Eliminiert Dubletten und beseitigt unnötige Daten DUPLETTEN ENTDECKEN Löschen Sie doppelte Datensätze aus Ihrer Datenbank, so dass sie eine einzige umfassende Sicht auf Ihre Kunden erhalten. Die 12 Matching-Algorithmen von MatchUp Object eliminieren Dubletten aus Ihren Dateien. So verbessern Sie Vertrieb, Marketing und Analyse. MatchUp® Object Identifiziert und entfernt Dubletten Melissa Data ist seit fast drei Jahrzehnten weltweit führender Partner zahlreicher Fortune 500 Nutzen: Unternehmen bei der Kontaktdatenüberprüfung. Unsere fachspezifischen Kenntnisse haben MatchUp® zu einer leistungsstarken API zur Bereinigung von Dubletten (zusammenführen/bereinigen) in Daten und Adressen gemacht. Dabei nutzt sie verschiedene • Reduzieren der durch Dubletten entstehenden Kosten Wege, um Dubletten zu identifizieren. MatchUp eliminiert Dubletten, die in unterschiedlichen Formaten und unterschiedlichen Namens-, Adress- und Stadt/Land/ZIP™-Strukturen vorliegen, ohne dass Sie die Formate zeitaufwändig vereinheitlichen müssen. • Genauere, umfassende Ansicht Ihrer Kundendaten Fuzzy Algorithms Fuzzy-Matching ist ein fortschrittlicher Prozess, mit dem schwer erkennbare Dubletten, die nicht 100 % übereinstimmen, identifiziert werden. MatchUp verwendet mehr als ein Dutzend unterschiedliche Algorithmen während des Fuzzy-Matching-Prozesses: • Phonetisches Matching. Verwendet den phonetischen Algorithmus für eine unscharfe Suche – auch bekannt als „Double Metaphone“-Methode. Erkennt gleich klingende Wörter. • N-Gramm- oder Q-Gramm-basierender Algorithmus. Die linearen auf N-gramm bzw. Q-Gramm basierenden Algorithmen-Modelle werden hauptsächlich bei der statistischen Aufbereitung der natürlichen Sprache genutzt. Ein N-Gramm ist eine Teilsequenz von „n Elementen“ einer vorhandenen Sequenz, das können Phoneme, Silben, Buchstaben, Wörter oder Basenpaare sein. • Jaro-Winkler-Algorithmus. Die Jaro-Winkler-Distanz gibt den Grad der Ähnlichkeit zwischen zwei Zeichenketten wieder. Er wird in erster Linie im Bereich der Datensatzverbindung zur Dublettenerkennung verwendet. • MD Keyboard. Ein von Melissa Data entwickelter Algorithmus, der falsche Tastatureingaben zählt. Hierbei kommt es zu einem gewichteten Abzug auf Grundlage der Unterschiedlichkeit der falschen und korrekten Eingabe und es wird ein Prozentsatz für Ähnlichkeit der verglichenen Zeichenfolgen bestimmt. • Containment. Führt Datensätze zusammen, bei denen eine Komponente Bestandteil eines anderen ist. Beispielsweise ist „Smith“ Bestandteil von „Smithfield“. • Identifizieren mehrerer Datensätze, die zu einer Adresse gehören • Schnelle Verarbeitung: 10–50 Millionen Datensätze pro Stunde • Einfach zu verwenden – beseitigt regelbasierte Zuordnung Probieren Sie MatchUp noch heute kostenlos aus! MatchUp wurde mit fachspezifischem Wissen über Kontaktdaten entwickelt. Wir haben unsere Erfahrung aus den letzten fast drei Jahrzehnten Arbeit mit Adressen und Namen genutzt, um kontaktspezifische Regeln zu erstellen. Diese Arbeit können Sie sich sparen. >> HIER BEKOMMEN SIE EINE KOSTENFREIE TESTVERSION: www.MelissaData.com/match-de Fuzzy Algorithmen – Fortsetzung • Frequency. Die Zeichen in einer Datensatz-Komponente entsprechen den Zeichen in einer anderen, ohne dass dabei die Reihenfolge berücksichtigt wird. Zum Beispiel “abcdef” würde mit “badcfe” übereinstimmen. • Fast Near. Ein typografischer Matching-Algorithmus. Dieser funktioniert am besten Funktionen: beim Abgleich von Wörtern, die aufgrund typografischer Fehler nicht übereinstimmen. Eine Skala von 1 bis 4 definiert, wie viele Fehler erlaubt sind (1 liefert das genaueste Ergebnis). • Multiplattformfähig (Windows, Linux, Solaris, AIX, HPUX) • Accurate Near. Ein typografischer Matching-Algorithmus, der bessere Ergebnisse als Fast Near erzielt, dafür aber langsamer ist. • Frequency Near. Ähnlich wie das Zuordnen über Frequency, außer dass Sie bei diesem Algorithmus definieren können, mit wie vielen Buchstaben sich die • Verarbeitet Dateien mit unter schiedlichen Feldstrukturen Komponenten unterscheiden dürfen. • Vowels Only. Es werden nur Vokale verglichen. Konsonanten werden aus den Suchkriterien gelöscht. • Native, Java-, Ruby-, Perl-, Python-, PHP-Integration • Consonants Only. Es werden nur Konsonanten verglichen. Vokale werden aus den Suchkriterien gelöscht. • Alphas Only. Es werden nur Buchstaben verglichen. • Numerics Only. Es werden nur Zahlen verglichen. Dezimalzahlen und Vorzeichen • Vergibt Prioritäten für die Dublettenentfernung werden als numerische Zeichen betrachtet. Matching-Szenarien • Haushalt. Gruppiert Daten über vordefinierte Kriterien, z. B. alle Bewohner eines Haushalts werden als eine Gruppe gezählt. • Proximity Matching. Gruppiert Datensätze, die geografisch eng beieinander liegen. • Listeüberschneidungen/-unterdrückung. Findet alle gemeinsamen Daten mehrerer Listen und findet Daten, die einmalig in einzelnen Listen vorkommen. • Flexible Matching. Bearbeitet über 35 vordefinierte Datentypen wie Adresse, E-Mail-Adresse, Sozialversicherungsnummer usw. und erlaubt bis zu 16 kaskadierende Regelsätze. • Point Of Entry/Batch. Beobachtet eingehende Datensätze in Echtzeit, so dass Sie einmalige akzeptieren und Dubletten ablehnen können. • Geschwindigkeit/Skalierbarkeit. MatchUp ist mehrfach sicher und für jede Dateigröße skalierbar Fachspezifisches Wissen MatchUp stützt sich auf die jahrelange Erfahrung von Melissa Data bei der Arbeit mit zahlreichen Kontaktdaten und deren Eigenheiten. Dies hat dazu beigetragen, dass wir Regeln und Logiken erstellen können, mit denen Adress-Unklarheiten, Spitznamen, Abkürzungen und unterschiedliche Formatierungen gehandhabt werden können. • Teilt Felder mit Namen, Adressen und Stadt/Land/Zip® auf Drei Möglichkeiten, Dubletten aus Ihren Kontaktdaten zu entfernen: 1. Lesen/Schreiben-Dublettenentfernung – Vergleicht Datensätze in einer oder mehreren Datenbanken gleichzeitig. Jede einzelne Gruppe erhält einen Datensatz, der einen „Output“-Status erhält. Die anderen passenden Datensätze erhalten einen „Dubletten“-Status. Eignet sich ideal für das Zusammenführen, Bereinigen und Unterdrücken bestehender Daten in der Stapelverarbeitung. MatchUp Object Input Datenbanken Output Dubletten 2. Inkrementelle Dublettenentfernung – Vergleicht jeden eingehenden Datensatz mit einer Datenbank, die bereits verarbeitete Datensätze beinhaltet. Eignet sich ideal für die Dateneingabe in Echtzeit. Wenn der eingehende Datensatz neu ist, wird er der bestehenden Datenbank hinzugefügt. Über Melissa Data Corp. Melissa Data ist seit 1985 ein führender Anbieter von Call Center Datenqualitäts- und MatchUp Object Adressmanagementlösungen. Die Datenqualitätslösungen, Cloud-Services und Webformulare Datenbanken 3. Hybride Dublettenentfernung – Gibt Ihnen die Flexibilität, den Prozess dann anzupassen, wenn in Ihrer Umgebung eine interne Schlüsselspeicherung oder kleinere Einheiten von Datensätzen verglichen werden müssen. Ideal für Dateneingabe in Echtzeit oder zur Verarbeitung ganzer Listen im Stapel. Datenintegrationskomponenten von Melissa Data untersuchen, standardisieren, konsolidieren, erweitern und aktualisieren amerikanische sowie weltweite Kontaktdaten, inklusive Adressen, Telefonnummern und E-Mail-Adressen. Anwender können Webformulare Datenbanken Call Center MatchUp Object so ihre Kommunikation und ihren ROI verbessern. Mehr als 10.000 Unternehmen verlassen sich auf Melissa Data, um eine genauere, Datensätze gruppieren umfassende und sichere Ansicht auf kritische Informationsbestände Matchcode Editor MatchUp bietet mit Matchcode Editor auch eine separate grafische Benutzerschnittstelle, mit der eine persönliche Matchcode-Datenbank eingerichtet werden kann. Haben Sie einmal benutzerspezifische Matchcodes entwickelt, die gut mit Ihren Daten funktionieren, können diese jederzeit und kontinuierlich genutzt werden. Systemanforderungen Multiplattform-fähige API - Bibliothek verfügbar für Windows 2003/2008 7/8.x; Red Hat; Solaris: SPARC; AIX: Power, rs/6000, PPC; HPUX: PA-RISC und Itanium. Cloud Web Service - unterstützt mehrere Protokolle, inclusive JSON, SOAP, XML und REST zu erzielen und zu verwalten. 1-800-MELISSA www.MelissaData.com Find us on: Twitter: @melissadata Facebook.com/melissadata linkedin.com/company/melissa-data © 2015 Melissa Data Corp. 071415