Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/299145 
Erscheinungsjahr: 
2024
Quellenangabe: 
[Journal:] WISTA - Wirtschaft und Statistik [ISSN:] 1619-2907 [Volume:] 76 [Issue:] 3 [Year:] 2024 [Pages:] 67-79
Verlag: 
Statistisches Bundesamt (Destatis), Wiesbaden
Zusammenfassung: 
Das Statistische Bundesamt hat den gesetzlichen Auftrag, ein Register über Unter nehmensbasisdaten für Deutschland aufzubauen. Die Inhalte und Ziele des Basisre gisters für Unternehmen werden in dem zugrunde liegenden Gesetz definiert. Diese liegen vor allem in der Konsolidierung der Basisdaten von Unternehmen aus verschie denen Quellregistern an einer zentralen Stelle sowie die Gewährleistung von deren Aktualität und Richtigkeit. Die korrekte und effiziente Verknüpfung der Basisdaten von Unternehmen aus den verschiedenen Quellregistern hat hierbei eine herausragen de Bedeutung. Dafür hat das Statistische Bundesamt intern eine explorative Studie durchgeführt, die den Nutzen von maschinellem Lernen zur Verknüpfung der Quellda ten evaluiert hat. Darüber hinaus informiert der Beitrag über einen teilautomatisierten Ansatz, welcher Verknüpfungen nur unter der Voraussetzung von hinreichend sicheren Vorhersagen vornimmt.
Zusammenfassung (übersetzt): 
The Federal Statistical Office has a legal mandate to establish a register of basic enterprise data for Germany. The content and objectives of the basic register of enterprises are defined in the underlying legal act. Its main aims are to consolidate basic enterprise data from various source registers in a central location and to ensure the timeliness and accuracy of the data. Correct and efficient linkage of the basic enterprise data from various source registers is of paramount importance in this context. For this purpose, the Federal Statistical Office conducted an internal exploratory study to evaluate the benefits of machine learning for linking source data.
Schlagwörter: 
Datensatzverknüpfung
Registerdaten
Textähnlichkeit
überwachtes Lernen
Datenanalyse
data record linkage
register data
text similarity
supervised learning
data analysis
Dokumentart: 
Article

Datei(en):
Datei
Größe
360.5 kB





Publikationen in EconStor sind urheberrechtlich geschützt.