Eine Lieferkette lässt sich nicht abbilden,
wenn man die Unternehmen nicht kennt
Supply-Chain-Intelligence setzt voraus, dass Sie genau wissen, welche Unternehmen Sie verfolgen. Wenn dasselbe Unternehmen in Ihren Quellen unter einem Dutzend Namensvarianten erscheint, erbt alles darüber — Risikobewertung, Due Diligence, Compliance-Prüfungen — diese Unklarheit. Tilores löst Unternehmensdatensätze zu einem einzigen, zuverlässigen Entity-Graphen auf, bevor Ihre Intelligence-Schicht überhaupt läuft.
Doppelte Unternehmensdatensätze korrumpieren alles nachgelagert
Ein Tier-2-Lieferant erscheint in mehreren Datenquellen unter verschiedenen Namensformen. Ihr System behandelt jeden als eigenes Unternehmen:
Jeder Quelldatensatz eines Unternehmens wird in einem kanonischen Cluster zusammengeführt — bevor Intelligence darauf läuft:
Unternehmensabgleich ist schwieriger
als Personenabgleich
Zwei Personen namens Max Müller in derselben Stadt sind relativ unterscheidbar. Zwei Unternehmen namens Ideal Industries GmbH, die im selben Bundesland eingetragen sind, können tatsächlich verschiedene Organisationen sein — ohne ein zuverlässiges Unterscheidungsmerkmal.
Globale Versand- und Zolldaten verstärken dies noch. Datensätze werden aus handgeschriebenen Hafendokumenten, gescannten Formularen und OCR-Systemen erfasst, die in Dutzenden von Sprachen und Schriftsystemen arbeiten. Firmennamen enthalten eingebettete Adressfragmente, überflüssige Token, Transliterationsvarianten und fehlende Attribute.
Standard-Fuzzy-Matching und exakte Namenssuche können solche Datensätze nicht auflösen. Tilores verwendet tokengewichtetes Matching, das häufige Begriffe („industry", „solutions", „international") geringer gewichtet, Diakritika und Schriftvarianten verarbeitet und Konsistenzregeln anwendet, um Over-Clustering zu verhindern — auch wenn Datensätze aus einem Dutzend Quellen dasselbe Unternehmen auf unterschiedliche Weise beschreiben.
Eine Entitätsschicht, auf der Ihre Intelligence aufbaut
Handelsregister, Schifffahrtsdatenbanken, Zoll-Feeds, Handelsreferenzdaten und interne Lieferantendaten über GraphQL in einer Tilores-Instanz zusammenführen.
Tilores wendet tokengewichtetes Matching, Geo-Distanz-Regeln, ID-basiertes Matching und Konsistenzprüfungen an, um alle Datensätze desselben Unternehmens zu clustern — unabhängig von Namensvariante oder Datenqualität.
Sobald neue Datensätze eintreffen, aktualisiert sich der Entity-Graph kontinuierlich. Kafka-kompatible Event-Streams propagieren Clusteränderungen automatisch an nachgelagerte Systeme.
Risikobewertung, Due Diligence, Sanktionsprüfung und Supply-Chain-Mapping laufen alle gegen einen sauberen, deduplizierten Unternehmens-Graphen — nicht gegen rohe, unaufgelöste Quelldaten.
Entwickelt für die Komplexität realer Supply-Chain-Daten
Gewichtet generische Token („industry", „solutions", „international"), die False Matches verursachen, geringer — und hebt aussagekräftige Namensfragmente hervor, auch wenn sie in OCR-Rauschen oder Adress-Strings eingebettet sind.
Neue Datensätze werden in Echtzeit aufgelöst, sobald sie aus Quell-Pipelines eintreffen. Ihr Entity-Graph ist immer aktuell — keine nächtlichen Batch-Läufe, keine veralteten Cluster, keine verzögerten Risikosignale.
Auch wenn Matching-Regeln greifen, kann ein festgelegtes Feld (USt-ID, Steuernummer, Handelsregisternummer) eine Cluster-Zuweisung ablehnen — und verhindert so Over-Clustering auch bei stark uneinheitlichen Datensätzen.
Verarbeitet chinesische Unternehmensnamensstrukturen, Diakritika, Schriftvarianten und Transliterationen über Sprachen hinweg — damit Entity Resolution in jeder Geografie Ihrer Lieferkette funktioniert.
Georeferenzierte Regeln ermöglichen den Abgleich von Datensätzen, die innerhalb eines konfigurierbaren Distanzrahmens denselben Standort teilen — nützlich, wenn Adress-Strings abweichen, der physische Standort aber konsistent ist.
Suchen und Auflösen über Hunderte von Millionen Datensätzen in unter 100 Millisekunden — schnell genug für Echtzeit-Lookups, Due-Diligence-Workflows und transaktionale Risikoprüfungen.
Die Unternehmen der Welt im globalen Maßstab auflösen
Die Herausforderung
Exiger ist ein führendes Unternehmen für Due Diligence und Supply-Chain-Risikointelligenz, das im Gartner Magic Quadrant 2025 für Supplier Risk Management als Leader anerkannt wurde. Um präzise Lieferkettenkarten und Risikoprofile zu liefern, musste Exiger zunächst ein grundlegendes Problem lösen: Welche Unternehmen befinden sich überhaupt in der Lieferkette?
Exiger nimmt Daten aus mehr als 16 verschiedenen Quellen auf — Handelsregister, kuratierte Rechtsreferenzdaten sowie globale Versand- und Zolldaten — und musste all diese Datensätze in einen einzigen, zuverlässigen Entity-Graphen auflösen. Der Maßstab: 110 Millionen Quelldatensätze, aufgelöst in 60 Millionen kanonische Unternehmenscluster, mit 5,5 Milliarden zugrunde liegenden Frachtdatensätzen.
Das bisherige regelbasierte Inhouse-System war auf hohe Präzision ausgelegt — aber auf Kosten des Recalls. Under-Clustering führte dazu, dass sich Duplikate in der Datenbank ansammelten, wodurch Lieferkettenkarten unzuverlässig wurden und Due-Diligence-Suchen für Endkunden schwierig waren.
„Die Namen können sehr schwierig zu verarbeiten sein — überflüssige Token, Transliterationsvarianten und manchmal Teile der Adresse, die in den Firmennamen eingebettet sind. Eine normale Fuzzy-Namenssuche oder eine exakte Namenssuche wird diese Datensätze einfach nicht zusammenführen."
John Willcox, Data Scientist, Exiger
Warum Tilores die Evaluation gewann
Exiger führte eine zweimonatige strukturierte Evaluation über mehrere Lösungen durch und maß Präzision, Recall, F1-Score und Cluster-Reinheit an einem annotierten Ground-Truth-Datensatz aus eigenen Quellen. Konkurrierende Lösungen waren stark bei sauberen, adressreichen Daten — aber für einen Großteil von Exigers Schifffahrts- und Zolldaten gibt es oft keine brauchbare Adresse, und Firmennamen variieren stark in der Art ihrer Erfassung.
Tokengewichtetes Matching erwies sich als entscheidend. Zwei weitere Faktoren bestätigten die Entscheidung: die Möglichkeit, Matching-Regeln einzusehen und zu ändern (statt eines Black-Box-Systems), und eine Architektur, die sich sauber als Entitätsschicht in Exigers bestehende AWS-Infrastruktur einfügt — ohne dass abhängige Systeme neu gebaut werden mussten.
„Nicht alle Produkte tun das. Manche sind sehr undurchsichtig — man muss eine Art Sandbox für sie herausarbeiten, und es ist sehr schwierig, sie zu integrieren, ohne dass andere Dinge von ihnen abhängig werden. Das war eine jener Architekturlösungen, die mir wirklich gefallen hat. Es ist ziemlich schön."
Simon Baker, SVP of AI Products & Supply Chain Intelligence, Exiger
Die Implementierung
Exigers Spark-Pipelines leiten Datensätze über die GraphQL-API in Tilores ein. Ein Kafka-Event-Stream propagiert Cluster-Events von Tilores in Exigers nachgelagertes Data Warehouse und Produkt-APIs — kontinuierlich und automatisch. Die vollständige Erstladung von 110 Millionen Datensätzen wird in unter 24 Stunden abgeschlossen; Suchen über 60 Millionen Cluster kehren in unter 100 Millisekunden zurück.
Die Matching-Konfiguration — durch neun Monate iterativer Zusammenarbeit erarbeitet — umfasst 23 verschiedene Clustering-Regeln: tokengewichtetes Namens-Matching, Geo-Distanz-Regeln, ID-basiertes Matching, Regeln für chinesische Firmennamen, Diakritika-Verarbeitung, Fuzzy-Suche sowie Tilores' Konsistenzregel-Typ, der Datensätze aus Clustern ablehnt, auch wenn Matching-Regeln greifen, wenn ein festgelegtes Feld (z. B. eine USt-ID) mit bestehenden Cluster-Elementen nicht übereinstimmt.
„Das ist ein sehr grundlegendes Datenstück, das nachgelagerte Auswirkungen haben wird. Wir haben KI-Modelle überall, und wenn man mit schlechten Ausgangsdaten beginnt, kann am Ende Garbage-in-garbage-out entstehen. Viele Modelle profitieren von einem guten Entitätssystem früh in der Pipeline."
Simon Baker
SVP of AI Products & Supply Chain Intelligence, Exiger
Entwickelt für Enterprise-Dateninfrastruktur
Verfügbar auf dem AWS Marketplace. Integration mit bestehenden Spark-, Kafka- und Data-Warehouse-Infrastrukturen, ohne abhängige Systeme neu aufzubauen.
GraphQL-API für Datensatzaufnahme und Entitätssuche. Event-Streaming für Cluster-Updates, die nachgelagert propagiert werden.
<100 ms Suche über Hunderte von Millionen Datensätzen — geeignet für Echtzeit-Due-Diligence, Analysten-Tooling und transaktionale Lookups.
Verarbeitet mehr als 110 Mio. Datensätze mit Clustergrößen bis zu 6.000 Datensätzen. Clique-basierte Graphkomprimierung verarbeitet die größten Cluster ohne Leistungseinbußen.
Kontinuierliche Aufnahme — neue Datensätze lösen sich in Echtzeit in den Entity-Graphen auf, nicht per nächtlichem Batch. Vollständige Erstladungen von 110 Mio. Datensätzen werden in unter 24 Stunden abgeschlossen.
SOC-2-zertifiziert. Erklärbare Zuordnung — jede Auflösungsentscheidung gibt abgeglichene Attribute, Quelldatensätze und die ausgelösten Regeln zurück.
query ResolveCompany($name: String!, $country: String!) {
search(input: {
parameters: {
companyName: $name
country: $country
}
}) {
entities {
id
score
hitScore
records {
id
companyName
registrationNumber
country
vatId
sourceType
}
}
}
} Verwandte Anwendungsfälle
Mit korrekter Unternehmensidentität beginnen —
bessere Intelligence darauf aufbauen
Sehen Sie, wie Tilores Unternehmensdatensätze im großen Maßstab auflöst. Verfügbar auf dem AWS Marketplace.