补全、清洗与去重客户数据

数据问题通常不是“字段不够”

客户数据最常见的抱怨是字段太少，但真正影响使用的往往是身份不一致：同一家公司在三张表里有三个名称，域名有的带 www 有的不带，联系人邮箱一列是个人地址一列是通用地址。没有稳定主键，补全只会把更多信息叠加到不可靠的记录上。清洗的第一步不是补字段，而是确定“这条记录代表谁”。

公司主键可以使用根域名或注册号，联系人主键可以使用企业邮箱或“姓名 + 公司域名”的组合。主键规则要在团队内统一，并记录例外处理方式。对于集团、子公司、经销商和工厂，不能简单按公司名合并；它们可能是不同的采购主体。去重也不是删除，而是合并并保留来源，以便日后回溯。

瀑布式补全的取舍

瀑布式补全指按顺序尝试多个数据源，直到得到可用结果。它的优点是覆盖面更广，缺点是成本和字段一致性更难控制。一个可维护的做法是：先定义每个字段的优先级和可接受来源，再决定调用顺序。例如公司规模可以接受商业数据库或官方文件，联系人邮箱则需要工具结果加独立验证。不要把所有字段都交给同一个来源，也不要在第一个来源失败时立刻用模型猜测。

补全结果应带上来源、日期和可信度。对于无法确认的字段，保留为空或标记 unknown，比填入一个看似合理的值更安全。下游的客户分级如果使用了错误字段，会造成系统性偏差，而且很难发现。

AI 可以改善哪一段

AI 擅长处理非结构化文本：从邮件签名中提取公司名和职位，把不同格式的地址标准化，识别可能的重复记录，解释字段冲突。它也可以帮助设计字段字典和去重规则。需要注意的是，AI 对实体身份的判断仍然需要规则和样本验证；对于公司名称相似但法律实体不同的情况，模型很容易误合并。

在数据清洗中使用 AI，应保留原始值和转换后的值，记录处理规则，并抽样检查。涉及个人信息时，避免把完整数据集发送到不必要的第三方服务。若使用自动化工作流，建议先在副本上运行，确认合并和覆盖逻辑不会破坏主数据。

合规与数据治理

客户数据可能包含个人信息、商业联系方式和历史沟通记录。需要明确：数据从哪来、为什么保存、保存多久、谁能访问、如何删除。跨境传输还要考虑适用法律和合同安排。补全服务的使用条款可能限制数据用途，不能把一次购买的数据无限期用于任何渠道。

安全方面，至少应控制导出权限、避免在公开表格中存放完整联系人库、为自动化流程设置最小权限，并保留操作日志。对于邮箱验证服务，注意其返回结果的准确率边界，不要把所有“有效”都理解为“可以安全发送”。

入门建议

先用一张表做小样本清洗：选一百条记录，定义主键，手工合并重复，记录冲突字段，再决定哪些字段值得补全。不要一开始就接五个数据源。等规则稳定后，再用 Clay、n8n 或表格公式逐步自动化。每次补全后抽查十到二十条，确认来源和字段没有被错误覆盖。

判断数据是否可用

看五个方面：主键是否唯一，重复率是否可解释，关键字段的填充率与可信度，变更是否可追溯，删除和退出机制是否可用。一份字段较少但来源清楚的数据，通常比一份字段齐全但无法解释的数据更有价值。