CRM、订单和售后系统里的两条记录名称接近，是否就能归为同一个客户？答案取决于“客户”究竟指法人、分支机构、账户还是企业集团。本文建议先建立可撤销的身份映射，再决定哪些属性可以汇总；相似度只负责提供证据，不能独自决定客户身份。以下流程为基于公开资料提出的工程建议，不代表壹典已交付项目或实测结果。
先定义要合并的对象，再处理字符串
实体匹配是判断多条记录是否指向同一个现实对象；数据去重则可能进一步减少重复记录。两者不应混成一次不可逆删除。同一集团下两家法人、同一法人下两个销售账户，都可能名称接近却承担不同的财务和业务责任。团队应先写明匹配对象、允许的一对多关系和禁止自动合并的边界。
建议保留来源系统、原记录编号和原始字段，建立“来源记录—目标实体”的独立映射。集团关系、分支关系和共同联系人另存为关系，不能借用同一实体编号表达。这样，发现误判时可以撤销映射，而不会把原订单、合同和联系人一起拆坏。
标准化可以统一空白、标点和字符形式，但不能无条件删除分公司、地区或组织类型等有区分作用的词。原值与标准化值应同时保留，并记录规则版本。标识符完全一致只有在字段含义、有效范围和来源可信度一致时才是强证据；不同系统把账户编号放入同名字段，并不构成跨系统身份依据。
候选召回与最终匹配是两道不同的关口
直接比较所有记录对会迅速增加计算量。Splink 文档将候选生成与后续匹配评分分开：先用阻塞规则缩小比较范围，再对候选对评分。[1] 这里的“阻塞”不是封禁，而是让可能相同的记录进入同一比较集合。
本文建议采用多条规则取并集，例如可信标识符一致，或标准化名称加地区，或名称片段加经核实的联系方式。每条规则都应说明覆盖什么错误模式。电话可能被集团共享，地址可能是园区或代理注册地址，不能把这些字段的一致直接等同于同一法人。缺失值也不能当成双方一致。
如果只比较名称完全相同的记录，再报告候选内部准确率，就看不到名称变更和录入差异造成的漏配。应准备独立确认的同实体记录对，测量其中有多少进入候选集合，这就是候选召回率。这个分母必须来自候选集合之外，否则遗漏在第一关的对象永远不会出现在验收里。
候选召回过低时，应检查漏配样本属于哪类变化，再增加有针对性的规则。无限放宽规则会推高计算和复核成本，并制造更多相似但不同的对象。对极大候选块，可以增加区分字段或单独处理，但要记录因此排除的记录及其复核路径。
分数代表证据强弱，不自动代表真实概率
确定性规则容易解释，但覆盖不充分；概率匹配则可以组合多个字段的证据，并用阈值取舍误配与漏配。[2] 对企业实施而言，更关键的问题是字段提供了多少独立信息：常见名称的一致，与罕见且可信的标识一致，不能获得同样的解释。
建议把字段比较结果与最终分数分开保存。名称编辑距离、地址片段重合、联系方式一致和字段缺失都应可追溯。名称相似度与同一名称的向量相似度高度相关，直接累加可能重复计算同一证据。使用依赖独立性假设的模型时，必须检查这种相关性造成的过度自信。
任何未经校准的相似度都不应展示成“同一客户概率”。即使模型输出概率，也要在独立、具有实际候选分布的样本上检查不同分数区间的真实正确比例。样本来自人工挑选的明显重复项时，不能据此推断整个业务库的效果；来源系统、语言和缺失模式变化后也需要重新检查。
用三段决策保留人工处理空间
本文建议将结果分为自动关联、人工复核和暂不关联三段，而非一次二分类。自动关联要求证据达到本业务容许的误并水平，并且没有硬冲突；中间区间交给具备业务上下文的人；证据不足的记录继续独立存在。暂不关联不等于已经证明二者不同。
两个已核实、作用域相同却不同的实体标识，可以作为阻止自动合并的冲突条件。它并不意味着模型应把所有其他证据改写为零，而是要求先核查标识错误、组织变化或匹配对象定义。复核界面应同时展示支持和反对证据，而不是只展示一个高分和“确认”按钮。
阈值应由误并损失、漏配损失和复核容量共同决定。财务汇总中的错误合并与营销名单中的重复触达，代价结构不同。没有适用于所有企业的统一分数线。复核量超出容量时应积压或缩小自动处理范围，不能为了清空队列而降低证据要求。
记录对正确，不代表整个客户簇正确
以下是构造场景：A 有已核实的实体标识甲，C 有不同的实体标识乙；B 没有标识，但使用集团公共电话，名称又同时接近 A 和 C。若 A—B、B—C 都通过相似度规则，简单按连通关系归组会把 A、B、C 合为一体。两条局部关系并不能消除甲、乙之间的身份冲突。
因此，加入一条关联边之前或生成簇之后，需要检查整个簇的约束：是否包含互斥标识，是否跨越不允许合并的组织层级，是否由一个缺失信息的记录连接起原本清楚不同的群体。对于上述例子，可以保留 B 待复核，并把共同电话作为集团关系线索，而不是强行选择一个法人。
这类检查会增加计算和人工成本，但对会把客户维度回写到多个下游系统的任务尤其重要。只审查高分记录对，容易漏掉由链式连接形成的大簇。建议额外抽查大簇、近期快速增长的簇，以及由单一弱证据桥接的簇。
验收既看错误分母，也看版本能否撤回
英国国家统计局的数据关联政策明确区分匹配率与关联质量，并用精确率和召回率描述不同错误。[3] 本文借用这一质量思路作为工程参考，并非将该机构政策作为企业合规要求。验收应分别报告候选召回、已关联记录对中的正确比例，以及独立确认同实体对中最终被找回的比例。
这些指标之外，还应记录簇级冲突、复核积压和下游影响。抽样要覆盖不同系统、缺失程度和分数区间；若刻意多抽高风险样本，整体比例需按实际总体分布加权，不能直接拿样本平均数宣称生产准确率。金标准有限时，应报告覆盖范围和未判定项，而不是给出过度精确的单一结论。
映射上线后仍会遇到名称变更、补充标识和历史纠错。相关增量处理可结合 CDC 数据产品的版本与回放，但客户身份版本必须单独保留：每次关联、拆分和人工否决都记录输入版本、规则版本、证据和生效范围。回放旧数据时应明确使用当时映射还是修正后的映射，不能悄悄改写历史口径。
最后做一次可撤销演练：选取构造误并，撤销关联并重算受影响的客户指标，确认原始记录仍在、下游依赖可定位、金额等基础事实未因去重丢失。客户数变化可能是合理结果，事实行丢失却不能仅用“去重成功”解释。先在影子映射中验证，再逐步开放下游使用，是成本更高但边界更清楚的实施路径。