同一个客户有三个账号，AI 问数到底应该算几个人？

一位顾客可能在线下门店办过会员，用手机号下过单，又用另一个邮箱注册了小程序。

业务问：“我们有多少客户？”

如果 AI 按记录行数计数，答案是 3；如果能识别这些账号属于同一个人，答案才是 1。

重复记录不一定完全相同

企业常见的身份标识包括：

• •客户 ID、会员号和账户 ID；
• •手机号、邮箱和证件号；
• •企业统一社会信用代码；
• •收货地址、设备 ID 和第三方平台 OpenID；
• •姓名、公司名与联系人信息。

现实中会出现手机号更换、邮箱拼写差异、公司简称不同、历史系统迁移和多人共用联系方式。仅用 DISTINCT 对整行去重，通常解决不了问题。

先区分确定性匹配与概率匹配

确定性规则适合强标识，例如经过标准化后的证件号或企业代码完全一致。

概率匹配则需要综合姓名、地址、邮箱、电话等多个弱信号，计算两条记录属于同一实体的可能性。AWS Entity Resolution 将这类工作分为基于规则和基于机器学习的匹配流程，并支持为匹配结果生成统一 ID。

AI 问数不应在每次查询时临时猜测客户身份，而应使用已经治理过的实体映射结果。

“黄金记录”不等于删除原始数据

客户主数据通常需要同时保留：

• •原始系统记录和来源；
• •原始客户 ID 到统一实体 ID 的映射；
• •匹配规则、置信度和处理时间；
• •冲突字段采用哪个来源的决策；
• •可人工复核与拆分错误合并的机制。

这样既能按统一客户分析，也能追溯某笔订单来自哪个系统账户。

不同问题使用不同去重粒度

“客户数”并不总是同一个指标：

• •注册账户数按账户 ID；
• •购买客户数按统一客户实体；
• •收货人数可能按收货人；
• •企业客户数按法人主体；
• •门店到访人数可能按设备或匿名访客标识。

如果语义层只提供一个模糊的“用户数”，AI 很容易在不同场景下混用粒度。

结论

客户去重不是简单删重复行，而是建立跨系统、可追溯、可复核的身份关系。

先定义本次问题中的“一个客户”代表账户、自然人、家庭还是企业，再使用统一实体 ID 计算，AI 才能正确回答客户规模、复购率、客单价和生命周期价值。

参考来源

• •AWS Entity Resolution：What is AWS Entity Resolution?
• •AWS Entity Resolution：Create a matching workflow