Unificación de identidades de clientes - Cotejo de datos de clientes dispersos con AWS Entity Resolution
Se explica el cotejo de registros de datos de clientes (resolución de entidades) con AWS Entity Resolution. Se presentan los tres flujos de trabajo de coincidencia (basado en reglas, basado en ML y basado en servicios de proveedores), el mapeo de ID, los precios, la protección de la privacidad y la integración con Clean Rooms.
El reto del cotejo de datos de clientes
Los datos de clientes de una empresa están dispersos en varios sistemas, como el CRM, el sitio de comercio electrónico, el centro de llamadas y las herramientas de marketing. Un mismo cliente está registrado con grafías distintas en sistemas distintos («Taro Tanaka» y «TANAKA Taro», «Minato-ku, Tokio» y «Minato-ku»), y el cotejo de registros (resolución de entidades), que vincula estos datos a una misma persona, es un reto desde hace muchos años. Antes era necesario implementar por cuenta propia la lógica de coincidencia exacta o de coincidencia aproximada, pero como los patrones de variación en la grafía son muy diversos, era difícil compaginar la precisión y la cobertura. AWS Entity Resolution es un servicio administrado que realiza el cotejo de los datos de clientes con tres tipos de flujos de trabajo de coincidencia: basado en reglas, basado en aprendizaje automático (ML) y basado en proveedores de servicios de datos.
Métodos de coincidencia y configuración
Entity Resolution ofrece tres tipos de flujos de trabajo de coincidencia (según la documentación oficial / a fecha de agosto de 2026). La coincidencia basada en reglas aplica en orden desde arriba, con un método de cascada jerárquico, las reglas de cotejo que define usted. Hay dos tipos de regla, Simple y Advanced, y no se pueden cambiar después de crear el flujo de trabajo. Advanced parte de la premisa de que se asigna una columna a un tipo de entrada, puede tratar tanto la coincidencia exacta como la coincidencia aproximada y permite construir condiciones con AND / OR y paréntesis. Sin embargo, no se puede usar para el procesamiento en tiempo real ni para el mapeo de ID. Simple permite agrupar varias columnas en un mismo tipo de entrada y, aunque sus condiciones se limitan a la coincidencia exacta y a AND, admite el procesamiento en tiempo real y el mapeo de ID además del procesamiento por lotes y el procesamiento incremental. En la coincidencia basada en ML, un modelo de aprendizaje automático preparado de antemano por AWS evalúa de forma global atributos como el nombre, la dirección de correo electrónico, el número de teléfono, la dirección postal y la fecha de nacimiento, y genera grupos de coincidencia. Como el modelo se encarga de las variaciones de grafía, las abreviaturas y las diferencias de formato, no hace falta el trabajo de definir reglas. La coincidencia basada en proveedores de servicios de datos es un método que coteja los registros con identificadores que tiene un proveedor como LiveRamp, y requiere aparte una suscripción con el proveedor. Además de estos flujos de trabajo de coincidencia, existe un flujo de trabajo de mapeo de ID que asigna los registros de un sistema de identificadores a otro sistema, y se puede ejecutar de dos formas: basado en reglas, y basado en servicios de proveedores con la transcodificación de LiveRamp. Los datos de entrada hacen referencia a orígenes de datos en S3 a través de AWS Glue Data Catalog, y se pueden especificar hasta 20 entradas de datos en un flujo de trabajo. Con el mapeo de esquemas se asignan las columnas de los datos de entrada a los tipos de entrada de Entity Resolution (nombre, dirección, número de teléfono, dirección de correo electrónico, etc.).
Casos de uso e integración con Clean Rooms
Los principales casos de uso son la unificación de clientes para marketing (unificar los datos de clientes de varios canales para construir una vista de 360 grados del cliente), la detección de fraudes (detectar que cuentas distintas pertenecen a una misma persona) y la limpieza de datos (detectar y unificar registros duplicados). Gracias a la integración con Clean Rooms, se puede ejecutar el cotejo sin compartir datos entre organizaciones. Por ejemplo, se puede aprovechar en un caso de uso en el que un anunciante y un editor identifican a sus clientes comunes y miden la eficacia publicitaria sin revelar los datos de clientes del otro. En esta configuración, cada miembro aporta los datos que están bajo su propio control y dentro de la colaboración solo se realiza el cotejo, por lo que no se produce la entrega de los datos sin procesar en sí. Si se elige el cotejo basado en servicios de proveedores, se puede usar un identificador como el RampID de LiveRamp como token que representa al cliente, por lo que no es necesario pasar los datos de clientes directamente a la plataforma publicitaria. Cabe señalar que Entity Resolution usado en Clean Rooms tiene un sistema de facturación distinto del que se aplica cuando se usa por sí solo.
Precios de Entity Resolution
Los precios de Entity Resolution se facturan contando el número de registros procesados en unidades de 1,000 (a fecha de agosto de 2026 / medido en Norte de Virginia y Tokio). Un registro se refiere a una fila, independientemente del número de columnas, y los registros que no coincidieron en el cotejo también se facturan como procesados. El precio unitario es de 0.25 USD por cada 1,000 registros tanto para la coincidencia basada en reglas como para la basada en ML, y de 0.10 USD por cada 1,000 registros para la coincidencia basada en proveedores de servicios de datos (la tarifa de suscripción del proveedor es aparte). El flujo de trabajo de mapeo de ID también se factura según el número de registros procesados. Como el precio unitario no figura en la página oficial de precios, consultarlo con AWS Price List (Pricing API) es la forma fiable. La página oficial de precios indica que los precios no varían según la región de AWS, y se ha comprobado que los precios unitarios basados en reglas y basados en ML son idénticos en las tablas de precios de Norte de Virginia y de Tokio. Cabe señalar que los flujos de trabajo basados en proveedores de servicios de datos (tanto de coincidencia como de mapeo de ID) se ofrecen, a fecha de agosto de 2026, solo en tres regiones de EE. UU., Ohio / Norte de Virginia / Oregón. A fecha de agosto de 2026, no se pueden usar en la región de Tokio. También hay que tener en cuenta que no están incluidos en la capa gratuita. A partir de estos precios unitarios, el cálculo da 75 USD para el procesamiento de 300,000 registros y 250 USD para el de 1 millón de registros. El primer cotejo abarca todos los registros, por lo que el coste es elevado, pero en la coincidencia basada en reglas, si se activa el procesamiento incremental, solo se facturan los registros nuevos / actualizados / eliminados. Si se añaden 100,000 registros nuevos a una tabla en la que ya se han procesado 900,000 registros, solo se facturan 25 USD, que corresponden a los 100,000 registros del incremento. Este procesamiento incremental no se puede usar en la coincidencia basada en ML. Cuando se usa Entity Resolution en Clean Rooms, cambia la base de facturación: la preparación de datos cuesta 0.10 USD por cada 1,000 registros procesados y la coincidencia de datos con el método basado en reglas cuesta 0.50 USD por cada 1,000 registros coincidentes. A esto se suma una tarifa básica de coincidencia de datos de 100 USD por colaboración (la tarifa básica solo se aplica al método basado en reglas). La coincidencia de datos con el método basado en proveedores cuesta 0.10 USD por cada 1,000 registros procesados. En cualquier caso, se generan aparte las tarifas estándar de S3, donde se colocan los datos de entrada, y de AWS Glue Data Catalog.
Preparación de datos y mapeo de esquemas
Para realizar el cotejo de los datos de clientes, primero es necesario preparar los datos de entrada. Como la información de clientes dispersa en varios sistemas suele tener nombres de campo y formatos dispares, se realiza un mapeo de esquemas que asigna qué campo corresponde al nombre / al correo electrónico / a la dirección / al número de teléfono. La normalización, que uniformiza las variaciones de grafía, también es importante para aumentar la precisión de la coincidencia. Por ejemplo, se uniformizan la forma de escribir las direcciones y las diferencias entre caracteres de ancho completo / medio ancho. La calidad de los datos de entrada influye en gran medida en el resultado del cotejo. Preparar los datos con cuidado antes de la coincidencia es la premisa para una resolución de entidades de alta precisión.
Ajuste de la precisión de la coincidencia e interpretación de los resultados
La precisión del cotejo se ajusta con indicios que difieren según el método (según la documentación oficial / a fecha de agosto de 2026). En la coincidencia basada en reglas, el propio orden en que se disponen jerárquicamente las reglas se convierte en el indicador de precisión. Cada grupo de coincidencia generado lleva el número de la regla que produjo esa combinación, por lo que se puede interpretar que los registros que coincidieron con la regla 1 se cotejaron con más precisión que los que coincidieron con la regla 2. Hasta dónde se consideran idénticos los registros se controla haciendo más estrictas o más laxas las condiciones de cada regla, o con el orden en que se disponen. Por otro lado, en la coincidencia basada en ML se genera una puntuación de confianza de 0.0 a 1.0 para cada grupo de coincidencia. Esta puntuación es un valor de salida que representa la probabilidad con la que el modelo ha juzgado que se trata de la misma entidad, y no se puede personalizar el propio modelo. Por ello, la precisión no se ajusta volviendo a entrenar el modelo, sino con el diseño de dónde se traza la línea en las puntuaciones generadas antes de pasarlas al procesamiento posterior. Además, la normalización de los datos de entrada está activada de forma predeterminada, y se aplican automáticamente la eliminación de caracteres especiales y de espacios sobrantes y la conversión a minúsculas. También se puede desactivar si es necesario, pero como es eficaz para absorber las variaciones de grafía, normalmente se deja activada. Es importante ajustar el método y la línea de corte según el uso, equilibrando el riesgo de unificar por error a personas distintas y el riesgo de pasar por alto a una misma persona.
Privacidad y gobernanza
Como el cotejo de los datos de clientes trata información personal sensible, la atención a la privacidad es imprescindible. Entity Resolution cuenta con mecanismos que permiten procesar los datos manteniéndolos bajo su propio control, y permite realizar el cotejo sin mover los datos al exterior. Esto permite unificar los datos de forma segura manteniendo su ubicación dentro de la propia empresa. En cuanto a la información personal que se trata, se respetan el objetivo de la recopilación y el alcance del consentimiento de uso, y se cumple la legislación aplicable. Se gestiona quién ha accedido a qué datos y se evita el uso para fines distintos de los previstos. Se exige compaginar la unificación de los datos por comodidad con los controles que protegen la privacidad de los clientes.
Unificación y aprovechamiento
Los perfiles de clientes unificados mediante el cotejo se pueden aprovechar en diversas situaciones. Al agrupar como un solo cliente los historiales de comportamiento que estaban dispersos en varios canales, se puede comprender la imagen completa de esa persona, y es posible una atención coherente. En marketing, esto conduce a una segmentación precisa sin duplicados y a iniciativas que abarcan varios canales. Si se conecta con una base de análisis, se pueden realizar agregaciones precisas por cliente y evaluar el valor del ciclo de vida. También hay usos que lo combinan con mecanismos que permiten a varias empresas cotejar datos de forma segura. Una imagen unificada del cliente eleva un nivel la calidad del aprovechamiento de los datos.
Resumen - Pautas para aprovechar Entity Resolution
AWS Entity Resolution hace posible el cotejo de los datos de clientes dispersos con un servicio administrado. Sus principales puntos fuertes son que se puede elegir entre tres tipos de flujos de trabajo de coincidencia, a saber, el control preciso basado en reglas, el tratamiento automático de las variaciones de grafía basado en ML y el cotejo con los identificadores de un proveedor de servicios de datos. También destacan que cuenta con un flujo de trabajo de mapeo de ID que abarca sistemas de identificadores y que la integración con Clean Rooms permite cotejar sin compartir datos. Es adecuado para organizaciones en las que los datos de clientes están dispersos en varios sistemas y la construcción de una vista unificada del cliente se ha convertido en un reto.
Referencias (recursos oficiales de AWS)
Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.
- AWS Entity Resolution (página oficial)
- AWS Glue (página oficial)
- AWS Clean Rooms (página oficial)
- Documentación de AWS (oficial)
Si esta página y la documentación oficial difieren, prevalece la documentación oficial.