Frågor · Dubblettrensning

Excel hittar inte dubbletterna: varför, och vad gör man?

Vad ”Ta bort dubbletter” verkligen gör

Funktionen jämför innehållet i de celler du väljer, kolumn för kolumn, tecken för tecken. Den hittar den identiska raden: samma text, samma versaler, samma mellanslag. Allt som avviker med minsta detalj räknas inte som lika, och raden blir kvar i registret som om den vore en annan person.

I praktiken behövs ytterst lite för att jämförelsen ska misslyckas: ett extra mellanslag efter husnumret, ”Andersson Anna” i stället för ”Anna Andersson”, ”Hantverkarg.” i stället för ”Hantverkargatan”. Det är vanliga fall: det är det normala sättet folk skriver ett register på. Den som matade in den andra raden skrev samma uppgifter med sina ord, vid ett annat tillfälle, kanske från ett annat formulär.

Samma begränsning gäller formlerna som jämför två kolumner för hand, eller en LETARAD eller PASSA på namn och adress: de är ändå en textjämförelse, och texten i två verkliga dubbletter stämmer nästan aldrig tecken för tecken.

Varför två rader som ser olika ut ofta är samma person

• Versaler och mellanslag. ”ANNA ANDERSSON” och ”Anna Andersson ” (med ett avslutande mellanslag) är för Excel två olika texter.
• Gatans förkortningar. ”Hantverkarg. 1” och ”Hantverkargatan 1” har inte samma tecken på samma plats.
• Efternamn och förnamn i omvänd ordning. En import med förväxlade kolumner ger ”Andersson Anna” bredvid ”Anna Andersson”, och ingen av standardformlerna lägger dem ihop.
• Likvärdiga namn och initialer. ”Lasse Nilsson” och ”Nilsson Lars”, ”A. Andersson” och ”Anna Andersson”, delar inte ens hela förnamnet.
• Postnummer i olika format, eller bara på en av raderna. ”11152” och ”111 52” är samma postnummer men olika text, och en tom cell räcker för att bryta en exakt jämförelse över flera kolumner.

Excel gör exakt det du bett om, en bokstavlig jämförelse, och ett verkligt register är aldrig skrivet på ett enhetligt sätt.

Vad du förlorar på att kasta en rad på måfå

Även när två rader känns igen som lika (till exempel för att de kopierats över varandra) är det riskabelt att kasta en av dem på måfå: om e-postadressen bara fanns på den ena raden och telefonnumret bara på den andra förlorar du en kontaktuppgift när du behåller en enda. Och om valet görs för hand blir det på ett register med några tusen rader ett långt arbete, lika felbenäget som det man vill lösa: varje misstänkt par ska öppnas, jämföras med ögat, avgöras och de uppgifter som saknas ska skrivas av för hand från den andra raden.

Det finns också en mindre synlig risk: att kasta en rad när de två är olika personer med samma namn på samma ort. En rent textbaserad jämförelse kan inte skilja de två fallen åt.

Så arbetar dubblettrensningen i RadarAddress

RadarAddress dubblettrensning arbetar i två steg. Först sätter den varje adress i sin korrekta form — gatan utskriven, postnumret i rätt format, orten rätt skriven — så att två skrivningar av samma gata blir samma gata redan innan de jämförs; svenska adresser jämförs i sin postform, och i länderna vars nationella register är i drift kontrolleras adressen dessutom mot registret. Sedan jämför den namnen och känner igen likvärdiga namn (Lasse och Lars), omvänd ordning på efternamn och förnamn, ett stavfel i efternamnet och titeln framför namnet, som inte räknas i bedömningen.

Resultatet är en huvudpost som tar det bästa fältet från varje dubblett, e-post och telefon inräknade, med skrivet varifrån varje uppgift kommer. Varje grupp har en säkerhetsnivå — säker, trolig, tvetydig. I den rensade filen kommer säkra och troliga grupper ut redan sammanslagna; de tvetydiga lämnas hela bland raderna att kontrollera, där du bestämmer.

På ett register uppladdat som fil körs jämförelsen på hela listan i ett enda jobb, upp till 100.000 poster, utan att något behöver sorteras, grupperas eller korsas mellan blad för hand.

Samma fall, två olika resultat

De två raderna delar inte en enda identisk sträng — förnamnet förkortat, gatan förkortad, postnumret i två format — men det är samma adress och samma person; orsaken lyder ”liknande namn, samma adress”. Namnet är påhittat i demonstrationssyfte; varje likhet med verkliga personer är en tillfällighet.