Domande · Deduplica

Come trovo i doppioni in un'anagrafica, anche se scritti in modo diverso?

Perché una ricerca esatta non li trova

Due schede della stessa persona quasi mai sono scritte uguali. Chi le ha inserite ha usato un'abbreviazione, un vezzeggiativo, ha invertito cognome e nome, oppure ha scritto l'indirizzo con la sigla comoda del momento. Una ricerca che confronta stringhe non riconosce niente di tutto questo: per lei «V. Roma 12» e «Via Roma, 12» sono due indirizzi diversi, anche se un postino li leggerebbe come lo stesso posto.

Per questo il confronto va fatto in due tempi. Prima si porta ogni indirizzo alla sua forma corretta con lo stesso motore che RadarAddress usa per la normalizzazione: via per esteso, CAP giusto, comune scritto bene. Solo quando due indirizzi sono nella stessa forma ha senso chiedersi se coincidono: confrontando prima e sistemando dopo, due grafie della stessa via restano due indirizzi e il doppione sfugge.

Lo stesso vale per il nome: chi cerca «Rossi» aspettandosi di trovare la scheda già in archivio, e la scheda c'è ma è intestata «Rossi Mario» invece di «Mario Rossi», semplicemente non la trova. La conseguenza più comune è una scheda nuova aperta in buona fede, accanto a quella che già esisteva.

Cosa riconosce il confronto

• Nomi equivalenti. Dany e Daniela, Beppe e Giuseppe, senza confondere persone diverse.
• Cognome e nome invertiti. «Rossi Mario» e «Mario Rossi» arrivano quasi sempre da un'importazione con le colonne scambiate.
• Un refuso nel cognome. Un piccolo errore di battitura non impedisce il riconoscimento, se il resto della scheda coincide.
• Il titolo davanti al nome. «Dott.ssa Maria Bianchi» e «Maria Bianchi» sono confrontate come la stessa persona: il titolo non conta nel verdetto.
• Le abbreviazioni della via, perché prima di confrontare gli indirizzi li sistemiamo.
• La frazione ricondotta al suo comune, quando due schede citano un quartiere o una frazione che nell'anagrafica ufficiale appartiene allo stesso comune.

Il verdetto: certo, probabile, ambiguo

Quando due schede coincidono su tutto dopo la sistemazione, il verdetto è certo. Quando entrano in gioco un nome equivalente o un'abbreviazione, è probabile: quasi sempre giusto. Quando l'aggancio è debole — per esempio nomi simili — il gruppo è ambiguo. Ogni gruppo porta con sé il motivo: sai sempre perché due schede sono state accostate.

Il verdetto decide anche cosa succede nel file pulito: i gruppi certi e probabili escono già uniti in una riga sola, quelli ambigui restano interi e finiscono tra le righe da controllare, dove decidi tu.

Puoi scegliere anche quanto il confronto deve essere largo, dallo stretto (solo nominativo e indirizzo che coincidono) al più esteso (anche gli agganci deboli, che poi guardi tu). L'impostazione predefinita, quella con cui gira la maggior parte dei lavori, riconosce già le varianti dei nomi, le abbreviazioni e i piccoli refusi.

La scheda principale prende il meglio di ogni doppione

Se l'email c'era solo su una scheda e il telefono solo sull'altra, tenendone una sola perdi un recapito. RadarAddress costruisce una scheda principale prendendo da ciascuna il campo migliore — l'indirizzo dalla scheda più completa, il nome nella sua forma canonica, email e telefono da dove ci sono — e per ogni campo resta scritto da quale scheda viene.

Dove lo fai: dal sito, da un file, dall'API

Dal sito confronti due o tre anagrafiche alla volta e vedi subito il verdetto: è il modo più rapido per capire come funziona o per controllare un caso dubbio prima di caricare l'archivio intero. Per un'anagrafica intera carichi un file: i lavori in blocco arrivano fino a 100.000 schede, e a fine lavoro scarichi uno zip con il file pulito, l'elenco dei doppioni da togliere, i gruppi e le righe da controllare. Se lavori da codice, l'endpoint /api/v1/dedupe confronta fino a 500 anagrafiche per chiamata, e fino a 100.000 in modalità asincrona, con lo stesso verdetto certo/probabile/ambiguo e la stessa scheda principale. Il listino è nella pagina dei prezzi: prima di lanciare un lavoro in blocco vedi sempre cosa comporta, e le elaborazioni si scalano solo alla conferma.

Due schede, la stessa persona

Il nome equivalente (Dany/Daniela) e l'indirizzo scritto in due modi diversi vengono riconosciuti solo dopo che entrambi gli indirizzi sono stati sistemati nella loro forma corretta.