Solved by Stig af textlíkingu
Þessi eiginleiki hjálpar þér að bera saman tvö nöfn eða textastrengi sem gætu verið örlítið mismunandi í stafsetningu og býr til líkindaskor. Skorið styður við samræmdar og hraðari ákvarðanir þegar ákvarða á hvort afbrigði vísi líklega til sama aðila.
Þessi eiginleiki er hannaður fyrir aðstæður þar sem lítill munur á stafsetningu gerir það erfitt að dæma hvort tvær tilvísanir vísi til sama aðila. Hann býr til líkindaskor sem mælir hversu líkir tveir strengir eru, sem hjálpar þér að fara frá huglægum getgátum yfir í endurtekjanlegt ákvarðanaferli. Þú notar hann með því að gefa upp gildin tvö sem þú vilt bera saman (til dæmis tvö fyrirtækjanöfn, mannanöfn eða staðarnöfn) og skoða síðan skorið sem vísbendingu um líklegan styrk samsvörunar. Hægt er að nota skorið til að setja hagnýt viðmið fyrir vinnuflæðið þitt, svo sem að samþykkja sjálfkrafa mjög mikla líkindi, flagga mörkum til skoðunar og hafna lítilli líkindi. Hann styður algeng verkefni varðandi gæði gagna eins og afafritun, tengingu færslna og hreinsun á ósamræmdum færslum milli kerfa. Hann er sérstaklega gagnlegur þegar munur stafar af innsláttarvillum, annarri stafsetningu, vöntun á greinarmerkjum, skammstöfunum eða breytingum á bili. Með því að staðla samanburð með tölulegu skori geta teymi bætt samræmi milli þeirra sem fara yfir gögnin og dregið úr tíma sem fer í handvirka skoðun. Einnig er hægt að nota eiginleikann til að forgangsraða hvaða hugsanlegu samsvaranir eigi að skoða fyrst með því að raða frambjóðendum eftir líkindum. Í heildina hjálpar það þér að taka skýrari og rekjanlegar ákvarðanir um hvort tvær örlítið mismunandi stafsetningar vísi til sama aðila.
External Resource
https://cross-service-solutions.com/
If you know of a tool or approach that could help people solve a problem we haven't covered yet, we'd love to hear about it.