La resolución de entidades explicable muestra exactamente por qué se han vinculado o se han mantenido separados dos registros: puntuaciones de similitud campo por campo, ponderaciones de los algoritmos, decisiones sobre umbrales y un registro de auditoría con marca de tiempo. Sin esa transparencia, una revisión de gobernanza de datos o de cumplimiento normativo se convierte en una cuestión de conjeturas. Con ella, cada decisión de coincidencia puede analizarse, corregirse y defenderse. Esta guía explica cómo funciona la explicabilidad dentro de un proceso de resolución de entidades en producción y qué se necesita para crear uno que satisfaga tanto a los ingenieros como a los auditores.
¿Quieres ver cómo funciona la correspondencia explicable? Empieza una prueba gratuita de Match Data Pro y ejecuta tu primera tarea de resolución de entidades auditable en cuestión de minutos, sin necesidad de contrato.
Por qué es importante la explicabilidad en la resolución de entidades
La resolución de entidades identifica los registros que representan a la misma entidad del mundo real en distintos sistemas. Un hospital puede tener al mismo paciente registrado como «Robert Johnson, fecha de nacimiento: 12/04/1978» en su historia clínica electrónica y como «Rob Johnson, fecha de nacimiento: 12-04-78» en su plataforma de facturación. Un motor de coincidencia estándar vincula ambos registros. Pero , ¿qué ocurre si un revisor pregunta: por qué se fusionaron esos registros y en qué se basó esa decisión?
Sin explicabilidad, la respuesta es una «caja negra». El sistema las ha emparejado. Eso es todo lo que se puede decir. Eso no es suficiente para:
- Auditoría normativa. El RGPD, la HIPAA y la normativa sobre conducta financiera exigen cada vez más que las decisiones automatizadas que afectan a las personas puedan explicarse y ser objeto de recurso.
- Revisión por parte de los responsables de datos. Los responsables deben comprender los casos dudosos antes de aprobar la creación del registro de referencia.
- Ajuste del modelo. Los ingenieros solo pueden mejorar los umbrales de coincidencia si pueden ver exactamente qué campos han provocado falsos positivos o han dado lugar a coincidencias no detectadas.
- Confianza en las fases posteriores. Los equipos de análisis solo confían en un registro maestro de clientes cuando comprenden cómo se ha elaborado.
La explicabilidad no es una función de generación de informes añadida a posteriori. Es un requisito de diseño del propio proceso de cotejo, desde la elaboración de perfiles de datos de IA hasta la puntuación, la revisión y la generación del registro de referencia.
La anatomía de una decisión explicable sobre un partido
Cada decisión de resolución de entidades consta de tres niveles que deben ser visibles para que la decisión sea explicable.
Capa 1: Puntuaciones de similitud a nivel de campo
El motor de coincidencia compara los campos individuales y asigna una puntuación a cada uno de ellos. Consideremos dos registros candidatos:
| Campo | Registro A | Disco B | Algoritmo | Puntuación |
|---|---|---|---|---|
| Nombre | Robert | Rob | Jaro-Winkler | 0.91 |
| Apellido | Johnson | Johnson | Exacto | 1.00 |
| Fecha de nacimiento | 12/04/1978 | 12-04-78 | Fecha normalizada | 1.00 |
| Línea 1 de la dirección | Calle Oak, 14 | Calle Oak, 14 | Índice de clasificación de fichas | 0.94 |
| Teléfono | 555-0142 | (555) 014-2 | Normalización de dígitos | 1.00 |
Cada puntuación indica al ingeniero exactamente en qué aspectos la coincidencia es sólida y en cuáles es ambigua. Una puntuación de 0,91 en el nombre de pila es alta: «Robert» y «Rob» comparten la misma raíz. Pero si la puntuación del nombre de pila es de 0,55 (por ejemplo, «Robert» frente a «Roger»), ese campo se convierte en un indicio en contra de la coincidencia, y no a favor de ella.
Nivel 2: Puntuación compuesta ponderada
Las puntuaciones de los campos se combinan utilizando ponderaciones configurables. Una coincidencia en el apellido puede suponer el 30 % de la puntuación compuesta; una coincidencia en la fecha de nacimiento, el 25 %; el nombre, el 20 %; la dirección, el 15 %; y el teléfono, el 10 %. La suma ponderada da como resultado la puntuación final de coincidencia —por ejemplo, 0,97 sobre 1,00 en el ejemplo anterior—. Los algoritmos de puntuación de las reglas de coincidencia que generan esta puntuación compuesta deben documentarse y someterse a control de versiones, de modo que los cambios en los umbrales puedan atribuirse a modificaciones específicas de la configuración.
Capa 3: Enrutamiento por umbral y toma de decisiones
La puntuación global se compara con los umbrales:
- Banda de enlace automático (p. ej., puntuación ≥ 0,92): los registros se vinculan automáticamente. No se requiere intervención humana.
- Rango de revisión (p. ej., 0,75 – 0,91): los registros pasan a una cola de revisión manual. El revisor ve las puntuaciones por campos, no solo la puntuación global, y toma la decisión final.
- Auto-reject band (e.g., score < 0.75): records are kept separate. The rejection reason is logged.
Cada decisión de enrutamiento —enlace automático, revisión, rechazo— debe registrarse junto con la puntuación, el umbral activo en ese momento y la marca de tiempo. Así es como se crea un registro auditable. Para obtener información más detallada sobre cómo están estructurados estos algoritmos, consulta la guía sobre la correspondencia difusa de datos y la resolución de entidades.
El proceso de resolución de entidades explicable
A continuación se muestra el proceso integral que ejecuta Match Data Pro para los trabajos de resolución de entidades de Senzing con explicación. Cada etapa introduce metadatos estructurados en el registro de auditoría.
Fase 1: Elaboración de perfiles
Antes de que comience cualquier proceso de comparación, el análisis de perfiles de datos mediante IA identifica el grado de completitud de los campos, los patrones de formato y las anomalías. Un campo con un 40 % de valores nulos es una señal de coincidencia débil; ese contexto debe tenerse en cuenta para que el revisor comprenda por qué un campo concreto ha contribuido tan poco a la puntuación global.
Fase 2: Limpieza y estandarización
Los formatos inconsistentes —fechas como «04/12/78» frente a «12 de abril de 1978», números de teléfono como «5550142» frente a «+1-555-0142»— aumentan el número de falsos negativos si no se normalizan antes de la comparación. Antes de la puntuación, es necesario aplicar procesos de limpieza y estandarización de los datos. Las transformaciones aplicadas a cada campo se registran para que los revisores puedan ver los valores previos y posteriores a la normalización uno al lado del otro.
Etapa 3: Bloqueo
El bloqueo divide el conjunto de datos en pares candidatos para su comparación. Entre las claves de bloqueo más habituales se encuentran los tres primeros caracteres del apellido más el año de nacimiento, o el código postal más los dos primeros caracteres del nombre de la calle. La clave de bloqueo utilizada para cada par se almacena en el registro de auditoría. Si se pasa por alto una coincidencia, un ingeniero puede comprobar si los dos registros eran siquiera candidatos, una pregunta de diagnóstico habitual durante las revisiones posteriores a la ejecución.
Etapa 4: Coincidencia aproximada y puntuación
Cada par de candidatos se puntúa en los campos configurados utilizando los algoritmos de coincidencia difusa seleccionados: Levenshtein, Jaro-Winkler, fonéticos (Soundex, Metaphone), ordenación por tokens y comparaciones de rangos numéricos para campos como los tramos de ingresos o los códigos postales. El resultado es un objeto de puntuación estructurado, no un único número, de modo que se pueda ver la contribución de cada campo.
Etapa 5: Revisión y registro de la decisión
Los registros de la banda de revisión aparecen en una interfaz del moderador en la que se muestran ambos registros uno al lado del otro, con las puntuaciones de cada campo resaltadas. Una puntuación de 0,55 en el nombre aparece marcada en ámbar; una de 0,91, en verde. El revisor acepta o rechaza la coincidencia, pudiendo añadir una nota si lo desea. Esa decisión —junto con la identidad del revisor, la marca de tiempo y la puntuación en el momento de la decisión— se registra en el registro de auditoría.
Etapa 6: Creación del disco de oro
Las coincidencias aceptadas generan un registro de referencia mediante las reglas de supervivencia y la lógica de creación del registro de referencia: para cada campo, el sistema selecciona el valor más completo, más reciente o más fiable de entre los registros coincidentes. La decisión de supervivencia para cada campo también se registra, de modo que el registro de referencia se puede rastrear hasta sus registros de origen, campo por campo.
Qué debe incluir el registro de auditoría
Un registro de auditoría que cumpla con los requisitos de cumplimiento normativo y gobernanza debe incluir, como mínimo:
- Registrar los ID de los pares: los ID del sistema de origen correspondientes a ambos registros en cada comparación.
- Puntuaciones de similitud por campo: algoritmo utilizado, valor prenormalizado, valor posnormalizado, puntuación.
- Puntuación compuesta: suma ponderada y las ponderaciones de los campos activas en el momento de la ejecución.
- Rango de umbral en el momento de la decisión: valores de umbral utilizados para la vinculación automática, la revisión o el rechazo.
- Resultado del procesamiento: vinculado automáticamente, enviado para revisión, rechazado automáticamente.
- Registro de la revisión manual (si procede): identidad del revisor, decisión, notas y marca de tiempo.
- Registro de supervivencia del «Golden Record »: qué registro de origen proporcionó cada campo de la salida.
- Versión de configuración: la versión de la definición del partido que está vigente, de modo que las decisiones históricas puedan reproducirse siguiendo las mismas reglas.
Estos datos deberían poder consultarse. Un responsable de cumplimiento normativo que pregunte «muéstrame todos los registros vinculados al ID de paciente 88342 y las pruebas de cada vínculo» debería obtener una respuesta estructurada en cuestión de segundos, y no tener que realizar un ejercicio de extracción manual de datos.
Modos habituales de fallo en la explicabilidad
La mayoría de las implementaciones de resolución de entidades fallan en lo que respecta a la explicabilidad de formas predecibles.
Solo puntuación compuesta única
Almacenar únicamente la puntuación global —0,87— no aporta al revisor ninguna información sobre qué campos han determinado el resultado. ¿Se trataba de una coincidencia sólida del nombre con una coincidencia débil de la dirección? ¿O de una coincidencia perfecta de la dirección con un nombre ambiguo? La puntuación global por sí sola no puede responder a eso. Guarda siempre el objeto completo de puntuaciones por campos.
No hay instantánea previa a la normalización
Si el registro de auditoría solo muestra valores normalizados, el revisor no puede comprobar si los datos originales se han analizado correctamente. Almacena tanto el valor de entrada sin procesar como el valor normalizado de cada campo en cada comparación.
Desviación en la configuración sin control de versiones
Los cambios en los umbrales realizados sin control de versiones hacen que las decisiones tomadas hace seis meses no puedan reproducirse ni entenderse hoy en día. Etiqueta cada ejecución de comparación con la versión de configuración que la generó.
No se han registrado las decisiones tomadas tras la revisión humana
Si un moderador aprueba manualmente una coincidencia dudosa, pero el sistema solo registra el estado final de la vinculación —y no la decisión humana—, no hay forma de distinguir las vinculaciones automatizadas por la máquina de las aprobadas por personas. Estas dos categorías presentan perfiles de riesgo y responsabilidad distintos, por lo que deben registrarse por separado.
Cómo Match Data Pro ofrece una resolución de entidades explicable
Match Data Pro está diseñado para realizar una comparación y fusión de datos auditables de principio a fin. Cada tarea registra las puntuaciones a nivel de campo, las selecciones de algoritmos, el enrutamiento por umbrales y las decisiones de revisión humana en un registro estructurado que se puede exportar o consultar.
- Definiciones de coincidencias configurables. Los ingenieros establecen las ponderaciones de los campos, eligen los algoritmos para cada campo y definen los rangos de enlace automático, revisión y rechazo. Cada cambio de configuración se registra en una versión.
- Interfaz de usuario para la revisión comparativa. Los pares «borderline» muestran los valores brutos y normalizados con puntuaciones de los campos codificadas por colores, de modo que los revisores tomen decisiones fundamentadas en lugar de basarse en conjeturas.
- Exportación completa de la auditoría. Los registros de auditoría de los trabajos se exportan a formato CSV o JSON para los equipos de cumplimiento normativo, incluyendo en un único archivo los ID de los pares de registros, las puntuaciones, las ponderaciones, los umbrales y las decisiones de los revisores.
- Integración con Senzing. Para la resolución de entidades complejas en múltiples sistemas de origen, Match Data Pro integra el motor probabilístico de Senzing, al tiempo que enmarca cada decisión de resolución en el mismo marco de explicabilidad y auditoría.
- Automatización de tareas. Las tareas de comparación programadas se ejecutan con una periodicidad definida, y cada una de ellas lleva asociada la versión de configuración y un identificador de tarea que sirve de referencia para cada registro de auditoría.
Match Data Pro es una plataforma SaaS en la nube: sin necesidad de aprovisionar infraestructura ni de firmar contratos a largo plazo. Empieza hoy mismo una prueba gratuita y ejecuta tu primera tarea de resolución de entidades explicable. O bien, programa una demostración para ver el registro de auditoría y la interfaz de revisión en una sesión en directo.
Preguntas frecuentes
¿Qué es la resolución explicable de entidades?
La resolución explicable de entidades es un enfoque para la vinculación de registros en el que cada decisión de coincidencia o no coincidencia va acompañada de puntuaciones de similitud a nivel de campo, detalles del algoritmo, ponderaciones compuestas, lógica de umbrales y un registro de auditoría completo. Esto permite a los ingenieros de datos, a los responsables de la gestión de datos y a los equipos de cumplimiento normativo inspeccionar, verificar y cuestionar cualquier decisión individual que tome el sistema.
¿Por qué les preocupa a las autoridades reguladoras la explicabilidad en la comparación de datos?
La normativa, incluido el artículo 22 del RGPD y los marcos de conducta financiera, exige que las decisiones automatizadas que afecten a las personas puedan explicarse y ser objeto de recurso. Las decisiones de resolución de entidades —que vinculan historiales de pacientes, cuentas de clientes o identidades financieras— pueden afectar directamente a las personas. Un sistema explicable proporciona el rastro de pruebas necesario para dar respuesta a una investigación regulatoria o a una solicitud de acceso de los interesados dentro de los plazos de respuesta exigidos.
¿Cuál es la diferencia entre una puntuación de coincidencia y una puntuación de coincidencia explicable?
Una puntuación de coincidencia es un único número compuesto —por ejemplo, 0,87— que resume el grado de similitud entre los registros. Una puntuación de coincidencia explicable desglosa ese número compuesto en sus componentes: la puntuación de similitud de cada campo, el algoritmo utilizado, la ponderación aplicada y los valores normalizados comparados. El número compuesto por sí solo indica que se ha encontrado una coincidencia; la puntuación explicable explica por qué y con qué nivel de confianza en cada dimensión.
¿Cómo debería diseñarse la cola de revisión manual para facilitar la explicabilidad?
La interfaz de revisión debe mostrar, en paralelo, los valores de los campos sin procesar y normalizados de ambos registros; codificar por colores las puntuaciones a nivel de campo (verde para alta confianza, ámbar para dudosa y rojo para baja); mostrar la puntuación global y el umbral activo; y registrar la decisión del revisor y la fecha y hora. Cada decisión de revisión, ya sea de aceptación o de rechazo, debe registrarse en el registro de auditoría junto con el ID de usuario del revisor, de modo que la decisión sea atribuible.
¿Puede la resolución de entidades explicable funcionar a gran escala sin ralentizar el proceso?
Sí. Los objetos «field-score» son pequeños registros estructurados —normalmente de menos de 2 KB por par— y su escritura en un registro de solo adición añade una latencia insignificante a la fase de comparación. El coste en rendimiento de la explicabilidad proviene del volumen de almacenamiento, no del procesamiento. Para un trabajo en el que se comparan 50 millones de pares, el registro de auditoría puede alcanzar entre 80 y 100 GB, por lo que la retención del registro y la indexación de consultas deben formar parte del diseño de la arquitectura desde el principio.