Bästa praxis för datasamordning

När du konfigurerar regler för att samordna dina data till en kundprofil bör du tänka på följande:

• Balansera tiden för samordning kontra fullständig matchning. Att försöka registrera alla möjliga matchningar leder till många regler och att samordningen tar lång tid.

• Lägg till regler progressivt och spåra resultaten. Ta bort regler som inte förbättrar matchresultatet.

• Deduplicera varje tabell så att varje kund representeras på en enda rad.

• Använd normalisering för att standardisera variationer i hur data har matats in, till exempel Street jämfört med St jämfört med St. jämfört med st.

• Använd fuzzy-matchning strategiskt för att korrigera stavfel och fel som bob@contoso.com och bob@contoso.cm. Fuzzy-matchningar tar längre tid att köra än exakta matchningar. Testa alltid för att se om den extra tid som spenderas på fuzzy-matchning är värd den extra matchningsfrekvensen.

• Begränsa omfattningen av matchningar med exakt matchning. Kontrollera att varje regel med fuzzy-villkor har minst ett exakt matchningsvillkor.

• Matcha inte kolumner som innehåller kraftigt upprepade data. Kontrollera att fuzzy-matchade kolumner inte har värden som upprepas ofta, till exempel ett formulärs standardvärde Förnamn.

Prestanda för samordning

Varje regel tar tid att köra. Mönster som att jämföra varje tabell med varje annan tabell eller försöka fånga upp alla möjliga matchningar mellan poster kan leda till långa bearbetningstider för unifiering. Den returnerar också få, om ens några, matchningar jämfört med en plan som jämför varje tabell med en bastabell.

Det bästa sättet är att börja med en grundläggande uppsättning regler som du vet behövs, till exempel att jämföra varje tabell med din primära tabell. Din primära tabell ska vara tabellen med mest kompletta och exakta data. Den här tabellen ska sorteras överst i samordningssteget Matchningsregler.

Lägg till flera regler progressivt och se hur lång tid det tar att köra ändringarna och om resultatet förbättras. Gå till Inställningar>System>Status och välj Matcha för att se hur lång tid deduplicering och matchning tog för varje samordningskörning.

Visa regelstatistiken på sidorna Dedupliceringsregler och Matchningsregler för att se om antalet unika poster ändras. Om en ny regel stämmer överens med vissa poster, och antalet unika poster inte ändras, har dessa matchningar redan identifierats av en tidigare regel.

Kunddata

I steget Kunddata:

• Exkludera kolumner som inte behövs för matchningsregler eller som du inte vill ska ingå i den slutliga kundprofilen.

• Granska kolumnbeskrivningar som valts av intelligent mappning.

• Alla kolumner behöver inte mappas. Genom att mappa vanliga kolumner som e-post- och adressfält kan Customer Insights utföra enklare processer nedströms, men kolumner med ett unikt ID eller syfte för ditt företag kan lämnas omappade.

Deduplicering

Använd dedupliceringsregler för att ta bort dubbletter av kundposter i en tabell så att en enda rad i varje tabell representerar varje kund. En bra regel identifierar en unik kund.

I det här enkla exemplet har posterna 1, 2 och 3 antingen samma e-postadress eller telefonnummer och representerar samma person.

Vi vill inte matcha enbart på namn, eftersom det skulle kunna matcha olika personer med samma namn.

• Skapa regel 1 med namn och telefonnummer, vilken matchar posterna 1 och 2.

• Skapa regel 2 med namn och e-post, som matchar posterna 2 och 3.

Kombinationen av regel 1 och regel 2 bildar en enda matchningsgrupp eftersom de delar post 2.

Du bestämmer hur många regler och villkor som unikt identifierar dina kunder. De exakta reglerna beror på vilka data du har tillgängliga att matcha, kvaliteten på dina data och hur omfattande du vill att dedupliceringsprocessen ska vara.

Normalisering

Använd normalisering för att standardisera data för bättre matchning. Normalisering fungerar bra på stora datamängder.

De normaliserade data används bara för jämförelseändamål för att matcha kundregister mer effektivt. Det ändrar inte data i den slutliga enhetliga kundprofilen.

Exakt match

Använd precision för att avgöra hur lika två strängar ska vara varandra för att betraktas som en matchning. Standardinställningen för precision kräver en exakt matchning. Alla andra värden aktiverar fuzzy-matchning för det villkoret.

Precision kan ställas in på låg (30 procent matchning), medium (60 procent matchning) och hög (80 procent matchning). Eller så kan du anpassa och ställa in precisionen i steg om 1 procent.

Exakta matchningsvillkor

De exakta matchningsvillkoren körs först för att få en mindre uppsättning värden för fuzzy-matchningar. För att vara effektiva bör de exakta matchningsvillkoren ha en rimlig grad av unikhet. Om till exempel alla dina kunder bor i samma land/region skulle en exakt matchning av landet/regionen inte bidra till att begränsa omfattningen.

Kolumner som fullständigt namn, e-postadress, telefonnummer eller adressfält har bra unika egenskaper och är bra kolumner att använda som en exakt matchning.

Se till att kolumnen som du använder för ett exakt matchningsvillkor inte innehåller några värden som upprepas ofta, till exempel standardvärdet Förnamn som hämtas av ett formulär. Customer Insights kan profilera datakolumner för att ge insikter om de vanligaste återkommande värdena. Du kan aktivera dataprofilering i Azure Data Lake-anslutningar (med Common Data Model- eller Delta-format) och Synapse. Dataprofilen körs när datakällan uppdateras nästa gång. Mer information finns i Dataprofilering.

Ungefärlig matchning

Använd fuzzy-matchning för att matcha strängar som är lika men som inte är exakt lika på grund av stavfel eller andra små variationer. Använd fuzzy-matchning strategiskt eftersom det går långsammare än exakta matchningar. Kontrollera att varje regel som har fuzzy-villkor också har minst ett villkor för exakt matchning.

Fuzzy-matchning är inte avsett att samla in namnvarianter som Suzzie och Suzanne. Dessa variationer fångas in bättre med normaliseringsmönstret Typ: Namn eller den anpassade aliasmatchningen där kunder kan ange sin lista över namnvarianter som de vill betrakta som matchningar.

Du kan lägga till villkor till en regel, till exempel som matchar FirstName och Phone. Villkor inom en viss regel är OCH-villkor. Alla villkor måste överensstämma för att raderna ska överensstämma. Separata regler är ELLER-villkor. Om Regel 1 inte matchar raderna jämförs raderna med Regel 2.

Beräkningar för fuzzy-matchning

Fuzzymatchningar avgörs genom att beräkna redigeringsavståndet mellan två strängar. Om poängen uppfyller eller överskrider precisionströskeln betraktas strängarna som en matchning.

Redigeringsavståndet är antalet redigeringar som krävs för att omvandla en sträng till en annan genom att lägga till, ta bort eller ändra ett tecken.

Till exempel har strängarna ”robert2020@hotmail.com” och ”robrt2020@hotmail.cm” ett redigeringsavstånd på två när vi tar bort e- och o-tecknen. Använd den här formeln för att beräkna poängen för redigeringsavstånd: (Bassträngslängd-Redigeringsavstånd)/Bassträngslängd.