Identitätsauflösung

Identitätsauflösung bezeichnet den Prozess, bei dem mehrere Datensätze oder Identifikatoren, die dasselbe reale Subjekt betreffen, erkannt und zu einem einheitlichen Profil zusammengeführt werden, über verschiedene Systeme, Datenquellen und Kanäle hinweg. Ziel ist eine konsolidierte Sicht auf Personen oder Organisationen, um Analytik, Personalisierung oder Risikoüberwachung zu unterstützen.

Methoden

- deterministische Abgleiche: exakte Übereinstimmungen von Feldern wie Name, Geburtsdatum, Anschrift, Kundennummer oder E-Mail.

- probabilistische Abgleiche: wahrscheinlichkeitbasierte Verknüpfung von Datensätzen, oft mit Bayes-/Fellegi-Sunter-Modellen, ergänzt durch maschinelles Lernen.

- maschinelle Lern- und Graph-basierte Ansätze: Modelle zur Mustererkennung und zur Strukturierung von Identitäten in Identitätsgraphen.

Datenquellen und Output

Zu den typischen Datenquellen zählen interne Kundendatenbanken, CRM-Systeme, Transaktionsdaten, Log- und Webdaten sowie öffentlich zugängliche oder kooperierende Quellen. Das Ergebnis ist oft ein Identitätsgraph oder ein kanonisches Profil, das Beziehungen und Zuordnungen zwischen Datensätzen abbildet.

Anwendungsfelder

Anwendungen umfassen Customer-360-Ansätze, Betrugserkennung, Risikomanagement, personalisiertes Marketing und medizinisches Patientenmatching im Gesundheitswesen.

Herausforderungen und Rechtsrahmen

Wichtige Herausforderungen sind Datenqualität, Dubletten, Inkonsistenzen und veraltete Informationen. Datenschutz und Compliance – insbesondere DSGVO – verlangen Rechtsgrundlagen, Zweckbindung, Transparenz, Datenminimierung und angemessene Sicherheitsmaßnahmen. Governance, Datenverantwortung und Auditierbarkeit sind zentral.

---