Matching de datos: qué es, cómo funciona y por qué decide si dos registros son la misma entidad

El matching de datos es el proceso mediante el cual un sistema de MDM compara registros provenientes de fuentes distintas y decide si dos registros maestros, aunque estén escritos de formas diferentes, representan la misma entidad real: el mismo material, el mismo proveedor, el mismo cliente.

Parece simple hasta que miras dentro de una base de materiales de verdad. "Tornillo allen M6 x 20mm zincado" y "TORN ALLEN M6X20 ZINC" pueden ser el mismo ítem, dado de alta por dos personas distintas, en momentos distintos, sin que ningún sistema avise que ya existía. El matching es la capa que resuelve exactamente este tipo de problema, antes de que se convierta en inventario duplicado, compra repetida o un reporte de gastos que le miente al director de compras.

Ya vi a una empresa comprando el mismo ítem de dos maneras distintas, cada una con su propio código, su propio contrato y su propio historial de precios. Nadie mintió, nadie se equivocó a propósito. Solo faltó un mecanismo capaz de mirar dos registros parecidos y decir: esto es lo mismo.

Cómo funciona el matching en la práctica

Todo motor de matching parte de una pregunta simple: qué atributos uso para comparar un registro con otro. En el maestro de materiales, pueden ser la descripción, la unidad de medida, el fabricante, el código de barras o el NCM (Nomenclatura Común del Mercosur, el código de clasificación fiscal de Brasil). En el maestro de proveedores, pueden ser la razón social, el CNPJ (el número de registro de empresas de Brasil), la dirección y el nombre comercial. Esta combinación de campos usada en la comparación se llama match key.

A partir de ahí existen dos caminos. El matching determinístico compara campos exactos, con reglas fijas: mismo CNPJ, mismo código de fabricante, coincide. Es rápido y predecible, pero se rompe ante la primera diferencia de digitación. El matching probabilístico, también llamado fuzzy matching, calcula un score de similitud entre los registros, considerando pequeñas variaciones de escritura, abreviaturas, orden de las palabras e incluso errores de digitación. Si el score supera un cierto umbral, el sistema marca los dos registros como posible duplicado y los manda a alguien para que los confirme.

Este segundo enfoque es el que resuelve el problema real del maestro de materiales, porque allí no existe una clave única como el CNPJ. Dos analistas describen el mismo tornillo de dos formas distintas y ninguna de las dos está equivocada, solo son diferentes. El motor de matching compara fonética, abreviaturas y estructura del texto para percibir que las dos descripciones apuntan al mismo objeto físico.

Un punto que suele generar confusión: el matching no es lo mismo que la validación de registros. Validar un proveedor es verificar si el CNPJ está activo ante la Receita Federal (la autoridad tributaria de Brasil), si el certificado no venció, si el estado del registro está regular. El matching es otra etapa: después de que el registro existe, decidir si ya se había hecho antes, con otro nombre, por otra persona.

Quién se ocupa del matching dentro de la empresa

El motor de matching corre dentro de la herramienta de MDM, pero la decisión final sobre qué hacer con una coincidencia sospechosa no puede quedar solo en manos de la máquina. Toda implementación madura tiene un flujo de revisión, normalmente conducido por el data steward del dominio, que recibe la lista de probables duplicados y confirma, rechaza o ajusta.

Esto significa que el matching de datos no es solo un proyecto de TI. Compras necesita validar las coincidencias de material porque conoce la especificación técnica. El equipo fiscal participa cuando la coincidencia involucra el NCM o la clasificación tributaria. Supply chain entra cuando el ítem tiene una variación de embalaje o de unidad que parece una diferencia, pero no lo es. La tecnología entrega el motor y el score. La decisión sobre qué significa el score en tu negocio es de quien convive con los registros maestros todos los días.

Lo definí en mi libro Master Data Management: Fundamentos e Aplicações (libro en portugués): una herramienta de MDM sin un dueño del dato definido se vuelve un motor de match corriendo solo, apilando sugerencias que nadie revisa.

Qué herramientas hacen matching de datos maestros

El mercado de MDM tiene soluciones específicas para este proceso, cada una con su forma de calcular la similitud y de presentar el resultado para la revisión humana. SAP Master Data Governance, orientado a quienes ya operan en el entorno SAP, incorpora reglas de matching dentro del propio flujo de aprobación de altas. Informatica MDM tiene uno de los motores de match and merge más usados en grandes implementaciones, con algoritmos configurables por dominio.

Stibo Systems y Reltio también tienen motores de matching maduros, con fuerte foco en producto y en cliente, respectivamente. Semarchy y Profisee traen enfoques más ágiles de configuración, lo que ayuda a las empresas que quieren implementar más rápido sin perder calidad en la comparación. Ataccama, históricamente más ligada a la calidad de datos, también ofrece matching como parte del paquete de limpieza y estandarización de la base.

Ninguna de estas herramientas sustituye la decisión de negocio. Aceleran la comparación y aprenden del historial de confirmaciones, pero el criterio de qué es o no la misma entidad lo sigue definiendo la empresa, en la regla de match configurada.

Qué pasa después del match: survivorship y golden record

Cuando dos o más registros se confirman como la misma entidad, el sistema necesita decidir qué versión de cada campo va a sobrevivir en el registro final, el llamado golden record. Esta decisión sigue reglas de supervivencia, conocidas como survivorship rules.

Una regla común es priorizar el dato más reciente. Otra es priorizar la fuente más confiable, por ejemplo, considerar el CRM como fuente de la verdad para el teléfono de contacto y el ERP como fuente de la verdad para el dato fiscal. También es común usar el campo más completo: entre dos direcciones, gana la que tiene el CEP (el código postal de Brasil) completado.

Un survivorship mal definido crea un golden record peor que los registros originales, porque mezcla el pedazo equivocado de cada fuente. Ya vi un caso de un maestro de proveedores que, después de la fusión automática, quedó con el teléfono de una sucursal y la dirección de otra. Técnicamente era un solo registro. En la práctica era un registro equivocado, solo que con un nombre bonito: golden record.

Cómo aprender matching de datos en la práctica

Quien quiere entender el matching de verdad primero debe dominar los fundamentos de la calidad de datos y del modelado de datos maestros, porque la lógica de comparación solo tiene sentido cuando entiendes la estructura del dominio que estás comparando. Después de eso, vale la pena estudiar a fondo las dimensiones de la calidad de datos, la diferencia entre datos de referencia y datos maestros, y cómo cada herramienta del mercado trata el score de similitud.

La certificación CDMP de DAMA ayuda a organizar ese conocimiento dentro de un cuerpo de conocimiento reconocido internacionalmente, el DAMA DMBOK. No se trata de coleccionar certificados. Se trata de tener el vocabulario correcto para discutir una regla de match con un proveedor de software sin depender solo de lo que el vendedor presenta en la diapositiva.

En la práctica, la forma más rápida de aprender es tomar una base real, con duplicidad conocida, e intentar configurar una regla de match simple: comparar descripción y unidad de medida, por ejemplo, y ver cuántos falsos positivos y falsos negativos genera esa regla. Después ajustar. El matching se aprende ajustando, no leyendo el manual.

Las oportunidades de carrera en matching y MDM

Los profesionales que entienden el matching de datos son buscados en proyectos de implementación de MDM, en migraciones a SAP S/4HANA y en cualquier iniciativa de unificación de registros maestros después de una fusión o adquisición. Es una habilidad que mezcla conocimiento técnico de herramientas con conocimiento de negocio del dominio, y esa combinación es rara.

Data steward, analista de datos maestros y especialista en calidad de datos son los roles que más usan el matching en el día a día. A medida que el profesional evoluciona, esa experiencia se convierte en puerta de entrada a posiciones de arquitecto de MDM y, más adelante, al liderazgo de gobernanza de datos. La demanda de gente que entiende el matching tiende a crecer junto con la adopción de IA en las empresas, porque un modelo de IA entrenado sobre registros duplicados aprende el error junto con el patrón correcto.

Principales dudas sobre el matching de datos

¿El matching de datos es lo mismo que la deduplicación? No exactamente. La deduplicación es el resultado, eliminar o unificar registros duplicados. El matching es la técnica usada para identificar qué registros son candidatos a esa unificación antes de tomar cualquier acción.

¿Cuál es la diferencia entre el matching determinístico y el probabilístico? El determinístico compara campos exactos y solo considera match cuando coincide todo. El probabilístico calcula un score de similitud y acepta variaciones de escritura, abreviaturas y orden de las palabras, señalando como posible match todo lo que supera un umbral definido.

¿El matching de datos sustituye la revisión humana? No. El motor de matching indica candidatos y calcula la probabilidad de que sean la misma entidad. La confirmación final, principalmente en casos de score intermedio, debe pasar por un data steward que conozca el dominio.

¿Toda herramienta de MDM tiene un motor de matching propio? La mayoría de las plataformas relevantes del mercado, como SAP MDG, Informatica, Stibo, Reltio, Semarchy, Profisee y Ataccama, ofrece algún motor de matching nativo. La calidad y la flexibilidad de configuración varían bastante entre ellas.

¿El matching funciona bien para proveedores en Brasil? Para proveedores, el CNPJ ya funciona como clave única en la mayoría de los casos, lo que reduce la necesidad de fuzzy matching. La mayor ganancia del matching en Brasil está en el material, donde no existe una clave única natural y la misma pieza puede describirse de decenas de formas distintas.

MDM Academy

Todo lo que describí aquí, desde la lógica del match key hasta la configuración del survivorship, es el tipo de conocimiento que enseñamos en MDM Academy, la escuela de gobernanza de datos y datos maestros de 4MDG. La Academy nació para formar al profesional que el mercado brasileño busca y no encuentra listo: alguien que entiende la tecnología, pero también entiende el impacto de un registro maestro equivocado en la compra, en la venta y en el cierre financiero.

Los cursos combinan teoría de gobernanza con casos reales de proyectos SAP, compras y supply chain, al ritmo de quien ya vivió el problema en carne propia, no de quien solo leyó sobre él. Quien quiera ir más allá de los cursos puede entrar al Club de los Datos, nuestra comunidad de profesionales de datos maestros y gobernanza, donde el tema del día puede ser exactamente este: por qué el mismo tornillo está dado de alta tres veces en tu ERP.

Vale la pena conocer MDM Academy si quieres salir del lugar común de quien solo se queja del registro maestro malo y pasar a ser la persona que lo resuelve.

Conclusión

El matching de datos es una de esas piezas de bastidores que nadie celebra cuando funciona y todos sienten cuando falla. No aparece en las diapositivas de la dirección, no se vuelve titular, pero decide si tu empresa compra al precio correcto, si el inventario cuadra con la realidad y si la IA que estás implementando va a aprender el patrón correcto o el error repetido.

Cada vez que alguien me pregunta por dónde empezar un proyecto de MDM, respondo lo mismo: antes de comprar la herramienta más cara del mercado, entiende el tamaño de tu duplicidad. El matching es la técnica. La decisión de tomarlo en serio es tuya.

En tu empresa, ¿ya te detuviste a medir cuántas veces el mismo material está dado de alta con nombres distintos?