Fuzzy Matching (unscharfer Abgleich)
Fuzzy Matching findet Texte oder Datensätze, die ähnlich, aber nicht identisch sind, und erkennt mit einem Ähnlichkeitswert Tippfehler, Abkürzungen und Unterschiede in der Wortreihenfolge.
Was ist Fuzzy Matching (unscharfer Abgleich)?
Fuzzy Matching (unscharfer Abgleich) ist eine Technik, die Texte oder Datensätze findet, die ähnlich, aber nicht genau gleich sind, etwa "Samsung Galaxy S24 Ultra 256GB" und "Galaxy S24 Ultra (256 GB) Samsung". Statt Ja oder Nein bekommt ein Fuzzy Match einen Ähnlichkeitswert, und alles über einem gewählten Schwellenwert gilt als Treffer. Gängige Methoden sind die Editierdistanz (wie viele Zeichen du ändern musst, etwa bei der Levenshtein-Distanz), Token-Matching (Wörter unabhängig von ihrer Reihenfolge vergleichen) und phonetisches Matching (Wörter, die ähnlich klingen). Exaktes Matching verknüpft nur identische Werte, etwa dieselbe EAN. Fuzzy Matching erkennt dagegen Tippfehler, Abkürzungen sowie Unterschiede in Wortreihenfolge und Leerzeichen. Im E-Commerce wird es genutzt, um doppelte Produkte zu finden, Lieferantendaten einem bestehenden Katalog zuzuordnen, wenn Identifikatoren fehlen, Attributwerte zu vereinheitlichen und die Shop-Suche tolerant gegenüber Tippfehlern zu machen. Unser Leitfaden zur Deduplizierung von Produktdaten erklärt, wie du es mit exakten Prüfungen kombinierst.
Warum Fuzzy Matching (unscharfer Abgleich) im E-Commerce wichtig ist
Produktdaten kommen aus vielen Quellen, die dasselbe unterschiedlich benennen. Ohne Fuzzy Matching entstehen aus diesen Unterschieden doppelte Produkte, unübersichtliche Filter mit fünf Schreibweisen einer Farbe und Lieferanten-Updates, die sich nicht dem richtigen Artikel zuordnen lassen. Fuzzy Matching hilft auch Käufern. Eine Shop-Suche, die Tippfehler und andere Wortreihenfolgen toleriert, findet Produkte, die eine exakte Suche verpassen würde.
Beispiele für Fuzzy Matching (unscharfer Abgleich)
- 1Wert A: Samsung Galaxy S24 Ultra 256GB, Wert B: Galaxy S24 Ultra (256 GB) Samsung, Ergebnis: wahrscheinlich dasselbe Produkt
- 2Wert A: Navy blue, Wert B: navy-blue, Ergebnis: gleicher Attributwert, auf eine Schreibweise vereinheitlichen
- 3Wert A: Suche nach "addidas", Wert B: Marke "adidas", Ergebnis: Suche zeigt adidas-Produkte
- 4Wert A: Lieferantenartikel "Bohrer 18V m. Akku", Wert B: Katalogartikel "Akku-Bohrschrauber 18 V mit Akku", Ergebnis: vorgeschlagener Treffer zur Prüfung
- 5Wert A: T-Shirt Größe M, Wert B: T-Shirt Größe L, Ergebnis: hoher Wert, aber verschiedene Produkte, also keine Dublette
So hilft WISEPIM
- Prüfe in WISEPIM auf der Seite Attribute values (Attributwerte) alle Werte eines Attributs und finde Schreibvarianten desselben Werts.
- Vereinheitliche diese Varianten in einem Schritt mit der Massenbearbeitung.
- Ordne importierte Zeilen zuallererst über Identifikatoren wie SKU oder EAN bestehenden Produkten zu.
- Markiere mit Quality-Guard-Regeln Produkte mit fehlenden Identifikatoren, die den Abgleich erschweren.
Häufige Fehler bei Fuzzy Matching (unscharfer Abgleich)
- Den Schwellenwert so niedrig ansetzen, dass verschiedene Produkte als Dubletten gelten.
- Treffer automatisch zusammenführen, ohne Prüfschritt.
- Fuzzy Matching nutzen, obwohl ein exakter Identifikator wie eine EAN vorhanden ist.
- Rohtext vergleichen, ohne vorher Groß- und Kleinschreibung, Leerzeichen und Einheiten zu vereinheitlichen.
Tipps zu Fuzzy Matching (unscharfer Abgleich)
- Gleiche zuerst über exakte Identifikatoren ab und nutze Fuzzy Matching nur für den Rest.
- Normalisiere Text vor dem Abgleich: Kleinschreibung, Satzzeichen entfernen und Einheiten vereinheitlichen.
- Teste Schwellenwerte an einer Stichprobe mit bekannten Antworten.
- Gib Grenzfälle an eine Person, statt automatisch zu entscheiden.
Trends rund um Fuzzy Matching (unscharfer Abgleich)
- Semantisches Matching mit AI-Embeddings, das Bedeutungen vergleicht, nicht nur Zeichen.
- Sprachübergreifendes Matching, sodass ein niederländischer und ein englischer Produktname verknüpft werden können.
- Bildähnlichkeit zur Bestätigung von Produkttreffern.
- Menschliche Prüfung von Grenzfällen als fester Teil des Matching-Workflows.
Tools für Fuzzy Matching (unscharfer Abgleich)
- OpenRefine: kostenloses Tool mit Clustering, um ähnliche Werte zu finden und zusammenzuführen.
- RapidFuzz: Python-Bibliothek für schnelles Fuzzy-String-Matching.
- Elasticsearch: Suchmaschine mit Fuzzy-Queries für tippfehlertolerante Suche.
- Algolia: gehostete Suche mit integrierter Tippfehlertoleranz.
- WISEPIM: PIM mit einer Seite für Attributwerte (Attribute values) und Massenbearbeitung, um ähnliche Werte zu vereinheitlichen.