डेटा की गुणवत्ता

पता डेटा में नामों का लिप्यंतरण और डायक्रिटिक्स

किसी ऐसी सड़क का नाम जिसमें एक्सेंट वाला अक्षर, umlaut या किसी गैर-लैटिन लिपि का अक्षर हो, जायज़ तौर पर कई अलग-अलग लिखित रूपों में दिख सकता है, और संदर्भ के हिसाब से वे सभी सही हो सकते हैं। umlaut वाली किसी जर्मन सड़क का नाम umlaut के साथ लिखा जा सकता है, या जब umlaut वाला अक्षर उपलब्ध न हो तो मानक विकल्प के रूप में उस अक्षर के बाद एक अतिरिक्त "e" लगाकर। मूल रूप से किसी गैर-लैटिन लिपि में लिखे गए नाम का लैटिन अक्षरों में एक से ज़्यादा मान्य तरीकों से लिप्यंतरण हो सकता है, क्योंकि लिप्यंतरण परंपराओं का एक समूह है, कोई अकेला निश्चित फ़ंक्शन नहीं, और अलग-अलग प्रणालियाँ अलग-अलग उचित चुनाव करती हैं।

इससे जियोकोडिंग के लिए मिलान की एक असली समस्या बनती है। अगर कोई उपयोगकर्ता एक सही वर्तनी से पता टाइप करता है और मूल डेटा किसी दूसरी, उतनी ही सही वर्तनी से इंडेक्स किया गया था, तो सीधी-सादी हूबहू मिलान वाली खोज विफल हो जाती है, जबकि दोनों रूप साफ़ तौर पर एक ही असली सड़क के हैं। यह पारंपरिक अर्थ में डेटा की गलती नहीं है, दोनों वर्तनियाँ सही हैं, लेकिन उपयोगकर्ता के सामने इसका लक्षण वैसा ही होता है: एक खोज जो कुछ नहीं लौटाती जबकि उसे साफ़ तौर पर कोई नतीजा लौटाना चाहिए था।

अच्छा पता मिलान इसे तुलना से पहले इनपुट को नॉर्मलाइज़ करके संभालता है: डायक्रिटिक्स हटाकर या उन्हें मानक रूप देकर, जाने-माने विकल्प नियमों का ध्यान रखकर, और किसी क्षेत्र के आम वैकल्पिक लिप्यंतरणों को स्वीकार करके, बजाय इसके कि मूल डेटा ने नाम को जिस भी रूप में रखा हो उससे अक्षर-दर-अक्षर हूबहू मिलान माँगा जाए। यह मूल रूप से फ़ज़ी मिलान की समस्या है, और यह किसी मिलान के लिए लौटाए गए confidence स्कोर को सीधे प्रभावित करती है, क्योंकि डायक्रिटिक या लिप्यंतरण के किसी वैरिएंट के ज़रिए मिले पते का confidence उचित रूप से उस पते से थोड़ा अलग होता है जो हूबहू शाब्दिक स्ट्रिंग से मिला हो।

अपने पता इनपुट को संभालने के तरीके को खास तौर पर डायक्रिटिक्स वाले नामों और उन जगहों पर टेस्ट करना चाहिए जहाँ लिप्यंतरण आम है, बजाय यह मानने के कि आपका टेस्ट पता सेट, अगर वह ज़्यादातर एक ही लिपि वाले घरेलू पतों पर टिका है, उन सभी तरह के इनपुट का प्रतिनिधित्व करता है जो आपके उपयोगकर्ता असल में टाइप करेंगे। जो फ़ॉर्म किसी सही वर्तनी वाले अंतरराष्ट्रीय पते को चुपचाप बिगाड़ देता है या अस्वीकार कर देता है, वह उपयोगी ट्रैफ़िक का एक शांत लेकिन असली नुकसान है, और यह डेटा गुणवत्ता की उन समस्याओं में से है जिन्हें जानबूझकर विविध टेस्ट सेट से जल्दी पकड़ना ज़्यादा आसान है।

अगर आप अंतरराष्ट्रीय पतों के लिए कोई ऑटोकम्प्लीट या इनपुट फ़ील्ड बना रहे हैं, तो यह मान लेने के बजाय कि आपके मौजूदा घरेलू टेस्ट केस इस तरह के इनपुट को कवर करते हैं, पता ऑटोकम्प्लीट एंडपॉइंट का इस्तेमाल करके इसे कई लिपियों और डायक्रिटिक वैरिएंट पर सीधे टेस्ट करें।