我们不怕公布我们的全球准确率 ，这意味着我们 的时间都能准确识别账户。我们遵循这种方法，因为我们坚信错误识别账户比根本没有识别更糟糕。 错误的识别会导致错误的决策，甚至可能导致销售偏向错误的账户。 我们的这种方法还可以让我们的意图和广告印象保持较高的准确性，但我们不会在这里讨论这个问题。 其他供应商使用面向客户的“置信度分数”以及他们的帐户识别图表。 这会导致更高的匹配率，但自然会产生更不准确的识别率—— “嘿，我们共享置信度分数，所以如果你在它不是 置信度时采取行动，那是你的错”。使用这种方法，这些供应商往往是最响亮的，你会听到 “我们的匹配率最高” 或 “与竞争对手相比，我们识别了更多帐户”。
对于只关心“匹配率”的 组织 来说，无论正确与否，这个供 阿富汗数据 有吸引力。 问题 — 选择性统计问题。 如果不分享整个方法和定义，每个供应商都可以通过简单地调整其“匹配率”定义等方式，让自己看起来拥有最高的“匹配率”。 他们甚至可能分享一份精美的幻灯片摘要，证明匹配率百分比是正确的。此外，使用置信度分数的供应商可以随时轻松地操纵杠杆，人为地提高匹配率百分比，以让自己看起来比竞争对手更好。 问题——准确性测试问题。 既然您现在了解了上述三个问题，您可能希望进行准确性评估。执行此测试的最明显方法是获取您的第一方数据并将其与每个供应商与您共享的识别数据进行比较。
这通常是一个非常合理的比较， 但它衡量的是数据的准确性，而不是“匹配率”。 但是，这项测试并非没有偏见。假设两个供应商的准确性相当。在这种情况下，人们倾向于认为两家供应商之间的竞争“赢家”取决于谁的匹配率最高。毕竟，匹配率为 且不准确率只有 的供应商比匹配率为 且不准确率同样为 的供应商要好，对吧？ 不幸的是，这行不通。您的第一方数据可能包含更多知名公司，它们的数字足迹更大。因此，您的数据自然会包含更多处于较高置信度分数类别的账户，并且您无需测试每个供应商试图匹配的较小组织的准确性，这些组织的数字足迹较小， 最终对您的业务无关紧要。