Abstract:
Fehlende eindeutige Identifikatoren erschweren die Verknüpfung von Verwaltungsdaten mit dem statistischen Unternehmensregister. Der Beitrag präsentiert einen überwachten Machine-Learning-Ansatz, der eindeutige Matches als Trainingsbasis nutzt: Nach Normalisierung von Namens- und Adressdaten werden optimierte StringÄhnlichkeitsmaße mit numerischen Merkmalen in einem Random-Forest-Modell kombiniert. Durch Datenbereinigung, Balanced Sampling und Negativmatches entsteht ein robuster Workflow für die Datenverknüpfung. Der Ansatz übertrifft klassische Matching-Verfahren und bietet eine praktikable Methodik für ähnliche Herausforderungen - etwa bei anderen Datenverknüpfungsaufgaben in der amtlichen Statistik.
Abstract (Translated):
The absence of unique identifiers makes it difficult to link administrative data with data in the German statistical business register. This paper presents a supervised machine learning approach that uses exact matches as a training basis. After normalising name and address data, optimised string similarity metrics are combined with numerical features in a random forest model. Data cleaning, balanced sampling, and negative matches create a robust workflow for record linkage. The approach outperforms traditional matching methods and provides a practical methodology for similar challenges such as other data linkage tasks in official statistics.