← 工具测评与教程

一、先定字段口径，再开始清洗

你从展会名录、询盘表和销售手工记录拼出一张名单，同一家公司可能出现三种写法。直接按公司名去重，会留下重复；先把所有后缀删除，又可能把不同法人并成一家。标准化的目标，是让同一种信息能比较，同时保留业务上有意义的差异。

入库前，先给关键字段设置三层：原始值、标准值、匹配键。原始值用于追溯；标准值用于展示和筛选；匹配键专门用于找重复。例如，公司标准名保留法律后缀，匹配键可以忽略大小写、连续空格及部分标点，但不能直接代替公司身份。

再加上来源、采集日期、规则版本和处理状态。处理状态至少区分「已标准化」「待确认」「缺失」，不要让空白同时代表没采集、清洗失败和不适用。小团队可以先用表格完成这些字段，不必等系统改造。

还要提前确定名单的粒度：一行是一家公司，还是一个联系人？同公司下的采购经理和技术经理，通常应保留为两个联系人；集团总部和独立子公司，也不能仅凭品牌名称相同就合并。

二、公司名后缀归一：统一写法，保留身份

公司名先处理首尾空格、重复空格和明显的字符宽度差异，再处理后缀。不要一开始就翻译名称、删除括号或移除城市词：括号里可能是分支机构，城市可能是区分同名公司的线索。

建议维护一张后缀映射表，限定「适用地区、允许变体、标准写法」。例如，你可以在内部规则中将末尾的 GmbH 大小写变体归到 GmbH，将末尾的 Ltd. 与 Ltd 归到同一种展示写法。这是名单的书写约定，不代表不同法律形式可以互换，也不代表两个相似名称属于同一法人。

以下为假设示意：「Nordwerk Maschinenbau GMBH」可展示为「Nordwerk Maschinenbau GmbH」，另生成忽略后缀的候选匹配键。若名单里还有「Nordwerk Maschinenbau AG」，只能进入人工复核，不能因为主体词相同就合并。

后缀识别应限定在名称末尾，并考虑相邻标点，别全局替换字符。缩写可能出现在品牌名中；遇到名称与地区冲突、后缀不明或多个语言版本时，先保留原名。匹配时结合域名、地址、国家与来源，给证据不足的记录留一个「待确认」出口。

三、国家与职位：用字典统一，不靠临时猜测

国家或地区字段最容易被写成国家、城市和销售区域的混合物。你需要先定义这个字段表示什么：公司所在地、联系人办公地，还是发货目的地。三者有不同用途，不能混在一列。

以下是一套可套用的内部规则示意。正式使用前，应按你的客户市场、系统字段和分析口径调整字典。

地区名称采用统一的内部口径，但不要为了统一展示而丢掉原始细分信息。国家、州省、城市和销售区域分列后，你才能回答「德国客户有多少」与「欧洲市场覆盖到哪里」这两种不同问题。

职位建议拆成职能和层级两个维度。职能可设采购、技术、销售、管理、其他、待确认；层级可设负责人、经理、执行、待确认。小团队先保持类别少而稳定，遇到组合职位时允许记录主职能和次职能。

例如，Technical Buyer 可以按你的规则归入采购并保留技术标签；Owner 则不能自动等同于采购负责人。对德国机械进口商做名单筛选时，头衔只是线索，还要结合公司规模、岗位描述及实际回复判断职责。

四、电话与邮箱：可比较，也要保留联系价值

电话先按文本保存，避免表格把加号、前导零或长号码改掉。随后拆出原号码、国家线索、主号码、分机和处理状态。国际格式的展示目标是「加号＋国家呼叫代码＋号码主体」，但号码主体如何转换，应依据对应地区规则确认。

不能看到本地号码开头的零就一律删除，也不能只根据公司国家给所有联系人补同一个代码。联系人可能在海外办公室，号码也可能是总部总机。缺乏明确国家线索时，只清理格式并标记待确认；有冲突时先复核来源。

分机不能拼进用于比较的主号码。两个人共用总机、使用不同分机，意味着号码相同未必就是联系人重复。同样，号码格式通过检查，也不代表能接通，更不代表已经确认了 WhatsApp 注册状态。

邮箱先去首尾空格，检查是否存在多个地址混在一个单元格，再把域名部分统一小写。对前半部分采取保守策略：原始值和展示值保留大小写，若要建立全小写的辅助匹配键，只用于提示疑似重复，不直接触发合并或改写发送地址。

不要顺手删除邮箱中的点号、加号后缀或其他字符。不同邮箱系统的处理规则可能不同；未经确认的简化容易把不同地址误当成一个。共享邮箱也只能作为公司层面的线索，不能证明两条联系人记录是同一个人。

五、照这个顺序做：从原表到可入库名单

1. 固定原表：保存本批次原始名单，为每行分配稳定编号，后续调整都能对应回原记录。
2. 确定字典：写清公司后缀、国家与地区、职位类别、缺失值的映射规则，并记录版本。
3. 先清格式：处理空格和可确认的书写差异，拆分混在同一格中的电话、分机或多个邮箱。
4. 再做归类：生成标准公司名、国家、职能与层级；无法确定的值进入待确认队列。
5. 生成匹配键：公司、邮箱和电话分别生成比较字段，缺失值不参加相等匹配。
6. 分级复核：多项证据一致的记录优先检查；只有公司简称相似的记录降低优先级，保留独立身份。
7. 输出入库结果：同时交付标准表、异常清单和合并记录，明确每次合并保留了哪些字段。

合并时不要把整行简单覆盖。较新的职位可能更有参考价值，但较早的记录可能保留有效分机或来源。你需要按字段选择保留值，并记录依据；对于互相冲突的国家、职位和联系方式，应保留冲突提示。

首次上线规则前，抽查每一种后缀、每个高频国家别名，以及所有无法识别的值。抽查重点不是表格是否整齐，而是规则有没有改变公司身份、联系人身份或联系地址。

六、换个思路：命中率提高，也可能只是合并更大胆

标准化的收益应当体现在「找回原先漏掉的重复」，而不是「删掉更多记录」。如果把公司名后缀全部删除、把共享总机视为唯一身份，候选数量可能上涨，误合并也会一起上涨。

下面完全是假设演算，属于效果示意，不是实测结果或产品承诺。设一份人工标注样本含 100 对确认重复记录，以及 100 对名称相似但确认不同的记录。前后使用同一套匹配规则和阈值，仅改变输入字段是否经过标准化。

这里的「去重命中率」明确定义为：正确识别的重复对数除以人工确认的重复对数，更准确地说是样本上的重复召回率。假设结果提高了 36 个百分点，但误判也增加了，因此不能直接据此放宽合并权限。

你可以用自己的标注样本复现这个比较，并逐对记录命中原因：公司空格统一、后缀写法统一，还是邮箱域名统一。漏掉的重复和新增误判都要看。若样本没有覆盖子公司、同名公司和共享邮箱，结论只适用于已覆盖的情况。

七、把标准化变成持续维护的入库规则

一次清洗只能解决一次导入的问题。把已经确认的别名加入字典，让新批次沿用同一规则；新增地区、异常后缀和组合职位先进入待确认队列。不要让每位业务员各自维护一套「看起来差不多」的写法。

字段整理好后，可以按客户名单清洗与去重的方法安排匹配和复核，再用客户数据质量检查检查缺失、冲突与过期信息。需要补充公司或联系人字段时，参考客户数据补全的处理思路，先统一字段定义，再接收新增信息。

你最终要交付的不是一张没有空格的表，而是一份能解释、能回滚、能持续导入的客户名单。先处理最常见的脏值，再用异常记录修订字典，通常比追求一次覆盖全部情况更容易落地。

常见问题

公司后缀都删掉，去重不是更容易吗？

可以生成忽略后缀的辅助匹配键，但标准公司名应保留后缀。主体词相同只能说明值得检查；不同法人、子公司和分支机构需要结合国家、域名及地址复核。

邮箱大小写到底要不要全部统一？

域名部分统一小写，前半部分默认保留。确有需要时可另建全小写的比较键，用来提示疑似重复；未经确认，不用它改写联系地址或直接合并联系人。

没有人工标注样本，能算去重命中率吗？

只能统计系统标出了多少候选，不能据此确认找回了多少真实重复。先人工确认一批重复和相似但不同的记录，再比较清洗前后结果；样本覆盖范围也要随结果一起说明。