¿Qué es un algoritmo de coincidencia aproximada?
Un algoritmo de coincidencia aproximada busca registros, cadenas de caracteres o valores de datos que sean similares, pero no idénticos. En lugar de exigir una coincidencia exacta carácter por carácter, calcula un índice de similitud entre dos valores y devuelve las coincidencias que superan un umbral configurable. Este enfoque —también conocido en el ámbito académico como «coincidencia aproximada de cadenas »— es lo que permite a un sistema reconocer que «Robert Smith», «Rob Smith» y «R. Smyth» son probablemente la misma persona, aunque ninguna de esas cadenas coincida exactamente.
La coincidencia aproximada es una técnica fundamental en la calidad de los datos, la vinculación de registros, la resolución de entidades y la deduplicación, es decir, en cualquier contexto en el que los datos del mundo real sean desordenados, se hayan introducido de forma inconsistente o procedan de múltiples fuentes que nunca se diseñaron para comunicarse entre sí.
Búsqueda aproximada frente a búsqueda exacta
La diferencia es sencilla, pero las implicaciones son importantes.
| Coincidencia exacta | Coincidencia difusa |
|---|---|
| Devuelve un resultado solo si los valores son idénticos | Devuelve los resultados que superan un umbral de similitud |
| «Smith» ≠ «Smyth» → no hay coincidencia | «Smith» frente a «Smyth» → puntuación de 0,91 → coincidencia |
| Rápido y determinista | Más lento, probabilístico |
| Falla en errores ortográficos, abreviaturas y diferencias de formato | Detecta errores ortográficos, abreviaturas y transposiciones |
| Ideal para identificadores estructurados, códigos y códigos de barras | Ideal para nombres, direcciones, nombres de empresas y texto libre |
La coincidencia exacta es la herramienta adecuada cuando los datos están limpios y estructurados —como en el caso de la coincidencia de SKU, identificadores de transacción o códigos de país—. La coincidencia aproximada es la herramienta adecuada cuando los datos han sido introducidos manualmente, importados desde varios sistemas o recopilados a lo largo del tiempo sin seguir normas de formato coherentes.
Ejemplos de coincidencia aproximada
A continuación se muestran ejemplos reales de coincidencia aproximada en distintos tipos de datos habituales:
Coincidencia de nombres
- «William Johnson» frente a «Bill Johnson »: variación del apodo
- «Jennifer O’Brien» frente a «Jennifer Obrien »: se ha omitido la puntuación
- «Dra. Sarah Chen» frente a «Sarah Chen »: prefijo del título
- «Mohammed Al-Rashid» frente a «Mohammad Alrashid »: diferencia en la transcripción
Coincidencia de nombres de empresas
- «Acme Corporation Ltd» frente a «ACME Corp »: abreviatura + mayúsculas
- «Google LLC» frente a «Google, Inc.»: variación del sufijo legal
- «3M Company» frente a «3M Co.» — forma abreviada
Comparación de direcciones
- «123 Main Street» frente a «123 Main St.» — sufijo abreviado
- «Apartamento 4B, 500 Oak Ave» frente a «500 Oak Avenue, n.º 4B»: orden de los elementos invertido
Producto / Coincidencia de registros
- «iPhone 14 Pro 256 GB Space Black» frente a «Apple iPhone 14 Pro 256 GB Blk»: espaciado y abreviaturas
En todos los casos, la búsqueda exacta no arroja ningún resultado. La búsqueda aproximada muestra el enlace correcto.
Cómo funciona la búsqueda aproximada: los algoritmos
La coincidencia aproximada consiste en aplicar un algoritmo de similitud a dos cadenas de caracteres, lo que genera una puntuación comprendida entre 0,0 (completamente diferentes) y 1,0 (idénticas). A continuación, la puntuación se compara con un umbral —que suele oscilar entre 0,80 y 0,95, dependiendo del caso de uso— para determinar si los dos valores coinciden.
Hay diferentes algoritmos adecuados para distintos tipos de datos y patrones de error. Estas son las cuatro familias principales:
1. Distancia de Levenshtein (distancia de edición)
La distancia de Levenshtein —el algoritmo de coincidencia difusa que más se enseña— calcula el número mínimo de modificaciones de un solo carácter necesarias para transformar una cadena en otra. Dichas modificaciones son: inserciones, eliminaciones y sustituciones.
- Ejemplo: «kitten» → «sitting» requiere 3 modificaciones → distancia de Levenshtein = 3
- Ejemplo: «Smith» → «Smyth» requiere 1 sustitución → distancia = 1, similitud ≈ 0,80
- Ideal para: cadenas cortas con errores ortográficos a nivel de carácter
- Atención: Considera que todas las modificaciones tienen el mismo coste; no valora adecuadamente la coincidencia de prefijos ni las transposiciones adyacentes.
La distancia de Levenshtein constituye la base de la distancia de edición como familia de algoritmos. Entre sus variantes se incluyen la de Damerau-Levenshtein (que también tiene en cuenta las transposiciones —«teh» frente a «the»—) y la de la subsecuencia común más larga.
2. Similitud de Jaro-Winkler
Jaro-Winkler se diseñó específicamente para cadenas cortas y nombres propios, razón por la cual es el algoritmo preferido en la mayoría de los contextos relacionados con la identificación de personas y los datos de clientes.
- Premia a las cadenas que comparten caracteres comunes dentro de una ventana de proximidad
- La extensión de Winkler añade una bonificación por prefijo: las cadenas que comparten los mismos caracteres iniciales obtienen una puntuación más alta.
- Ejemplo: «MARTHA» frente a «MARHTA» → Jaro-Winkler ≈ 0,96 (la transposición se ha gestionado correctamente)
- Ejemplo: «Johnathan» frente a «Jonathan» → Jaro-Winkler ≈ 0,97
- Ideal para: nombres propios, nombres de pila, identificadores cortos
- Atención: Menos eficaz con cadenas largas o valores compuestos
Match Data Pro utiliza Jaro-Winkler como uno de sus principales algoritmos configurables para la correspondencia de nombres y entidades, precisamente por su eficacia con los datos de nombres propios.
3. Emparejamiento basado en tokens
Los métodos basados en tokens dividen las cadenas de caracteres en palabras individuales (tokens) antes de compararlas. De este modo se tienen en cuenta los casos en los que la misma información aparece en un orden diferente.
- Ordenación de tokens: Ordena los tokens alfabéticamente antes de compararlos; «Smith, John» y «John Smith» se consideran la misma cadena.
- Proporción de conjuntos de tokens: compara la intersección y el resto de los conjuntos de tokens; gestiona coincidencias parciales y palabras adicionales
- Ejemplo: «New York City Police Department» frente a «NYPD New York»: la coincidencia de tokens identifica una posible correspondencia incluso con la abreviatura.
- Ideal para: cadenas de caracteres largas, nombres de empresas, direcciones y descripciones de productos
4. Correspondencia fonética
La coincidencia fonética convierte las cadenas de caracteres en un código fonético antes de compararlas, por lo que los nombres que suenan igual coinciden aunque se escriban de forma diferente.
- Soundex: el algoritmo fonético original (1918) codifica los nombres en una letra más tres dígitos. Tanto «Smith» como «Smyth» se codifican como S530.
- Metaphone / Double Metaphone: una alternativa moderna más precisa, que tiene en cuenta más reglas de pronunciación y nombres que no son en inglés
- Ejemplo: «Catherine», «Kathryn» y «Katherine» dan todas el mismo código Metaphone.
- Ideal para: nombres introducidos fonéticamente, datos multilingües, transcripción de voz
- Atención: la coincidencia fonética por sí sola genera altas tasas de falsos positivos; se recomienda utilizarla en combinación con otros algoritmos.
Comparación de los algoritmos
| Algoritmo | Lo mejor para | Gestiona las transposiciones | Gestiona el orden de las palabras | Gestiona los nombres que suenan parecido |
|---|---|---|---|---|
| Levenshtein | Cadenas cortas, errores ortográficos | Parcial | ❌ | ❌ |
| Jaro-Winkler | Nombres, identificadores cortos | ✅ | ❌ | ❌ |
| Basado en tokens | Cadenas largas, direcciones | ✅ | ✅ | ❌ |
| Fonética | Nombres que suenan parecido | ✅ | ❌ | ✅ |
En la práctica, los sistemas de coincidencia aproximada de nivel industrial —entre ellos, Match Data Pro— combinan varios algoritmos y ponderan los resultados, en lugar de basarse en un único método.
Cómo funciona la búsqueda aproximada: paso a paso
- Entrada: Se pasan dos cadenas (o dos conjuntos de datos de cadenas) al motor de coincidencia.
- Preprocesamiento: Las cadenas se normalizan: se convierten a minúsculas, se eliminan los signos de puntuación y se desarrollan las abreviaturas habituales (p. ej., «St.» → «Street»).
- Selección del algoritmo: Se aplican uno o varios algoritmos de similitud: Levenshtein, Jaro-Winkler, basados en tokens, fonéticos o una combinación de ellos.
- Puntuación: Cada algoritmo devuelve una puntuación de similitud comprendida entre 0,0 y 1,0.
- Comparación con el umbral: La puntuación se compara con un umbral configurable (por ejemplo, el 85 %). Las parejas que superan el umbral se marcan como coincidencias; las que están por debajo, no.
- Revisión o automatización: Las coincidencias de alta fiabilidad pueden fusionarse automáticamente. Las coincidencias dudosas pueden derivarse a una cola de revisión manual. Los pares de baja fiabilidad se descartan.
La coincidencia aproximada en los datos: aplicaciones en el mundo real
La coincidencia aproximada en los flujos de datos es uno de los retos más habituales —y más subestimados— en materia de calidad de los datos. Estos son los casos en los que aparece con mayor frecuencia:
- Deduplicación en el CRM: identificación de registros duplicados de clientes creados a través de diferentes canales (formulario web, teléfono, importación)
- MDM / resolución de entidades: Identificación de clientes, proveedores o productos comunes en los sistemas ERP, CRM y las plataformas de marketing
- KYC y cumplimiento normativo: Comparación de los nombres de los clientes con listas de sanciones, bases de datos de personas políticamente expuestas (PEP) y listas de vigilancia, en las que son habituales las diferencias en la transcripción de los nombres
- Coincidencia de productos en el comercio electrónico: identificación de un mismo producto ofrecido por varios proveedores con nombres ligeramente diferentes
- Concordancia de existencias: Conciliar el mismo artículo en los feeds de los proveedores, los sistemas de almacén y tu propio catálogo, donde un mismo producto aparece con nombres, SKU y abreviaturas inconsistentes (por ejemplo, «HP LaserJet Pro M404dn» frente a «HP LaserJet-Pro M404 dn»). Un umbral del 85 % suele detectar estas variantes sin fusionar artículos que son realmente diferentes.
- Interconexión de historiales médicos: conexión de los historiales de los pacientes entre hospitales y sistemas en los que varían la grafía del nombre, el formato de la fecha de nacimiento y el formato de la dirección
- Estandarización de direcciones: comparación de las direcciones facilitadas con una base de datos de referencia para verificarlas y depurarlas
- Detección de fraudes: Identificación de solicitudes presentadas por una misma persona utilizando datos de identidad ligeramente diferentes
Búsqueda aproximada en Excel
Excel no dispone de una función nativa de búsqueda aproximada, pero existen tres métodos prácticos:
Opción 1: Fusión aproximada con Power Query (integrada)
Power Query de Excel incluye una opción denominada «Coincidencia aproximada» en el cuadro de diálogo «Combinar consultas» (disponible en Excel 365 y Excel 2019 y versiones posteriores). Utiliza un algoritmo de similitud basado en tokens y permite establecer un umbral de similitud. Funciona bien con conjuntos de datos pequeños y medianos, pero no ofrece información sobre las puntuaciones subyacentes.
Pasos: Datos → Obtener y transformar → Combinar consultas → marcar la casilla «Utilizar coincidencia aproximada para realizar la combinación»
Opción 2 — BUSCAR.VERT + fórmula de Levenshtein manual
Puedes implementar un cálculo básico de la distancia de edición en Excel utilizando una función VBA recursiva o una fórmula de matriz. Esto funciona, pero resulta lento a partir de unos pocos miles de filas y requiere conocimientos de VBA.
Opción 3 — Herramienta específica con importación y exportación a Excel
Para cualquier tarea que vaya más allá de una simple búsqueda puntual, una plataforma especializada en coincidencias aproximadas como Match Data Pro resulta más rápida y fiable. Sube tu archivo de Excel, configura las reglas de coincidencia y descarga los resultados. Sin fórmulas, sin VBA y sin límites de filas.
Prueba Match Data Pro gratis con tus propios datos de Excel →
Búsqueda aproximada con IA y ChatGPT
La IA —incluidos los grandes modelos de lenguaje como ChatGPT— puede realizar búsquedas aproximadas, pero con importantes limitaciones en comparación con los algoritmos específicos para ello.
Lo que la IA hace bien
- Comprensión contextual: reconocer que «IBM» e «International Business Machines» son la misma entidad utilizando conocimientos generales, y no basándose en la similitud de las cadenas de caracteres.
- Gestión de variaciones de nombres muy ambiguas o multilingües
- Explicar en lenguaje natural por qué dos registros coinciden o no coinciden
Las limitaciones de la IA en la correspondencia de la producción
- Escala: las llamadas a la API de LLM tienen un coste por comparación considerablemente mayor que la coincidencia algorítmica, lo que resulta poco viable para millones de pares de registros.
- Coherencia: los modelos de lenguaje grande (LLM) son no deterministas; una misma entrada puede generar resultados diferentes en ejecuciones distintas.
- Auditabilidad: No es fácil examinar ni justificar una decisión de coincidencia tomada por un modelo de lenguaje grande (LLM) a efectos de cumplimiento normativo o de gobernanza de datos.
- Latencia: las idas y vueltas de la API añaden segundos por comparación; la coincidencia algorítmica realiza miles de comparaciones por segundo
¿La búsqueda aproximada es inteligencia artificial?
Los algoritmos tradicionales de coincidencia difusa (Levenshtein, Jaro-Winkler, Soundex) no son IA, sino funciones matemáticas deterministas. Sin embargo, las plataformas de coincidencia modernas incorporan cada vez más la IA: utilizan el aprendizaje automático para sugerir umbrales de coincidencia, identificar qué campos son más importantes y aprender de las correcciones humanas a lo largo del tiempo. Match Data Pro utiliza sugerencias de coincidencia basadas en IA junto con su núcleo algorítmico configurable, combinando la coherencia y la velocidad de los algoritmos con la inteligencia contextual de la IA.
Coincidencia aproximada frente a resolución de entidades: ¿cuál es la diferencia?
Estos términos están relacionados, pero no son lo mismo:
- Coincidencia aproximada: una técnica para evaluar el grado de similitud entre dos cadenas de caracteres. Responde a la pregunta: ¿hasta qué punto se parecen estos dos valores?
- Enlazamiento de registros: uso de la coincidencia aproximada y otras señales para determinar si dos registros de conjuntos de datos diferentes se refieren a la misma entidad del mundo real
- Resolución de entidades: el proceso completo de identificar, vincular y consolidar todos los registros que hacen referencia a una misma entidad en todo un conjunto de datos o en varios sistemas, con el fin de generar un «registro de referencia» canónico.
La coincidencia aproximada es un paso previo a la vinculación de registros. La vinculación de registros es un componente de la resolución de entidades. La resolución de entidades es el objetivo final de la mayoría de los programas de gestión de datos maestros (MDM) y de calidad de datos. Para obtener más información sobre cómo Senzing facilita la resolución de entidades a gran escala, consulta nuestra guía: «Resolución de entidades de Senzing: cómo funciona».
Cómo elegir el umbral adecuado para la coincidencia aproximada
El umbral —la puntuación mínima de similitud necesaria para señalar una coincidencia— es la decisión de configuración más importante en cualquier proyecto de coincidencia difusa.
| Umbral | Efecto | Riesgo | Lo mejor para |
|---|---|---|---|
| 95 %-100 % | Solo coincidencias casi perfectas | Alto índice de falsos negativos (no detecta duplicados reales) | Incorporación automática de bajo riesgo |
| 85 %-94 % | Coincidencias exactas, gestiona los errores tipográficos habituales | Equilibrado | La mayor parte de la deduplicación de CRM/MDM |
| 70 %-84 % | Detecta más variantes: apodos, abreviaturas | Mayor número de falsos positivos (coincidencias erróneas) | Cola de revisión manual, verificación de identidad (KYC) |
| Por debajo del 70 % | Muy amplio: se han obtenido muchos pares candidatos | Alta tasa de falsos positivos | Solo análisis exploratorio |
¿Es el 85 % un umbral habitual? Sí: un umbral de similitud del 85 % (0,85) es el valor por defecto más utilizado en la deduplicación de CRM y MDM, y constituye un punto de partida razonable para la mayoría de los proyectos de coincidencia de nombres y empresas. Es popular porque se sitúa en el punto óptimo: lo suficientemente alto como para rechazar la mayoría de las coincidencias fortuitas, pero lo suficientemente bajo como para seguir detectando las variaciones habituales —errores tipográficos, signos de puntuación omitidos, abreviaturas— que la coincidencia exacta pasa por alto. Un umbral del 85 % significa que dos valores deben obtener una puntuación de al menos 0,85 sobre 1,0 para que se marquen como coincidentes. En la práctica, la comparación entre «Smith» y «Smyth» obtiene una puntuación de alrededor de 0,80 (justo por debajo, por lo que no se considera coincidencia al 85 %), mientras que la comparación entre «Robert Smith» y «Robert Smyth» supera con creces el 0,85 y se considera coincidencia. La mayoría de los equipos comienzan con un 85 %, revisan los resultados dudosos y, a partir de ahí, ajustan el umbral al alza o a la baja.
El umbral adecuado depende de tus datos, de tu ámbito y del coste que suponga un falso positivo frente a un falso negativo en tu contexto. Match Data Pro te permite configurar umbrales por campo y previsualizar los resultados de la comparación antes de confirmarlos, para que puedas ajustarlos antes de ejecutar la operación.
Prueba la búsqueda aproximada con tus propios datos
Match Data Pro es una plataforma SaaS en la nube que combina la coincidencia aproximada configurable (Jaro-Winkler y Levenshtein), sugerencias de coincidencia basadas en inteligencia artificial, resolución de entidades, verificación de direcciones y limpieza de datos, todo ello en una interfaz de autoservicio con precios transparentes y sin contratos a largo plazo.
Empieza tu prueba gratuita — Sin necesidad de contrato →
Preguntas frecuentes sobre la búsqueda aproximada
¿Qué es la coincidencia aproximada en términos sencillos?
La búsqueda aproximada encuentra registros o valores que son similares, pero no exactamente idénticos. Tiene en cuenta los errores tipográficos, las variaciones en los nombres, las abreviaturas y las diferencias de formato que harían que la búsqueda exacta fallara. En lugar de un «sí» o un «no», devuelve una puntuación de similitud, y eres tú quien decide qué puntuación se considera una coincidencia.
¿Qué es un algoritmo de coincidencia aproximada?
Un algoritmo de coincidencia aproximada es un método matemático para calcular el grado de similitud entre dos cadenas de caracteres. Los más habituales son la distancia de Levenshtein (que cuenta las modificaciones de caracteres), el algoritmo de Jaro-Winkler (que valora los prefijos comunes y está diseñado para nombres), los métodos basados en tokens (que tienen en cuenta las diferencias en el orden de las palabras) y los algoritmos fonéticos como Soundex y Metaphone (que establecen coincidencias en función de cómo suenan las palabras). La mayoría de los sistemas de producción combinan varios algoritmos.
¿Cuál es la diferencia entre la coincidencia aproximada y la coincidencia exacta?
La búsqueda exacta solo devuelve un resultado cuando dos valores son idénticos carácter por carácter. La búsqueda aproximada devuelve resultados cuando los valores son lo suficientemente similares, es decir, cuando superan un umbral de similitud configurable. La búsqueda exacta es adecuada para identificadores estructurados (ID, códigos). La búsqueda aproximada es necesaria para los datos introducidos manualmente: nombres, direcciones, nombres de empresas y texto libre.
¿Qué es la distancia de Levenshtein?
La distancia de Levenshtein es el número mínimo de modificaciones de un solo carácter —inserciones, eliminaciones o sustituciones— necesarias para transformar una cadena en otra. Una distancia de 0 significa que las cadenas son idénticas. Una distancia de 1 significa que las separa un cambio de carácter. Es la métrica de distancia de edición más utilizada en la coincidencia difusa de cadenas y en la coincidencia aproximada de cadenas.
¿Qué es la similitud de Jaro-Winkler?
Jaro-Winkler es un algoritmo de similitud de cadenas diseñado específicamente para cadenas cortas y nombres propios. Asigna una puntuación a las cadenas en función de los caracteres comunes que se encuentran dentro de una ventana de proximidad y, a continuación, añade una bonificación por los caracteres iniciales compartidos (la bonificación del prefijo «Winkler»). Supera sistemáticamente al algoritmo de Levenshtein en tareas de coincidencia de nombres propios y se utiliza en la vinculación de registros censales, el proceso «KYC» y la deduplicación en CRM.
¿Cómo puedo realizar una búsqueda aproximada en Excel?
Excel 365 y Excel 2019+ incluyen una opción integrada de «Fusionar por coincidencia aproximada» en Power Query (Datos → Obtener y transformar → Fusionar consultas → marcar «Usar coincidencia aproximada»). Para conjuntos de datos más grandes o si se desea un mayor control sobre las reglas de coincidencia y las puntuaciones de similitud, una herramienta específica como Match Data Pro resulta más rápida y flexible: sube tu archivo de Excel, configura las reglas y descarga los resultados.
¿La coincidencia difusa es lo mismo que la IA?
Los algoritmos tradicionales de coincidencia difusa no son IA, sino funciones matemáticas deterministas. Sin embargo, las plataformas modernas incorporan la IA: utilizan el aprendizaje automático para sugerir umbrales, identificar los campos más determinantes y aprender de las decisiones de coincidencia tomadas por personas. Match Data Pro combina la coincidencia difusa algorítmica con sugerencias de coincidencia basadas en IA: así, obtienes la rapidez y la coherencia de los algoritmos junto con la inteligencia contextual de la IA.
¿Puede ChatGPT realizar búsquedas aproximadas?
ChatGPT y otros modelos de lenguaje a gran escala pueden identificar cadenas de caracteres similares y realizar comparaciones basándose en el conocimiento contextual —por ejemplo, al saber que «IBM» e «International Business Machines» son la misma entidad—. Sin embargo, no resultan prácticos para la comparación aproximada a escala de producción debido al coste por comparación, al carácter no determinista, a la latencia y a la falta de auditabilidad. Para comparar millones de registros, utiliza una plataforma algorítmica especializada.
¿Qué es la coincidencia aproximada de cadenas?
La coincidencia aproximada de cadenas es el término académico y de informática que designa lo que los profesionales denominan «coincidencia difusa» o «coincidencia difusa de cadenas». Se refiere al problema de encontrar cadenas que coincidan aproximadamente con un patrón, permitiendo un número o tipo definido de diferencias. Ambos términos son intercambiables en contextos relacionados con la calidad de los datos.
¿Para qué se utiliza la coincidencia aproximada en el ámbito de los datos?
En el ámbito de los datos, la coincidencia difusa se utiliza para: la deduplicación (detectar registros duplicados en un mismo conjunto de datos), la vinculación de registros (relacionar registros de dos o más conjuntos de datos), la resolución de entidades (crear una visión maestra única de un cliente, proveedor o producto a partir de múltiples fuentes), la estandarización de direcciones, la verificación de identidad (KYC) y la comprobación de sanciones, la coincidencia de catálogos de productos y la detección de fraudes. Siempre que sea necesario conectar datos introducidos manualmente o procedentes de múltiples fuentes, la coincidencia difusa forma parte de la solución.
¿Es el 85 % un buen umbral de similitud para la coincidencia aproximada?
Un umbral de similitud del 85 % es el valor predeterminado más habitual y un punto de partida fiable para la mayoría de los proyectos de coincidencia difusa, especialmente en la deduplicación de CRM y MDM. Detecta errores tipográficos, abreviaturas y pequeñas diferencias de formato, al tiempo que rechaza la mayoría de las coincidencias falsas. Utiliza un umbral más alto (90-95 %) cuando fusiones registros automáticamente y una coincidencia errónea resulte costosa; utiliza uno más bajo (70-84 %) cuando un humano revise las coincidencias y prefieras detectar más candidatos. La cifra adecuada siempre depende de tus datos y del coste que supone una coincidencia errónea frente al de una coincidencia no detectada.
¿Qué significa un umbral de similitud del 85 %?
Un umbral del 85 % significa que dos valores deben obtener una puntuación de al menos 0,85 en una escala que va de 0,0 (completamente diferentes) a 1,0 (idénticos) para que se consideren coincidentes. Por ejemplo, «Jon Smith» frente a «John Smith» obtiene una puntuación superior a 0,85 y se considera una coincidencia, mientras que «Jon Smith» frente a «Jane Smith» obtiene una puntuación inferior a 0,85 y no se considera una coincidencia. Cualquier resultado de 0,85 o superior supera el umbral; cualquier resultado inferior se rechaza o se envía a revisión.
¿Qué umbral debo utilizar para la conciliación de existencias?
Para la gestión de inventario y la correspondencia de productos, un umbral de similitud del 85 % es un valor predeterminado muy eficaz: permite vincular el mismo artículo que aparece con nombres, espaciado o SKU ligeramente diferentes en los sistemas de los proveedores y los almacenes, al tiempo que mantiene separados los productos distintos. Si los nombres de tus productos son largos o contienen texto estándar común (marca, categoría, especificaciones), combina el umbral del 85 % con la correspondencia basada en tokens para que el orden de las palabras y los términos adicionales no reduzcan la puntuación.
Metodología y información sobre transparencia
Esta guía ha sido publicada por Match Data Pro, una plataforma de calidad de datos que incluye la coincidencia aproximada como una de sus funciones principales. Las descripciones de los algoritmos y los ejemplos se basan en la bibliografía especializada en informática sobre similitud de cadenas y coincidencia aproximada de cadenas, a fecha de mayo de 2026.