So gelingt prÀziser Datenabgleich in der Telekom-Branche: Weniger Fehler, mehr Effizienz

Newsletter

Bleiben Sie auf dem Laufenden!

Abonnieren Sie unseren Newsletter – Sie erhalten so News, Tipps und Tricks rund um das Thema E-Commerce.

Know-how

So gelingt prÀziser Datenabgleich: Weniger Fehler, mehr Effizienz

Ein bekanntes Problem bei diversen Kund:innen: niedrige Erfolgsquoten beim Adressabgleich aufgrund von Abweichungen wie StrassenabkĂŒrzungen, GebĂ€udedetails, komplexen Hausnummern und kleineren Fehlern – selbst wenn die Kundendaten scheinbar dem erwarteten Format entsprechen. Das Fehlen eines einheitlichen Standards fĂŒr den Datenaustausch erschwert zusĂ€tzlich konsistente Ergebnisse.

Einen bewĂ€hrten Ansatz, den wir bei verschiedenen Kund:innen anwenden können, haben wir zuletzt im Jahr 2024 bei einem Telecom Case fĂŒr dieses Problem eingesetzt: mit einer massgeschneiderten technischen Lösung, die sowohl PrĂ€zision als auch Datenschutz in den Mittelpunkt stellt. Das Ergebnis war ein skalierbares, wiederverwendbares System mit minimaler AbhĂ€ngigkeit von Drittanbieter-Tools.

Adresschaos im Griff: Wie man selbst unstrukturierte Daten zuverlÀssig abgleicht

Das Ziel des Kunden war klar: die Erfolgsquote beim Datenabgleich zu verbessern – mit hoher Genauigkeit und einer niedrigen Rate an falsch-positiven Treffern. Doch das war keine einfache Aufgabe. Die von Kund:innen gelieferten Daten lagen in unterschiedlichsten Formaten vor, und selbst die sorgfĂ€ltigsten DatensĂ€tze enthielten Probleme wie AbkĂŒrzungen von Strassennamen, variierende Formate bei Hausnummern und Tippfehler. Der Abgleich zwischen verschiedenen Formaten – insbesondere bei grossen Datenmengen – erforderte eine ausgeklĂŒgelte Lösung, die eine Vielzahl von FĂ€llen abdecken konnte.

Die perfekte Kombination: Daten normalisieren und intelligent vergleichen

Unsere Lösung wurde so konzipiert, dass sie skalierbar, deterministisch und wiederverwendbar ist. Der Prozess bestand im Wesentlichen aus zwei Schritten:

Daten-Normalisierung: Der erste Schritt war die Normalisierung der eingehenden Daten, um Konsistenz zu gewĂ€hrleisten. Kund:innen erhielten eine CSV-Vorlage zur Eingabe einer grossen Anzahl von Adressen. Obwohl das Datenformat dadurch teilweise vereinheitlicht wurde, war dennoch eine zusĂ€tzliche Normalisierung erforderlich, um Unstimmigkeiten zu beseitigen. Beispielsweise wurden AbkĂŒrzungen in Strassennamen wie „str.“, „str“, „straße“ oder „strasse“ in „strasse“ vereinheitlicht. Auch Varianten bei Hausnummern, Postleitzahlen und Sonderzeichen wurden berĂŒcksichtigt. Dieser Schritt sorgte dafĂŒr, dass Adressbestandteile wie Strassenname, Postleitzahl und Hausnummer (z. B. 12, 12A, 12A-D, 12/A) in einheitlichem Format vergleichbar wurden.

Fuzzy Matching: Nach der Normalisierung kam ein Fuzzy-Matching-Ansatz zum Einsatz. Das System verglich mehrere Kriterien – beginnend mit der Region, gefolgt von Ort, Strassenname und Hausnummer. Dabei wurde der Levenshtein-Distanz-Algorithmus genutzt, der berechnet, wie stark sich zwei Zeichenketten unterscheiden. Dadurch konnten auch leicht abweichende Angaben korrekt zugeordnet werden – etwa „Breitestr.“ und „Breitenstr.“. ZusĂ€tzlich wurden Hausnummern validiert, normalisiert und bereinigt, um exakte Übereinstimmungen zu ermöglichen.

Wurden Adressen nicht eindeutig zugeordnet, wurden sie zur manuellen ÜberprĂŒfung markiert. Diese Feedback-Schleife trug zur QualitĂ€tsverbesserung der Daten bei und ermöglichte es dem Kunden, nötige Korrekturen vorzunehmen.

Mehr Treffer, weniger Aufwand: Wie Automatisierung beim Abgleich wirklich hilft

Die EinfĂŒhrung dieses Systems fĂŒhrte zu einer deutlichen Verbesserung der Genauigkeit beim Datenabgleich. Der Kunde verzeichnete eine signifikante Steigerung der automatisierten Zuordnung von Kundendaten zur internen Datenbank. Dadurch wurde nicht nur der manuelle Aufwand zur Adressvalidierung reduziert, sondern auch sichergestellt, dass Kundendaten sicher und ohne den Einsatz externer Dienste verarbeitet wurden.

Die Lösung wurde direkt auf Datenbankebene mithilfe von PSQL-Funktionen, Triggern und regulĂ€ren AusdrĂŒcken implementiert, was eine hohe Performance und minimale externe AbhĂ€ngigkeiten gewĂ€hrleistete. Durch die vollstĂ€ndige Automatisierung konnte der Kunde grosse Datenmengen effizient verarbeiten und gleichzeitig höchste Datenschutzstandards einhalten.

Adressabgleich auf einem neuen Level: Schnell, sicher, skalierbar

Adressabgleich mag auf den ersten Blick einfach erscheinen, wird jedoch bei Millionen von KundendatensĂ€tzen in unterschiedlichen Formaten schnell zur komplexen Herausforderung. Mit unserer Lösung konnten die Prozesse zur Datenabstimmung deutlich verbessert werden – mit hoher Genauigkeit, ZuverlĂ€ssigkeit und voller Kontrolle ĂŒber die eigenen Daten.

In einer Welt, in der Daten immer wertvoller werden, sind robuste Datenmanagementsysteme unerlĂ€sslich. Unsere technische Lösung brachte einen entscheidenden Fortschritt in Sachen Effizienz, Fehlervermeidung und einen reibungslosen Ablauf – sowohl fĂŒr das Unternehmen als auch fĂŒr seine Kund:innen.

Ihr Kontakt bei UFirst

Portrait Jor­dån Ja­rolím
Partner & Tech. Architekt

Jor­dån Ja­rolím

Beginnen Sie Ihre digitale Zukunft mit uns.
Wir freuen uns auf Sie!