Ver en Markdown

TL;DR

  • Un recuento de duplicados más alto no es un mejor resultado. A menudo significa una búsqueda más laxa, con más coincidencias falsas.
  • Relajar todos los campos a la vez, emparejar por un solo campo débil o saltarse los filtros inflan el recuento.
  • El número útil es cuántas coincidencias son reales, algo que solo puede mostrar una muestra revisada.
  • Compara herramientas y búsquedas por precisión sobre los mismos registros, no por el tamaño de la cifra.
  • En Dedupely, cada búsqueda muestra los campos y las opciones de coincidencia que usa, para que veas de dónde sale un recuento.

La primera vez que un equipo ejecuta una búsqueda de duplicados, la cifra llama la atención de todos. Después alguien relaja un ajuste y la cifra se duplica. Luego otra herramienta muestra una mayor. Es tentador tratar la cifra más grande como el resultado más completo.

Normalmente no. Un recuento de duplicados solo es tan bueno como las coincidencias que contiene. Este artículo explica por qué crecen los recuentos, cuándo un recuento mayor es una señal de alarma y qué medir en su lugar.

Por qué sube el recuento

Los recuentos de duplicados crecen por motivos buenos y malos.

Buenas razones: una búsqueda empieza a detectar duplicados reales que se le habían escapado, como erratas, apodos o teléfonos en formatos distintos.

Malas razones:

  • Se relajan todos los campos a la vez. La coincidencia Similar o Difusa en nombre, empresa y ciudad a la vez empareja a personas que solo se parecen.
  • La búsqueda depende de un campo débil. Un nombre de pila, una ciudad o un nombre de empresa genérico coincide con miles de registros no relacionados.
  • Los valores de relleno coinciden entre sí. «N/A», «test@test.com» o «Unknown» forman grupos enormes.
  • Sin filtros. Los registros de prueba antiguos, los usuarios internos y los partners acaban todos en los resultados.

Desde fuera, los dos tipos de crecimiento se ven igual: una cifra más alta.

Cuando un recuento mayor es una señal de alarma

Mira con más atención cuando:

  • La cifra se dispara al cambiar un ajuste, mucho más de lo que esperabas.
  • Los grupos se vuelven muy grandes. Un conjunto con muchos registros rara vez es una sola persona o una sola empresa.
  • Una muestra suele estar mayormente mal. Si más de dos o tres de una muestra de 20 no son duplicados, la búsqueda es demasiado amplia para fusionarla en masa.
  • Los mismos pocos valores aparecen en todas partes, como una bandeja compartida o un teléfono general por defecto.

Qué medir en su lugar

Las preguntas útiles son:

En lugar de Pregunta
¿Cuántos duplicados encontró? ¿Cuántos de una muestra de 20 son reales?
¿Qué herramienta encuentra más? ¿Cuál acierta más a menudo con los mismos registros?
¿Hasta dónde puede llegar el número? ¿Cuántos podemos fusionar sin revisar cada uno?
¿Cuál es el total? ¿Cuál es el total de cada objeto y de cada búsqueda?

Una búsqueda que encuentra menos duplicados pero acierta casi siempre es la que puedes fusionar en masa. Una búsqueda grande y ruidosa es mejor para revisión manual, unos pocos conjuntos cada vez.

Cómo Dedupely te muestra de dónde sale el recuento

En Dedupely, cada Duplicate Search muestra los campos y las opciones de coincidencia que usa, para que veas por qué un recuento es alto: Exacta, Similar, Difusa, Similar Words o Domain Root, campo por campo. Los filtros limitan los registros que se buscan, los términos ignorados dejan fuera las palabras de relleno y dos valores vacíos nunca coinciden. Los Ajustes de seguridad retienen los conjuntos de más de 20 registros y los datos de relleno de las fusiones masivas, y puedes rechazar los conjuntos que no sean duplicados para que no vuelvan en resultados futuros.

Crea una búsqueda en la que puedas confiar

El número correcto es el que te merece confianza

Un recuento de duplicados más alto parece progreso, pero a menudo significa una búsqueda más laxa. Revisa una muestra, compara búsquedas sobre los mismos registros y usa la cifra que puedas fusionar con confianza. El resto va a la revisión manual.

Preguntas frecuentes

¿Por qué mi recuento de duplicados se duplicó tras cambiar un ajuste?

Normalmente porque se relajó un campo, por ejemplo de Exacta a Similar o Difusa. Revisa una muestra de las nuevas coincidencias para ver si son reales.

¿Es mejor una herramienta que encuentra más duplicados?

No solo por eso. Compara cuántas de sus coincidencias son reales en el mismo conjunto de registros.

¿Cómo sé si una búsqueda es demasiado laxa?

Revisa una muestra de 20 conjuntos. Si más de dos o tres no son duplicados, o los grupos son muy grandes, endurece la búsqueda antes de fusionar en masa.

¿Qué infla un recuento de duplicados?

Coincidencias laxas en varios campos, coincidencia en un solo campo débil, valores de relleno y filtros que faltan.

¿Qué debo informar en lugar del recuento total?

El recuento por objeto y por búsqueda, y cuántos de una muestra revisada eran duplicados reales.