Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Abgleichen von Eingabedaten mithilfe eines Abgleich-Workflows
Ein Matching-Workflow ist ein Datenverarbeitungsjob, der Daten aus verschiedenen Eingabequellen kombiniert und vergleicht und anhand verschiedener Abgleichstechniken bestimmt, welche Datensätze übereinstimmen. AWS Entity Resolution liest Ihre Daten von den angegebenen Speicherorten, findet Übereinstimmungen zwischen Datensätzen und weist jedem übereinstimmenden Datensatz eine Match-ID zu.
Das folgende Diagramm fasst zusammen, wie Sie einen passenden Workflow erstellen.
Topics
Erstellung eines Matching-Workflows, der auf maschinellem Lernen basiert
Erstellen eines auf dem Provider-Service basierenden Matching-Workflows
Ändern oder Generieren einer Match-ID für einen regelbasierten Matching-Workflow
Suche nach einer Match-ID für einen regelbasierten Matching-Workflow
Löschen von Datensätzen aus einem regelbasierten oder passenden Workflow ML-based
Passende Workflowtypen
AWS Entity Resolution unterstützt drei Arten von passenden Workflows:
- Rule-based übereinstimmend
-
Verwendet konfigurierbare Regeln, um übereinstimmende Datensätze auf der Grundlage einer exakten oder unscharfen Übereinstimmung der angegebenen Felder zu identifizieren. Sie definieren die Übereinstimmungskriterien, z. B. übereinstimmende Namen, die ähnlich geschrieben sind, oder Adressen, die unterschiedlich formatiert sind.
- Abgleich auf Grundlage von Machine Learning
-
Verwendet Modelle für maschinelles Lernen, um ähnliche Datensätze zu identifizieren, auch wenn die Daten Variationen, Fehler oder fehlende Felder aufweisen. Mit diesem Ansatz können komplexere Übereinstimmungen erkannt werden als bei regelbasierten Übereinstimmungen.
- Dienstbasierter Abgleich durch den Anbieter
-
Nutzt externe Datenanbieter, um Ihre Daten vor dem Abgleich anzureichern und zu validieren. Diese Art des Abgleichs ist nicht mit der Ausgabe von Connect Customer Customer Profiles kompatibel.
Optionen für die Datenausgabe
AWS Entity Resolution kann Datenausgabedateien schreiben in:
-
Ein Amazon S3-Standort, den Sie angeben
-
Kundenprofile verbinden (für die Deduplizierung von Kundendaten)
Wichtig
Der Export nach Connect-Kundenprofile ist mit dem anbieterbasierten Abgleich nicht kompatibel. Für den Export in Connect-Kundenprofile müssen Sie den regelbasierten Abgleich oder den auf maschinellem Lernen basierenden Abgleich verwenden.
Falls gewünscht, können Sie AWS Entity Resolution die Ausgabedaten mithilfe eines Hashs versehen — so behalten Sie die Kontrolle über Ihre Daten.
Die folgende Tabelle zeigt die drei Typen von passenden Workflows und ihre unterstützten Ausgabeziele.
| Passender Typ | S3-Ausgabe | Ausgabe von Kundenprofilen |
|---|---|---|
| regelbasiert | ||
| basiert auf maschinellem Lernen | ||
| dienstleistungsorientiert |
Passende Workflow-Ergebnisse
Nachdem Sie einen passenden Workflow erstellt und ausgeführt haben, können Sie die Ergebnisse an Ihrem angegebenen S3-Standort oder in den Kundenprofilen von Connect einsehen. Abgleichende Workflows generieren IDs, nachdem die Daten indexiert wurden.
Ein passender Workflow kann mehrere Durchläufe haben und die Ergebnisse (Erfolge oder Fehler) werden in einen Ordner mit dem jobId als Namen geschrieben.
Für jeden Lauf für S3-Ausgabeziele:
-
Die Datenausgabe enthält sowohl eine Datei für erfolgreiche Treffer als auch eine Datei für Fehler
-
Erfolgreiche Ergebnisse werden in einen
successOrdner geschrieben, der mehrere Dateien enthält -
Fehler werden in einen
errorOrdner mit mehreren Feldern geschrieben
Für jeden Lauf für Connect Customer Customer Profiles gelten folgende Ausgabeziele:
-
Deduplizierte Kundendatensätze werden direkt an Ihre Connect Customer-Instanz gesendet
-
Sie können Ihren letzten Jobverlauf in der Konsole einsehen AWS Entity Resolution
-
Bestehende Profile in Connect Customer sind nicht im Deduplizierungsprozess enthalten
Nachdem Sie einen Matching-Workflow erstellt und ausgeführt haben, können Sie die Ergebnisse des regelbasierten Abgleichs oder des maschinellen Lernabgleichs (ML) als Eingabe für den dienstleistungsbasierten Abgleich verwenden oder umgekehrt, um Ihre Geschäftsanforderungen zu erfüllen.
Um beispielsweise Abonnementkosten für Anbieter zu sparen, können Sie zunächst einen regelbasierten Abgleich ausführen, um Übereinstimmungen in Ihren Daten zu finden. Anschließend können Sie eine Teilmenge der Datensätze, die nicht zugeordnet wurden, an den dienstleistungsbasierten Abgleich des Anbieters senden. Erstellen eines auf dem Provider-Service basierenden Matching-Workflows Beachten Sie, dass Sie beim Exportieren in Kundenprofile nur den regelbasierten oder auf maschinellem Lernen basierenden Abgleich verwenden sollten.
Weitere Informationen zur Behebung von Fehlern finden Sie unter. Fehlerbehebung bei passenden Workflows
