengehören. Ein Kunde kann unter abweichenden Schreibweisen, alten Adressen, geänderten E-Mail-Adressen, Tochtergesellschaften, gemeinsam genutzten Telefonnummern, mehreren Konten oder verbundenen Unternehmen auftauchen. Bleiben diese Datensätze fragmentiert, kann das Screening die Verbindung übersehen. Werden unverbundene Datensätze zu aggressiv zusammengeführt, erzeugt das Team Falsch-Positive und operatives Rauschen.

Der regulatorische Rahmen ist nicht optional. Die Customer-Due-Diligence-Regel der FinCEN behandelt die Identifizierung und Verifizierung wirtschaftlich Berechtigter juristischer Personen bei den erfassten Finanzinstituten. Artikel 4 DSGVO zählt Identifikatoren wie Namen, Kennnummern, Standortdaten und Online-Kennungen zum Kontext personenbezogener Daten, und Artikel 15 DSGVO gewährt betroffenen Personen ein Auskunftsrecht.

Entity Resolution trifft für sich genommen keine Compliance-Entscheidung. Sie liefert das Identitätsfundament, das Compliance-Systemen hilft, denselben Kunden, dasselbe Konto, dieselbe Gegenpartei oder denselben wirtschaftlich Berechtigten konsistent zu sehen. Entscheidungslogik, Kontrollen, Fallakten und Prüfungsrichtlinien liegen weiterhin darum herum.

Was bringt Entity Resolution Customer-360-Teams?

Eine Customer-360-Sicht ist nur so gut wie die Identitätsentscheidung darunter. Wenn ein CRM-Kontakt, ein Abrechnungskonto, ein Support-Ticket, ein Produktnutzer und ein Marketingprofil alle denselben Kunden beschreiben, braucht das Unternehmen einen einzigen aktuellen Kontext. Wenn zwei verschiedene Personen einen Namen oder eine Konto-Domain teilen, müssen sie getrennt bleiben.

Deshalb sollte Customer 360 nicht als Dashboard-Übung behandelt werden. Das Dashboard ist die letzte Meile. Der schwierige Teil ist die Identitätsschicht, die Datensätze verknüpft, trennt und aktualisiert, während sich die Daten ändern. CDPs bringen oft Identitätsfunktionen mit, und MDM-Programme steuern womöglich das Stammdaten-Betriebsmodell – doch eine dedizierte Entity-Resolution-Schicht lohnt sich, wenn das Matching-Problem tiefer, unsauberer oder operativer ist, als das konsumierende System es abbilden sollte.

Ein praxisnahes Umsetzungsmuster zeigt der Tilores-Leitfaden zum Aufbau einer einheitlichen Kundensicht über CRM, Marketing und Analytics: Das aufgelöste Profil wird dort zum gemeinsamen Kontext, den andere Systeme lesen.

Warum ist Entity Resolution für KI-Agenten wichtig?

KI-Agenten und Retrieval-Systeme scheitern leise, wenn die zugrunde liegende Kundenidentität falsch ist. Sieht die Retrieval-Schicht fünf Fragmente für einen Kunden, antwortet der Agent womöglich anhand eines veralteten Support-Tickets oder übersieht den aktuellen Abrechnungsstand. Werden zwei Kunden fälschlich zusammengeführt, kann der Agent die falschen Fakten offenlegen oder auf ihrer Grundlage handeln.

Sicherer ist das Muster „Identität vor Retrieval". Datensätze werden beim Ingest aufgelöst. Der aktuelle Entitätskontext wird zur Abfragezeit abgerufen. So erhält der Agent einen stabilen Kunden-, Gegenpartei- oder Kontokontext, über den er argumentieren kann – und Quellverweise sowie Herkunftsangaben bleiben verfügbar, wenn ein Mensch das Ergebnis prüfen möchte.

Tilores nennt dieses Muster IdentityRAG und beschreibt es im IdentityRAG-Leitfaden. Für die Umsetzung zeigen die LangChain-Dokumentation zur Tilores-Integration und das Tilores-LangChain-Repository, wie sich aufgelöste Entitätsdaten mit agentischen Anwendungen verbinden lassen, ohne dass das Sprachmodell selbst zum Matcher werden muss.

Wo sollte Entity Resolution im Data Stack sitzen?

Entity Resolution gehört neben die Systeme, die Daten erzeugen, steuern und konsumieren. Sie sollte weder das CRM noch die CDP, das Warehouse, das MDM-Programm, das KYC-System oder den Data-Governance-Prozess ersetzen. Jedes dieser Systeme behält seine eigene Aufgabe.

Die sinnvolle Architektur ist eine gemeinsame Identitätsschicht. Quellsysteme übermitteln neue oder geänderte Datensätze. Die Identitätsschicht löst sie auf, bewahrt die Herkunft und stellt Entitäten über eine API bereit. Nachgelagerte Systeme rufen den aktuellen aufgelösten Kontext ab, wenn sie ihn brauchen.

Genau für diese Rolle ist Tilores gebaut: als dedizierte Entity-Resolution-Schicht, die sich neben bestehende Systeme einbetten lässt, statt das Unternehmen zu zwingen, sich um eine neue zentrale Anwendung herum neu aufzustellen. Der ausführlichere Umsetzungsleitfaden Ihr eigenes Identity-Resolution-System aufbauen ist die passende nächste Lektüre, wenn Sie bereits die Grenze zwischen Ingest und Abfrage entwerfen.

Worauf sollten Käufer bei der Auswahl von Entity-Resolution-Software achten?

Beginnen Sie bei der Beschaffenheit Ihrer Datensätze, nicht beim Vokabular der Anbieter. Fragen Sie, ob das System mit den Identifikatoren umgehen kann, die Sie tatsächlich haben – nicht mit denen, die Sie sich wünschen.

Matching-Verfahren: Unterstützt es deterministische Regeln, probabilistische Belege und Fuzzy Matching in einem einzigen, erklärbaren Modell?
Nachvollziehbarkeit: Kann jede aufgelöste Entität die Quelldatensätze und Match-Belege dahinter offenlegen?
Verhalten bei Aktualisierungen: Was passiert, wenn sich ein Datensatz ändert, eine Zusammenführung falsch ist oder ein neuer Datensatz eintrifft?
API-Zugriff: Können Anwendungen den aktuellen aufgelösten Kontext abrufen, wenn ein Nutzer, Analyst oder Agent ihn braucht?
Governance-Passung: Kann die Schicht neben MDM, CDP, Warehouse, KYC, AML und Datenschutzprozessen stehen, ohne vorzugeben, sie zu ersetzen?
Operative Prüfung: Kann Ihr Team Übereinstimmungen einsehen, korrigieren und auditieren, wenn die Entscheidung zählt?

Der aussagekräftigste Test ist ein repräsentativer Datenbestand. Saubere Demo-Datensätze sind einfach. Echte Kunden-, Konto- oder Gegenparteidaten enthalten in der Regel alte Adressen, unvollständige Namen, geänderte E-Mail-Adressen, Tochtergesellschaften, Transliterationsprobleme und fehlende Identifikatoren. Genau dort zeigt sich, ob das Entity-Resolution-Design taugt.

FAQ

Ist Entity Resolution dasselbe wie Deduplizierung?

Nein. Deduplizierung ist meist das Entfernen oder Zusammenführen doppelter Datensätze. Entity Resolution ist die umfassendere Entscheidungsschicht, die systemübergreifend ermittelt, welche Datensätze sich auf dieselbe Person, dasselbe Unternehmen oder dasselbe Konto beziehen, die Herkunft bewahrt und die aufgelöste Entität anderen Anwendungen bereitstellt.

Wann sollte Entity Resolution stattfinden?

Entity Resolution sollte stattfinden, wenn Quelldaten eingelesen oder geändert werden. Zur Abfragezeit sollten Anwendungen und KI-Agenten den aktuellen aufgelösten Kontext abrufen, statt die Identität erneut aus Rohdatensätzen zusammenzusetzen.

Wie unterstützt Entity Resolution KYC und AML?

Sie hilft regulierten Teams, Kunden-, Konto-, Gegenpartei- und Beteiligungsdatensätze zu verbinden, die über Systeme hinweg fragmentiert sein können. Das unterstützt Screening, Prüfung und Audit, steht aber neben Compliance-Richtlinien, Fallbearbeitung und menschlicher Entscheidung.

Ersetzt eine Customer-360-Plattform Entity Resolution?

Nein. Customer 360 ist die Sicht oder das Erlebnis, das das Unternehmen konsumiert. Entity Resolution ist die Identitätsschicht, die entscheidet, welche Datensätze in diese Sicht gehören. Eine CDP, ein MDM-System oder ein Warehouse kann die aufgelöste Entität konsumieren, statt sie zu ersetzen.

Warum ist Entity Resolution für KI-Agenten wichtig?

KI-Agenten brauchen verlässlichen Kundenkontext. Bleiben zwei Datensätze desselben Kunden getrennt oder werden zwei verschiedene Personen fälschlich zusammengeführt, ruft der Agent die falschen Fakten ab. Entity Resolution gibt dem Retrieval einen stabilen, aktuellen Entitätskontext.