पासपोर्ट में संख्याओं की "समानता" की गणना कैसे करें। और टाइपो के साथ भी ऐसा ही खोजें

HFLabs उत्पादों को संघीय कंपनियों के डेटाबेस में नकली ग्राहकों की तलाश है। समान ग्राहक कार्ड खोजने का सबसे स्पष्ट तरीका पासपोर्ट या अन्य पहचान दस्तावेजों की तुलना करना है।

पहले, हमने दस्तावेजों की संख्या की कड़ाई से तुलना की थी: वही - उत्कृष्ट, नहीं - खेद। मैनुअल विश्लेषण के लिए, कमरे में एक टाइपो की वजह से, यहां तक ​​कि उन कार्डों पर भी, जिनके नाम और पते समान थे। इस दृष्टिकोण ने अनावश्यक रूप से ग्राहक कर्मचारियों पर बोझ डाला।

इसलिए, हम डेटा में चढ़ गए, आंकड़ों की जांच की और मानदंडों को काट दिया - जब विभिन्न संख्याएं वास्तव में भिन्न होती हैं, और जब यह टाइपोस की बात आती है। मैं आपको बताता हूं कि एल्गोरिथ्म कैसे काम करता है।

"समानता" संख्या के गुणांक का परिचय दिया

पासपोर्ट और अन्य दस्तावेजों की संख्या को "मैच नहीं-मैच" में विभाजित करने के लिए बहुत कठोर है। आप बारीक कार्य कर सकते हैं और सरल गलतियों को पकड़ सकते हैं।

मान लीजिए कि डुप्लिकेट (DUL - पहचान दस्तावेज़) खोजने के लिए कंपनी के निम्नलिखित नियम हैं:

• "नाम, पता और डीयूएल पूरी तरह से मेल खाता है" - दोहराव कारक - 100;
• "पूरा नाम और पूरा नाम" - 97;
• "नाम और पता पूरी तरह से मेल खाता है" - 95
• "नाम पूरी तरह से मेल खाते हैं" - 80।

स्वचालन 97 से अधिक के अनुपात के साथ कार्ड को जोड़ती है। किसी दिन बाकी को विशेष लोगों द्वारा अलग किया जाएगा - डेटा स्टूवर्स। अगर आप भाग्यशाली हैं और बारी आती है।

परिणाम - मैनुअल विश्लेषण के लिए कतार में काफी स्पष्ट डुप्लिकेट हैं। यहां तक ​​कि पासपोर्ट नंबर के रूप में एक ही नाम और पते वाले कार्ड एक सामान्य टाइपो द्वारा प्रतिष्ठित होते हैं। जैसा कि 4 6 01 859473 और 4 5 01 859473 (चाबियाँ 6 और 5 पास में हैं, वे अक्सर भ्रमित होते हैं।) डेटा स्टूवर्ड सरल टाइपो द्वारा विचलित होते हैं, और वास्तविक डुप्लिकेट को अधिक धीरे-धीरे पता लगाया जाता है।

जो कुछ हो रहा था, उसे देखते हुए, हमने अपने उत्पादों को दस्तावेजों में संख्याओं की "समानता" की गणना करने के लिए सिखाया। ग्राहक पहले से ही स्वचालित डुप्लिकेट विलय के नियमों में नए विकल्प का उपयोग कर रहे हैं।

हम स्पष्ट नियमों के अनुसार "समानता" पर विचार करते हैं

दस्तावेजों की तुलना में, सबसे पहले एल्गोरिथ्म कचरे से संख्या को साफ करता है। केवल अक्षर और संख्याएँ छोड़ता है: A - Z, A - YaE, 0–9। और फिर जादू शुरू होता है, जिसके लिए मैंने यह लेख लिखा था - "समानता" के गुणांक की गणना।

महत्वपूर्ण चेतावनी: बाधाओं की संभावना नहीं है। इस संख्या को एक ही प्रकार की त्रुटियों वाले समूहों में डुप्लिकेट को विभाजित करने के लिए आवश्यक है। इससे कोई फर्क नहीं पड़ता कि पूर्ण मूल्य में "समानता" क्या है - यह संख्याओं की तुलना करने के लिए बस एक पैरामीटर है।

और अब - गणना के नियमों के लिए।

"समानता" को एक पैरामीटर के रूप में लिया जाता है जब हम समान ग्राहकों की तलाश में होते हैं

संघीय बैंक पहले से ही नए नियमों का उपयोग कर रहा है - उनकी मदद से वे संभावित ग्राहकों के बीच डुप्लिकेट की तलाश कर रहे हैं। आगे हम एक बड़े बीमा को जोड़ेंगे।

एकीकरण के दौरान, हम डुप्लिकेट खोज स्क्रिप्ट को समायोजित करते हैं ताकि दस्तावेजों में संख्याओं की "समानता" को ध्यान में रखा जा सके।

डुप्लिकेट खोजने के लिए विशिष्ट नियमों पर वापस जाएं, मैंने उन्हें शुरुआत में वर्णित किया:

• "नाम, पता और डीयूएल पूरी तरह से मेल खाता है" - दोहराव कारक - 100;
• "पूरा नाम और पूरा नाम" - 97;
• "नाम और पता पूरी तरह से मेल खाता है" - 95
• "नाम पूरी तरह से मेल खाते हैं" - 80।

संख्याओं की तुलना के लिए नए नियम लाकर, हम ग्राहक से डुप्लिकेट खोजने के लिए स्क्रिप्ट बदलते हैं:

• "पूरा नाम, पता, DUL" - 100;
• "पूरा नाम, पता, डीयूएल 90 और उससे अधिक के संयोग से" - 98;
• "पूरा नाम और पूरा नाम" - 97;
• "नाम और पता पूरी तरह से मेल खाता है" - 95;
• "नाम पूरी तरह से मेल खाते हैं" - 80।

स्वचालन अभी भी 97 से ऊपर एक गुणांक के साथ "सभी चिपक जाता है"। लेकिन नए आदेशों के साथ, कार्ड जो केवल दस्तावेज़ संख्या में टाइपो में भिन्न नहीं होते हैं, मैनुअल विश्लेषण के लिए दूर नहीं जाएंगे। स्पष्ट रूप से डुप्लिकेट तुरंत ढह जाते हैं, और डेटा स्टूवर्स वास्तव में जटिल मामलों को सुलझाते हैं।

लेख पहली बार HFLabs ब्लॉग पर दिखाई दिया।