Cuando una persona aparece con varios perfiles en el CRM, la tienda online y otros sistemas, el problema parece sencillo: hay que eliminar duplicados. Pero una coincidencia no demuestra que dos registros pertenezcan al mismo cliente. Una fusión equivocada puede mezclar historiales, alterar comunicaciones o atribuir una compra a otra persona. La decisión exige equilibrar calidad de datos, continuidad operativa y capacidad de corregir errores.
Una política eficaz no se limita a elegir una herramienta o una regla de coincidencia. Define qué significa ser la misma persona, qué evidencias bastan para actuar, cómo se resuelven conflictos entre campos y cómo se revierte una operación. El objetivo es que los perfiles conectados sean coherentes sin borrar información que todavía puede ser útil.
Definir cuándo dos registros representan al mismo cliente
Antes de comparar datos, conviene establecer la identidad que se quiere resolver. ¿Se trata de una persona, una cuenta empresarial, un hogar o una relación comercial? En algunos sistemas, varias personas comparten un correo o un teléfono; en otros, una misma persona utiliza correos distintos. La política debe contemplar estas situaciones en lugar de asumir que un atributo identifica siempre a un individuo.
También hay que distinguir entre duplicado y relación legítima. Dos perfiles pueden compartir dirección porque viven en el mismo domicilio, o tener el mismo teléfono porque utilizan una línea familiar. Una persona puede tener una cuenta de empresa y otra personal. Si el negocio necesita representar esos vínculos por separado, fusionarlos destruiría distinciones válidas.
Documenta el propósito de la resolución y las excepciones relevantes. Por ejemplo, determina si las cuentas de empresa se consolidan por organización o por contacto, y cómo se tratan los perfiles de prueba, las cuentas compartidas y los registros incompletos. Esta definición debe ser compatible con los usos posteriores: atención al cliente, pedidos, facturación y preferencias de comunicación pueden requerir niveles distintos de detalle.
Elegir atributos y combinar señales
La calidad de una coincidencia depende tanto de los atributos elegidos como de su fiabilidad. Un identificador interno estable puede ser una señal fuerte si se genera y conserva correctamente. El correo normalizado, el teléfono o el nombre aportan información, pero pueden cambiar, compartirse o escribirse de formas distintas. La dirección también puede servir para contrastar, aunque no suele identificar por sí sola a una persona.
Separa las coincidencias exactas de las aproximadas. Una igualdad exacta de un identificador validado puede justificar más confianza que una similitud ortográfica entre nombres. La comparación aproximada ayuda con erratas, abreviaturas y variaciones de formato, pero también produce falsos positivos: dos personas pueden llamarse igual o tener apellidos comunes.
Antes de comparar, normaliza formatos de manera conservadora. Puedes unificar mayúsculas y espacios o comparar teléfonos en un formato coherente. No elimines diferencias que tengan significado para el sistema ni asumas que todos los caracteres pueden descartarse sin consecuencias. Registra qué transformaciones se aplicaron para que los resultados puedan explicarse y revisarse.
Valora las señales en conjunto y conserva las ausencias como tales. Que dos registros no tengan teléfono no es una coincidencia; que lo compartan puede ser una señal débil o una evidencia relevante según el contexto. Una regla comprensible suele ser más fácil de mantener que un conjunto opaco de excepciones. Si se utiliza un modelo de puntuación, el equipo debe poder conocer qué factores influyen en cada decisión.
Diseñar tres rutas: fusionar, revisar o mantener separados
Una política práctica define niveles de confianza y una acción para cada uno. Los límites concretos dependen de los datos y del coste de equivocarse; no hay un umbral universal que pueda recomendarse sin medir el caso. Lo importante es que las decisiones automáticas se reserven para coincidencias suficientemente sólidas y que los casos ambiguos tengan una salida clara.
- Confianza alta: fusionar automáticamente cuando varias señales fiables concuerdan y no existe una contradicción significativa.
- Confianza intermedia: enviar a revisión humana cuando hay señales compatibles, pero insuficientes para una decisión segura.
- Confianza baja: mantener los registros separados y, si procede, volver a evaluar cuando llegue información nueva.
La revisión humana necesita contexto, no solo dos filas de datos. Muestra los campos coincidentes y distintos, su procedencia, fechas y sistemas de origen, además del efecto de aceptar la fusión. Permite rechazar la propuesta y registra el motivo. Si los casos son numerosos, prioriza los que tengan impacto operativo relevante, en vez de presentar una cola indiferenciada.
Considera el coste asimétrico de los errores. Una fusión incorrecta puede exponer información a un perfil equivocado o afectar una gestión sensible; dejar dos perfiles duplicados puede generar comunicaciones repetidas o una vista fragmentada. Según el proceso, uno de esos errores será más costoso. Los umbrales y la automatización deben reflejar esa diferencia.
Resolver conflictos sin perder procedencia
Encontrar que dos registros corresponden a una misma persona no responde qué valor debe conservarse en cada campo. El correo de un sistema puede estar actualizado y el teléfono del otro; un registro puede tener el nombre legal y otro el nombre preferido. Aplicar una regla general, como conservar siempre el perfil más reciente o el más completo, puede sobrescribir datos válidos.
Define la precedencia por campo y con contexto. Un sistema puede ser fuente preferente para los datos de facturación, mientras que el propio cliente puede actualizar sus preferencias de contacto en otro canal. Considera la fecha, el origen y el método de verificación del valor, no solo el momento en que se sincronizó. Si no existe una fuente fiable, conserva el conflicto para resolverlo en vez de inventar un ganador.
Guarda la procedencia: sistema de origen, fecha de actualización y, cuando sea posible, evento que introdujo el dato. La trazabilidad permite explicar por qué se eligió un valor, detectar sincronizaciones defectuosas y recuperar información que no debía descartarse. Los campos con consecuencias legales, comerciales o de privacidad requieren especial cuidado y reglas acordes con su uso.
Hacer que la fusión sea reversible y medible
Evita que fusionar signifique borrar definitivamente un registro. Mantén un identificador maestro y referencias a los identificadores originales para que CRM, ecommerce y otros sistemas puedan reconocer la asociación. Conserva el historial necesario para reconstruir qué perfiles se unieron, cuándo, por qué regla y con qué datos. La solución concreta dependerá de la arquitectura, pero la reversibilidad debe formar parte del diseño, no ser una reparación improvisada.
Establece también un procedimiento de separación. Si una persona informa que se mezclaron sus datos, el equipo debe poder localizar la operación, restaurar los registros y corregir las referencias distribuidas. Decide quién puede solicitar o aprobar una separación, cómo se propaga a los sistemas conectados y cómo se evita que la misma regla vuelva a fusionar inmediatamente los perfiles.
Mide resultados por tipo de regla y por sistema de origen. Observa cuántas propuestas se fusionan, cuántas se rechazan en revisión, cuántas se separan después y qué conflictos de campos aparecen. Una tasa alta de fusiones no demuestra calidad. Las separaciones posteriores y las correcciones manuales son señales útiles de falsos positivos; los duplicados que siguen apareciendo pueden indicar reglas insuficientes o problemas en los procesos de captura.
Implantar la política por etapas
Empieza con una muestra representativa y evalúa las reglas sin modificar registros productivos. Revisa casos obvios, ambiguos y contraejemplos: personas con nombres iguales, correos compartidos, datos antiguos y perfiles incompletos. Ajusta criterios con responsables de negocio, operaciones y tecnología, porque cada equipo conoce consecuencias distintas de una decisión errónea.
- Define qué entidad se identifica y qué casos deben permanecer separados.
- Inventaría los sistemas, atributos disponibles, calidad y procedencia de los datos.
- Prueba reglas exactas y aproximadas con una muestra revisada por personas.
- Asigna rutas de fusión, revisión y separación con responsables claros.
- Activa primero el modo de propuesta o revisión y registra resultados.
- Automatiza solo las coincidencias validadas y monitoriza errores y cambios.
Revisa la política cuando cambien los sistemas, los procesos de registro o los tipos de clientes. Una regla que funcionaba con datos limpios puede degradarse tras una migración o una nueva integración. La decisión correcta no es fusionar el máximo de perfiles, sino consolidar los que tienen evidencia suficiente y conservar la capacidad de explicar y corregir cada unión.