Ein Kunde im CRM. Ein Vertragspartner im ERP. Eine Adresse im Abrechnungssystem. Ein Vorgang im Archiv. Ein weiterer Datensatz in einer übernommenen Datenbank.

Fünf Datensätze. Aber nur eine Person.

Für Unternehmen ist diese Situation alltäglich. Daten entstehen in unterschiedlichen Anwendungen, zu unterschiedlichen Zeitpunkten und für unterschiedliche Zwecke. Namen werden anders geschrieben, Anschriften ändern sich, Felder fehlen oder Informationen werden bei einer Migration unterschiedlich übernommen.

Das eigentliche Problem ist dabei nicht die Anzahl der Datensätze.

Das Problem ist, dass Systeme häufig nicht wissen, welche davon zusammengehören.

Wenn aus einem Kunden plötzlich mehrere werden

In einem System steht „Michael Schneider“, in einem anderen „M. Schneider“. Eine Adresse enthält einen alten Wohnort, eine andere einen Tippfehler. Vielleicht fehlt in einem Datensatz das Geburtsdatum.

Eine klassische Datenbankabfrage sucht häufig nach eindeutigen Werten oder exakten Übereinstimmungen. Doch reale Daten sind selten so eindeutig.

Die Folge können Dubletten, fragmentierte Kundenansichten und unnötige manuelle Prüfungen sein.

Bei Unternehmen wird die Situation noch komplexer. Firmen ändern ihre Anschrift, verwenden Kurzbezeichnungen oder werden in verschiedenen Systemen mit unterschiedlichen Rechtsformzusätzen geführt.

„Muster Maschinenbau GmbH“, „Muster Maschinenbau“ und „Muster Maschinenbau Gesellschaft mbH“ können dasselbe Unternehmen beschreiben.

Sie müssen es aber nicht.

Ähnlichkeit allein reicht nicht

Genau darin liegt die Herausforderung.

Ein gutes Matching System darf nicht einfach alles zusammenführen, was ähnlich aussieht. Es muss unterschiedliche Merkmale gemeinsam betrachten und bewerten.

Wie ähnlich sind die Namen? Stimmen Anschrift oder Postleitzahl überein? Gibt es phonetische Gemeinsamkeiten? Welche Abweichungen sind plausibel? Und wie stark sollte welches Merkmal in die Gesamtbewertung einfließen?

Identity Resolution versucht auf dieser Grundlage eine entscheidende Frage zu beantworten:

Welche Datensätze beschreiben dieselbe reale Identität?

Aus isolierten Datensätzen kann dadurch eine zusammenhängende Sicht auf Personen, Unternehmen oder andere Entitäten entstehen.

Der wirtschaftliche Effekt entsteht im Prozess

Identity Resolution wird häufig als Thema der Datenqualität betrachtet. Das greift zu kurz.

Denn schlechte Zuordnungen wirken sich auf nachgelagerte Prozesse aus.

Mitarbeiter suchen länger nach Informationen. Dubletten müssen manuell geprüft werden. Bei Migrationen werden Daten mehrfach übernommen. Kundeninformationen bleiben auf verschiedene Systeme verteilt. Automatisierte Prozesse können Vorgänge nicht eindeutig zuordnen.

Damit wird aus einem Datenproblem ein Prozessproblem.

Je stärker Unternehmen ihre Abläufe automatisieren, desto relevanter wird die Frage, ob die zugrunde liegenden Identitäten zuverlässig erkannt werden.

M|MAKER erkennt Zusammenhänge trotz Abweichungen

Die exorbyte GmbH beschäftigt sich seit mehr als 20 Jahren mit genau dieser Aufgabenstellung.

M|MAKER wurde entwickelt, um große Datenbestände fehlertolerant zu durchsuchen und Datensätze miteinander zu vergleichen.

Dabei können unterschiedliche Merkmale und Matching Verfahren kombiniert werden. Schreibfehler, phonetische Ähnlichkeiten, unterschiedliche Schreibweisen und unvollständige Informationen lassen sich in die Bewertung einbeziehen.

Das Ziel ist nicht, möglichst viele ähnliche Datensätze zu finden.

Das Ziel ist eine möglichst belastbare Aussage darüber, welche Datensätze zusammengehören und wie sicher diese Zuordnung ist.

Ein wesentlicher Bestandteil ist deshalb die Nachvollziehbarkeit. Ergebnisse sollen nicht nur als Match oder No Match erscheinen. Es muss erkennbar sein, welche Merkmale zu einer Bewertung geführt haben.

Aus Datensätzen werden Identitäten

Werden zusammengehörende Datensätze erkannt, können sie einer gemeinsamen Identität beziehungsweise einem Cluster zugeordnet werden.

Das eröffnet eine andere Sicht auf Datenbestände.

Statt ausschließlich einzelne Datensätze zu betrachten, wird sichtbar, welche Informationen aus verschiedenen Quellen dieselbe Person oder dasselbe Unternehmen beschreiben.

Das ist beispielsweise bei Datenmigrationen und Konsolidierungen relevant. Es kann aber auch die Grundlage für eine übergreifende Kundensicht, Stammdatenprozesse, Prüfverfahren oder automatisierte Workflows bilden.

Die bestehenden operativen Systeme müssen dafür nicht zwangsläufig ersetzt werden. Identity Resolution kann als zusätzliche Ebene Zusammenhänge zwischen vorhandenen Datenbeständen sichtbar machen.

Transparenz vor Automatisierung

Genau darin liegt ein wichtiger Schritt auf dem Weg zu stärker automatisierten Geschäftsprozessen.

Bevor ein Prozess automatisiert werden kann, muss Software die zugrunde liegenden Daten zuverlässig interpretieren können.

„Wir sehen Matching deshalb nicht als Selbstzweck“, sagt Thilo Torkler, Geschäftsführer der exorbyte GmbH. „Der eigentliche Nutzen entsteht dort, wo eine zuverlässige Zuordnung manuelle Arbeit reduziert, Prozesse verbessert oder Automatisierung überhaupt erst möglich macht.“

Diese Perspektive verändert auch die Bewertung von Datenqualität.

Die Frage lautet nicht mehr ausschließlich: Sind unsere Daten korrekt?

Sondern zunehmend:

Können unsere Systeme erkennen, welche Informationen zusammengehören?

Von Identity Resolution zu KI Agenten

Diese Fähigkeit bekommt durch künstliche Intelligenz zusätzliche Bedeutung.

RAG Systeme und KI Agenten greifen zunehmend auf operative Unternehmensdaten zu. Ein Agent soll nicht nur Informationen finden, sondern Zusammenhänge verstehen und gegebenenfalls Aktionen vorbereiten.

Dafür muss er beispielsweise wissen, welche Verträge, Vorgänge, Stammdaten oder Dokumente zu einer bestimmten Person oder einem bestimmten Unternehmen gehören.

Identity Resolution kann damit eine Verbindung zwischen klassischem Datenmanagement und der nächsten Generation automatisierter Systeme herstellen.

Denn bevor KI mit Unternehmensdaten arbeiten kann, muss eine grundlegende Frage beantwortet sein:

Welche Daten gehören eigentlich zusammen?