본문으로 건너뛰기
인터페이스 언어: 한국어
감사 / Signal

AI가 레코드를 연결할 때: 서로 다른 고객을 한 사람으로 합치지 않으려면

AI 지원 레코드 연결을 평가할 때 잘못된 병합, 놓친 중복, 그룹, 필드 출처와 복구 가능성을 확인합니다.

본문 언어: 한국어

한 사람이 펼쳐진 입체 지도와 그릇 옆에서 밝은 색 칸막이에 손을 대고 있습니다.
목차

데이터베이스에 안나 노바크가 두 명 있습니다. 이메일 주소가 비슷하고 같은 회사 도메인을 쓰며 같은 행사를 위해 물품을 주문했습니다. 시스템은 병합을 제안합니다. 담당자는 비슷한 두 행을 보고 “승인”을 누르지만, 나중에 한 안나는 행사 주최자이고 다른 안나는 공급업체 담당자라는 사실을 알게 됩니다. 성이 같다고 업무 폴더까지 하나여야 하는 것은 아닙니다.

AI를 이용한 레코드 연결은 혼란을 정리할 수 있지만 존재하지 않는 사람에 대해 매우 일관된 기록을 만들 수도 있습니다. 비슷한 레코드를 찾는 일이 곧바로 동일 인물이라는 판단으로 이어질 때 문제가 시작됩니다. 점검에서는 두 단계를 구분하고 병합 뒤 데이터에 어떤 일이 일어나는지도 살펴봐야 합니다.

이런 과정은 통제된 합성 데이터베이스에서 평가하기 가장 쉽습니다. 준비할 때 각 사람에게 배정된 역할과 이력을 중심으로 합성 데이터의 관계와 사건의 일관성 (폴란드어)을 확인하세요. 실제 고객 관계를 노출하지 않고 동명이인, 공유 메일함과 변경된 이름을 의도적으로 넣을 수 있습니다. 기대 결과를 미리 알 수 있으므로 잘못된 연결과 놓친 중복을 모두 확인할 수 있습니다.

먼저 레코드가 무엇을 나타내는지 정하세요

한 행은 사람, 회사, 지점, 배송 장소 또는 사람과 조직 사이의 관계를 나타낼 수 있습니다. 같은 사람의 레코드 두 개라도 서로 다른 역할을 저장한다면 언제나 한 행이 되어야 하는 것은 아닙니다. 매칭 방식을 평가하기 전에 데이터베이스의 단위와 단위 사이에 허용되는 관계를 기록하세요.

가상의 연락처 목록에서 안나는 회사 직원이면서 특정 주문의 담당자로 등장할 수 있습니다. 직장을 바꿨다고 해서 예전 주문에 새 회사를 배정해야 하는 것은 아닙니다. 데이터 모델이 사람과 관계를 구분하지 않는다면 병합 도구가 성을 정확히 추측하는 것만으로 그 모호함을 해결할 수 없습니다.

조직에도 비슷한 문제가 있습니다. 브랜드, 주체, 지점은 이름의 일부를 공유하면서도 과정에서 다른 역할을 할 수 있습니다. 이름이 더 길다고 짧은 이름의 더 완전한 형태라고 자동으로 가정하지 마세요. 평가자에게는 데이터베이스의 사용 목적에 맞는 동일성 기준이 필요합니다.

CRM으로 옮기기 전 기업 데이터베이스의 중복 제거 (폴란드어)에서는 필드를 정리하는 것이 데이터 준비의 일부입니다. 여기서 특히 중요한 순간은 도구가 연결을 제안하고 시스템이 두 출처를 하나의 객체로 취급하기 시작할 때입니다. 이 순간에는 별도의 점검과 결정 기록이 필요합니다.

이 단계에서 가능한 결과 세 가지를 적어 보세요. 같은 객체, 서로 다른 객체, 판단할 근거 부족입니다. 마지막 답도 필요합니다. 애플리케이션이 항상 “예” 또는 “아니요”만 요구하면 일부 불확실한 사례는 인터페이스에 다른 경로가 없다는 이유만으로 한 범주에 들어갑니다.

검토 후보는 병합 지시가 아닙니다

OpenRefine의 셀 클러스터링 설명(영어)은 비슷한 텍스트 값을 묶고 사용자가 제안된 변경을 승인하는 과정을 설명합니다. 여기서 표기 유사성은 값을 정리하는 데 쓰입니다. 비슷한 이름을 찾았다는 사실만으로 사람이나 조직이 동일하다고 확정할 수 없습니다.

자체 과정을 두 단계로 평가하세요. 먼저 확인할 가치가 있는 쌍을 찾는지 봅니다. 다음으로 판단 규칙이 중복과 헷갈리게 비슷한 대상을 구분하는지 살펴봅니다. 후보를 잘 고르는 것과 자동 병합이 지나치게 과감한 것은 동시에 존재할 수 있습니다. 하나의 전체 “정확도” 점수는 이 차이를 가립니다.

쉬운 쌍과 어려운 쌍을 준비하세요. 같은 합성 인물의 성에 오타가 있거나 예전 주소가 남아 있거나 번호의 공백 표기가 다를 수 있습니다. 다른 사람끼리 이름과 성, 대표 전화번호 또는 부서 메일함을 공유할 수도 있습니다. 도구를 실행하기 전에 각 쌍의 기대 결과와 그 이유를 기록해야 합니다.

공유 메일함을 여러 개의 독립적인 증거로 취급하지 마세요. 도메인, 조직 이름과 사무실 주소는 같은 회사와의 연결을 각각 설명할 수 있습니다. 팀이 신호가 무엇을 뜻하는지 이해하는지 보고서에 보여 주세요. 모든 유사성이 한 가지 공통 특성에서 나오는 바로 그 지점에서 점수를 기계적으로 합산한 결과가 설득력 있어 보일 수 있습니다.

시간에 따른 데이터 변경 사례도 넣으세요. 예전 주소와 새 주소가 같은 사람의 것일 수도 있지만, 직무용 메일함을 차례로 사용한 서로 다른 두 사람의 것일 수도 있습니다. 이를 평가하려면 날짜와 필드 출처가 필요합니다. 이력 없이 이전 값을 새 값으로 덮으면 나중에 오류를 설명하기 어렵습니다.

사진을 이용한 상품 검색 (폴란드어)에서는 비슷한 외형과 같은 모델을 구분합니다. 레코드에서 비슷한 이름도 이와 같은 보조 역할을 합니다. 검토 화면에는 유사도 백분율만이 아니라 판단에 필요한 일치점, 차이점과 데이터 출처를 보여 줘야 합니다.

두 방향의 오류를 모두 세세요

잘못된 연결은 서로 다른 객체를 합치는 것입니다. 놓친 중복은 같은 객체의 기록을 따로 남기는 것입니다. 결과는 다릅니다. 전자는 업무 이력을 섞을 수 있고, 후자는 중복 연락을 계속 남길 수 있습니다. 스프레드시트를 정리하기 편한지만으로 두 오류의 상대적 중요성을 정하지 마세요.

Splink의 평가 문서(영어)는 선택한 임계값에서 라벨이 붙은 예시를 기준으로 잘못된 매칭과 놓친 연결을 확인하는 방법을 설명합니다. 알려진 결과와 명시적인 판단 경계가 필요하다는 유용한 참고점입니다. 생성된 그룹의 수만으로는 품질을 측정할 수 없습니다.

합성 표본에서 연결해야 할 쌍과 따로 유지해야 할 쌍의 수를 보여 주세요. 그 옆에 도구의 결과를 기록합니다. 임계값을 바꾼다면 같은 사례와 두 종류의 오류를 비교하세요. 잘못 합쳐진 고객이 늘어난다면 중복 수가 줄었다는 사실만으로는 충분하지 않습니다.

Aeneia 콘셉트 사진

입력 순서를 섞은 뒤에도 표본을 시험하세요. 같은 합성 레코드 그룹에서 최종 선택된 데이터가 달라진다면 이유를 확인합니다. 규칙이 처음 만난 항목을 유지할 수도 있습니다. 의도된 설정일 수 있지만, 이를 인물 인식의 품질로 돌리는 대신 이름 붙여 과제에 맞게 평가해야 합니다.

사람이 직접 판단할 그룹을 따로 두고 그 크기도 확인하세요. 솔루션이 거의 모든 사례를 사람에게 보내 자동 오류를 피할 수도 있습니다. 반드시 나쁜 결정은 아니지만 실제 작업량을 계산해야 합니다. 한 사례를 검토하는 시간과 평가자에게 부족했던 데이터를 기록하세요.

AI 행동에 대한 사람의 승인 (폴란드어)에서는 승인 버튼이 있다는 사실만으로 의미 있는 통제가 보장되지 않습니다. 병합 전에 어떤 필드가 남는지, 어떤 연결이 레코드로 옮겨지는지, 두 출처의 이력이 계속 보이는지 결과를 보여 주세요. 그렇지 않으면 담당자는 결과가 아니라 작업 이름을 승인합니다.

제안 거절도 시험하세요. 두 안나를 다른 사람으로 표시한 직후 도구가 같은 쌍을 다시 제안하나요? 결정에 이유와 적용 범위가 있나요? 특정 연결을 거절했다고 해서 다른 곳에 있는 한 사람의 실제 중복을 확인하는 것까지 막아서는 안 됩니다.

개별 요소가 사라지기 전에 그룹을 확인하세요

쌍만으로는 전체 그룹을 설명할 수 없습니다. 레코드 A와 B는 같은 전화번호로 비슷하고 B와 C는 성으로 비슷할 수 있습니다. 그렇다고 A와 C가 자동으로 같은 사람을 뜻하지는 않습니다. 이런 연결 사슬을 시험에 넣고 최종 그룹을 확인하세요. 개별 제안만 평가할 때 보이지 않는 영향을 찾을 수 있습니다.

병합 후 값을 선택하는 규칙을 따라가 보세요. 어떤 주소가 기본이 되는지, 빈 필드는 어떻게 되는지, 모순을 어떻게 해결하는지 확인합니다. 한 출처는 어제 자동 갱신됐고 다른 출처에는 일주일 전 확인한 정보가 있다면 “더 최근 레코드”만으로는 완전한 규칙이 아닙니다. 필드에 맞는 선택 근거가 필요합니다.

입력 레코드의 식별자와 가져온 값의 출처를 보존하세요. 그러면 특정 연락처에 전화번호가 들어간 이유를 추적할 수 있습니다. 데이터베이스 전체를 보고서에 복사하라는 뜻은 아닙니다. 점검에 쓰는 데이터 범위는 과제에 맞아야 하며 AI 데이터 흐름 기록 (폴란드어)과 연결해 생각할 수 있습니다.

병합 대상 필드에 값이 충돌하는 사례와 값이 없는 사례를 각각 하나 이상 보여 주세요. 빈 셀에 번호를 추가하는 것과 기존 번호를 대체하는 것은 다르게 평가해야 합니다. 보고서가 두 작업을 모두 “연락처 보완”으로 묶으면 올바른 값 일부가 덮였다는 사실을 알아보기 어렵습니다. 변경 미리 보기에서 추가, 대체, 변경 없음을 구분하세요.

병합 후에는 시스템에 존재한다면 관련 객체인 업무, 주문, 배정된 역할도 열어 보세요. 연락처 행은 올바르게 보여도 예전 주문에 잘못된 조직이 배정됐을 수 있습니다. 행만 수용하면 애초에 데이터베이스를 정리하는 이유가 된 영향을 놓칩니다.

원본 레코드 하나를 다시 가져와 보세요. 시스템이 기존 연결을 알아보는지, 새 고객을 만들고 처음부터 다시 병합하는지 확인합니다. 이 사례는 한 번의 파일 정리와 데이터가 계속 유입되는 과정을 구분합니다. 연결 기록은 다음 데이터 유입 때도 도움이 되어야 합니다.

다대일 관계에서는 모든 원본 식별자가 여전히 올바른 객체를 가리키는지 확인하세요. 가상의 안나에게 서로 다른 시스템의 유효한 기록 세 개가 있을 수 있습니다. 두 개를 연결하고 세 번째를 알아볼 수 있는 관계 없이 남겨 두었다면 작업은 끝나지 않았습니다. 동시에 보기 좋은 하나의 그룹을 만들려고 다른 안나의 비슷한 기록을 넣어서도 안 됩니다.

잘못된 그룹을 통제된 방식으로 분리해 보세요. 원본 레코드와 배정을 복원할 수 있나요? 병합 후 추가한 데이터는 어떻게 되나요? 도구에 간단한 실행 취소가 없다면 과정을 실행하기 전에 복구 방법과 자동 변경 범위를 정해야 합니다. 입력 사본은 도움이 되지만 나중에 추가된 메모가 누구의 것인지는 그것만으로 결정되지 않습니다.

Aeneia Audit의 운영 검토는 합성 표본, 규칙 설명과 최종 그룹 화면에서 시작할 수 있습니다. 정리 작업이 실제 연락처 이력을 바꾸기 전에 과정의 논리를 시험할 수 있습니다.

정리한 데이터베이스의 사용도 확인하세요

데이터베이스를 집계 분석에 사용한다면 병합 뒤 결과를 살펴보세요. 잘못된 연결은 고객 수, 답변 수 또는 한 업무와 관련된 연락 수를 바꿀 수 있습니다. 설문의 주관식 답변 분석 (폴란드어)에서는 특히 발언, 사람, 사건 중 무엇을 세는지 알아야 합니다. “중복 제거 완료”라는 말은 그 정의를 대신하지 못합니다.

마지막으로 자동 병합을 허용하지 않은 범위도 기록하세요. 공유 부서 메일함이나 원본 식별자가 없는 레코드가 해당할 수 있습니다. 과정 책임자는 쉬운 쌍에서 좋은 결과가 나왔다고 전체 데이터베이스가 준비됐다고 추론하지 말고 어디에 별도 점검이 여전히 필요한지 알아야 합니다.

어떤 변화가 표본의 재검사를 촉발하는지 정하세요. 새로운 출처 유형, 바뀐 필드 선택 규칙, 다른 그룹 생성 방식이 그 예입니다. 남은 행 수를 비교하는 것만으로는 충분하지 않습니다. 어려운 쌍과 연결 사슬로 돌아가 판단을 살펴보고 복구 가능성을 확인하세요.

마지막으로 데이터베이스 사용자에게 두 합성 안나를 찾아 각각의 최근 업무를 설명해 달라고 요청하세요. 출처, 역할과 기록을 연결하거나 분리한 이유를 재구성할 수 있다면 정리 작업은 유용한 결과를 낳은 것입니다. 행이 줄어든 것은 이해 가능한 결정의 결과이고, 두 안나에게는 각각의 연락 이력이 남습니다.

Aeneia / Aeneia 편집부

편집부의 글입니다. 본문에 출처 링크가 있습니다.

Aeneia 소개

함께한 브랜드

  • L’Oréal
  • Garnier
  • Netflix
  • Carrefour
  • Warner Bros. Discovery
  • Biedronka
  • HBO Max
  • Wolt
  • Żabka
  • COSRX
  • 주폴란드 중국대사관
  • Mixa
Aeneia / Initium

지식에서 결정으로

정리하고 싶은 과제를 알려 주세요. 어디서 시작할지 함께 정합니다.

Aeneia에 문의하기

파트너의 솔루션을 활용합니다

  • Google
  • OpenAI
  • Microsoft
  • Stripe
  • Anthropic
  • Linear