Dos fichas,
una sola persona.
Un ejemplo con direcciones de España: dos fichas escritas de forma distinta, y por qué son la misma persona.
Con una cuenta gratuita trabajas con tus propias direcciones, de cualquier país: desde la web, desde un archivo o mediante la API. Regístrate o accede.
Dos fichas, una sola persona
Un duplicado no es un registro de más que borrar: es la historia de una persona partida en dos. Volver a juntarla produce cuatro efectos concretos.
Respondes una sola vez, y con conocimiento de causa
Quien responde mira una ficha: si el pedido está registrado en la otra, esa persona no recibe nada, y se da cuenta. Con una sola ficha la confirmación sale siempre, y la comunicación llega una vez: no dos a la misma dirección, quizá con el nombre escrito de dos maneras distintas.
Cada sobre de más es dinero tirado
Un duplicado es una impresión, un sobre y un sello pagados por una persona a la que tu comunicación ya ha llegado. En una campaña de volumen es el gasto más fácil de recortar: ni un destinatario menos, solo los envíos que hacen falta.
Reconoces a quien vale más
Quien ha comprado tres veces desde una ficha y dos desde la otra aparece en los informes como dos contactos tibios en lugar de uno fiel. Al reunir las fichas la historia vuelve a estar entera, y cambia a quién conviene llamar, a quién reservar un trato distinto, a quién proponer más.
Los números cuadran
¿Cuántos clientes tengo de verdad? ¿Cuánto vale de media un contacto? Con una base de datos llena de duplicados cada respuesta está inflada, y las decisiones que se derivan nacen viciadas. Antes de analizar, hay que contar bien.
No son despistes
Los duplicados nacen de tres situaciones corrientes, que se repiten en cualquier base de datos destinada a crecer.
Llega el pedido y hay prisa
Quien registra tiene una pila de formularios que despachar (o de recibos, si trabajas en una asociación) y no se para a comprobar si esa persona ya está en la base de datos. Abrir una ficha nueva lleva treinta segundos; buscarla de verdad, entre las variantes del nombre y de la dirección, lleva mucho más tiempo.
La ficha existe, pero la búsqueda no la encuentra
Es el caso más frecuente y el más difícil de evitar: la ficha existe, pero está escrita de un modo apenas distinto de como se busca — «Calle de Alcalá 50» frente a «Alcalá», «Avda.» frente a «Avenida». La búsqueda no devuelve nada, y la ficha se vuelve a crear de buena fe.
Entra una lista entera
Las altas desde la web, una lista recogida en un evento, un archivo de un proveedor: entran en bloque sin contrastarse con la base de datos existente. Ocurre menos que en los otros dos casos, pero cuando ocurre los duplicados entran a cientos.
Los tres se resuelven de la misma manera: una revisión de la base de datos a intervalos regulares, y otra antes de cada campaña importante.
Primero arreglamos, luego comparamos
Comparar dos fichas palabra por palabra no lleva lejos: Daniela y Dany son la misma persona, C/ Mayor 12 y Calle Mayor, 12 son la misma dirección, y ninguna comparación literal se da cuenta. Por eso trabajamos en dos tiempos: primero arreglamos las dos direcciones — nombre de la calle completo, código postal corregido, municipio correcto — y solo después las comparamos, junto con el nombre, el email y el teléfono. Dos grafías de la misma calle se convierten en la misma calle antes de que empiece la comparación.
El resultado no es un sí o un no. Cuando el veredicto no es tajante lo declaramos — seguro, probable o ambiguo, con el motivo al lado: dos personas distintas pueden tener el mismo nombre en el mismo municipio, y unir dos fichas sigue siendo una decisión tuya, que tomas sabiendo en qué se basa.
Normalización, detección de duplicados, deduplicación, enriquecimiento
Cuatro operaciones distintas, que suelen acabar todas bajo la palabra «limpieza». Distinguirlas sirve, porque una es el presupuesto de la otra.
Normalización
Reducir cada dirección a una escritura única y correcta, completando lo que falta: el código postal, la provincia, el nombre de la calle completo.
«Via S. Caterina 20» y «Strada Santa Caterina 20» se convierten en la misma línea.
Detección de duplicados
Reconocer que dos fichas son el mismo sujeto aunque estén escritas de forma distinta: «V. Roma 12» y «Via Roma 12», Dany y Daniela, apellidos y nombre invertidos.
Viene después de la normalización, y no por casualidad: sin ella, comparas cadenas de texto en lugar de direcciones.
Deduplicación
Decidir qué hacer con los duplicados encontrados: qué ficha conservar, qué campos tomar de una y cuáles de la otra.
El duplicado no se tira: se integra, y queda escrito de dónde viene cada información.
Enriquecimiento
Añadir lo que falta o lo que se puede deducir de lo que hay: la fórmula de saludo a partir del nombre, el título, el sufijo del número de portal, el código fiscal.
Datos que nadie te ha dado, pero que tu base de datos ya contiene de forma implícita.
Por qué importa, más allá de la limpieza: quien recibe dos veces la misma carta lo nota, y quien no recibe el agradecimiento porque el donativo estaba registrado en una ficha mientras tú mirabas la otra, lo nota todavía más.
Tú eliges la precisión de la comparación, nosotros te decimos hasta qué punto estamos seguros
No te pedimos que decidas qué fichas unir: eso lo hacemos nosotros, y para cada grupo decimos con cuánta certeza. El único mando es la precisión de la comparación, es decir, cuánto pueden diferir dos fichas y seguir siendo el mismo sujeto. Tres valores: desde la web y desde los archivos se usa el predeterminado, desde la API se elige con livello_minimo. No hay que confundirla con la precisión de la normalización de la dirección, que es otra cosa y tiene cinco niveles.
Precisión estricta
Nombre y dirección coinciden tras la normalización. Ningún grupo que tú no hubieras hecho a mano.
El valor predeterminado
Entran las variantes del mismo nombre (Dany y Daniela), las abreviaturas y las pequeñas erratas. Es el ajuste con el que se ejecutan la mayoría de los trabajos.
Precisión amplia
También los vínculos débiles: misma dirección y nombres parecidos. Encuentra más, y te toca revisar más.
El veredicto que vuelve con cada grupo — seguro, probable, ambiguo — es nuestra clasificación, no una elección tuya: dice lo sólido que es el grupo, y sirve para decidir qué puedes aceptar a ojos cerrados y qué merece la pena revisar.
El duplicado no se tira: se fusiona
Es la diferencia que cuenta. Quien deduplica suele conservar una ficha y descartar la otra — y con la otra descarta el email que solo estaba ahí. Nosotros construimos un registro nuevo tomando de cada una el mejor campo.
| Campo | Ficha A | Ficha B | Registro que queda |
|---|---|---|---|
| Nombre | Dany Rossi | Rossi Daniela | Daniela Rossi forma canónica, campos puestos en su sitio |
| Dirección | v. leopardi 4, milano | Via G. Leopardi 4, Milano | Via Giacomo Leopardi 4 de la ficha más completa |
| Código postal y ciudad | — | Milano | 20123 MILANO MI completado en la normalización |
| dany.rossi@gmail.com | — | dany.rossi@gmail.com solo estaba en A | |
| Teléfono | — | 347 032 8959 | 3470328959 solo estaba en B |
Conservando A habrías perdido el teléfono; conservando B, el email. El registro fusionado tiene los dos, y en cada campo queda escrito de qué ficha viene: si un día la fusión no te convence, sabes exactamente qué tocar.
Los mismos duplicados que escapan a una búsqueda exacta
- Dany Rossi=Daniela Rossi nombre equivalente
- Rossi Mario=Mario Rossi apellidos y nombre invertidos
- V. Roma 12=Via Roma 12 abreviatura desarrollada
- Rossi Daniela, via leopardi 4, milano=Daniela Rossi, Via Giacomo Leopardi 4, 20123 MILANO MI dirección arreglada antes de la comparación
Reconocemos también una errata en el apellido; el título delante del nombre, que en la comparación no cuenta (Dott.ssa Maria Bianchi es la misma persona que Maria Bianchi); y la pedanía reconducida a su municipio, porque Sampierdarena es un barrio de Génova.
Preguntas relacionadas
- ¿Cómo se verifica y corrige una base de datos de clientes?
- ¿Cómo encuentro los duplicados en una base de datos, aunque estén escritos de forma distinta?
- Excel no encuentra los duplicados: ¿por qué, y qué hacer?
Todas las preguntas, con la respuesta, en Preguntas y respuestas.