# Curățare și normalizare de date, cu originalul păstrat | e-data > Curățăm datele firmei: dubluri unite, formate unificate, valori invalide semnalate. Cu originalul păstrat și raport de calitate, pe serverul firmei. Adresa: https://www.e-data.ro/servicii/curatare-normalizare # Același client, scris în cinci feluri. Îl facem unul singur. Dubluri, telefoane în trei formate, date care se pot citi în două feluri, CUI-uri cu și fără RO. Curățăm datele după reguli stabilite cu voi, păstrăm originalul și vă arătăm exact ce s-a schimbat. [Cere o evaluare gratuită](https://www.e-data.ro/contact?serviciu=curatare-normalizare#formular) [Curăță un tabel](#tabel) - Reguli stabilite cu voi - Originalul rămâne - Rulat pe serverul firmei 1. **Date brute** Din trei programe și zece oameni. 2. **Profilare** Ce lipsește, ce se repetă. 3. **Dubluri unite** Un client, o singură dată. 4. **Același format** Date, telefoane, denumiri. 5. **Validare** Ce e imposibil, la un om. ## Pe scurt e-data curăță datele firmei după reguli stabilite cu voi: unește dublurile după CUI, aduce datele, telefoanele, sumele și localitățile la același format și trimite valorile imposibile la un om. Originalul rămâne neatins, primiți un raport de calitate, iar regulile rulează pe serverul firmei la fiecare import nou. - **Pentru cine:** Firme cu liste de clienți și comenzi trecute prin mai multe programe și oameni - **Ce primești:** Date fără dubluri, formate unificate, jurnalul schimbărilor și raport de calitate - **Unde rulează:** Pe serverul firmei, cu unelte open-source - **Integrări:** Verificări externe doar dacă le alegeți, de exemplu validarea CUI la ANAF - **Preț:** Fix, în scris, după evaluarea gratuită ## Tabelul murdar Șapte rânduri dintr-o listă de clienți, așa cum arată de obicei după ce au trecut prin trei programe și câțiva oameni. Rulează pașii și urmărește ce se schimbă. **Deduplicare** Unește rândurile care sunt aceeași firmă **Normalizare** Același format pentru fiecare coloană **Validare** Verifică ce e imposibil sau invalid **0** probleme găsitePornește cu oricare pas. Ia-o de la capăt __Lista de clienți, înainte și după pașii de curățare__ | # | Firmă | CUI | Telefon | Localitate | Data comenzii | | - | ----------------------- | ----------- | ---------------- | ----------- | ------------- | | 1 | SC ALTEX SRL | RO16384722 | lipsă | Bucuresti | 03/04/25 | | 2 | Altex S.R.L. | 16384722 | 0722.123.456 | București | 2025-04-03 | | 3 | Tehnoclim srl | RO 35192065 | 0264 555 010 | Cluj Napoca | 4.4.2025 | | 4 | TEHNOCLIM S.R.L. | 35192065 | +40264555010 | Cluj-Napoca | 04.04.2025 | | 5 | Agro Vest SRL | 41826356 | 0745 22 11 | Timisoara | 2025-04-31 | | 6 | Farmacia Sf. Ana S.R.L. | RO27508133 | 0040 731 000 222 | Iasi | 05/04/2025 | | 7 | brutaria marasesti srl | 19063476 | 0721-444-555 | Marasesti | 2025/04/06 | Exempluschimbat la ultimul pasinvalid, trimis la un omdublură unită Firme, coduri și numere inventate pentru exemplu. Pe datele voastre, regulile le stabilim împreună. ## Datele murdare nu dau erori. Dau rezultate greșite. Un program nu se plânge de un CUI scris în două feluri. Doar numără doi clienți. Iar un model antrenat pe astfel de date învață și greșelile. **Clientul numărat de trei ori** SC ALTEX SRL, ALTEX și Altex S.R.L. sunt trei clienți în raport. Vânzările pe client, media pe comandă și prognoza ies toate greșit. **Aceeași dată, două luni** 03/04/25 e 3 aprilie sau 4 martie? Depinde cine a introdus-o și în ce program. Un model nu are cum să știe. **Încrederea se pierde repede** După prima cifră greșită dintr-un raport, echipa se întoarce la Excelul ei. Și proiectul de AI se oprește acolo. ## Ce corectăm Fiecare tip de problemă are regula lui, scrisă și agreată. Aceeași regulă se aplică pe un rând sau pe un milion. - **Dubluri** ~~SC ALTEX SRL, Altex S.R.L.~~`Altex SRL`Unite după CUI, nu după nume. - **Formate de dată** ~~03/04/25, 4.4.2025~~`2025-04-03`Cu regula scrisă: ziua e prima. - **Telefoane** ~~0722.123.456, 0040 731…~~`+40 722 123 456`Un singur format, cu prefixul țării. - **Diacritice și denumiri** ~~Timisoara, Cluj Napoca~~`Timișoara, Cluj-Napoca`Verificate cu lista oficială a localităților. - **Sume și unități** ~~1.240,50 lei, 1240.5 RON~~`1240.50 RON`Aceeași monedă, același separator. - **Valori imposibile** ~~31 aprilie, CUI greșit~~`Trimise la un om`Nu le „reparăm” ghicind. Datele vin din mai multe programe? Le putem aduce întâi împreună, prin [colectare și ingestie](https://www.e-data.ro/servicii/colectare-ingestie) . Iar după curățare, un set bun poate trece la [etichetare](https://www.e-data.ro/servicii/etichetare-anotare) sau direct la [antrenarea unui model](https://www.e-data.ro/servicii/training-modele) . ## Nimic nu se pierde pe drum Curățarea proastă e mai periculoasă decât datele murdare, pentru că șterge urmele. De aceea lucrăm așa: - **Originalul rămâne:** Nu suprascriem datele sursă. Varianta curată stă alături, iar oricând puteți compara cu ce era înainte. - **Fiecare schimbare are un motiv:** Jurnalul spune ce regulă a schimbat ce valoare și când. Nimic nu se modifică fără urmă. - **Ce e nesigur ajunge la un om:** Două firme cu nume apropiat, dar CUI diferit, nu se unesc singure. Primiți lista cazurilor de decis. - **Totul, pe serverul firmei:** Curățarea rulează în infrastructura voastră, cu unelte open-source. Datele nu ajung la un serviciu extern. ## Cum lucrăm Începem cu o evaluare gratuită, pe un eșantion din datele voastre, ca să vedeți starea lor înainte de orice preț. 1. 1**Profilare** Măsurăm starea datelor: câte dubluri, ce formate, ce lipsește și ce e imposibil. 2. 2**Regulile, în scris** Stabilim împreună cum arată o valoare corectă și ce facem cu fiecare tip de greșeală. 3. 3**Curățarea** Aplicăm regulile pe tot setul, repetabil, și vă trimitem cazurile care cer o decizie. 4. 4**Raportul de calitate** Vedeți ce s-a schimbat, câte probleme au fost și cum arată datele acum. 5. 5**La fiecare import nou** Aceleași reguli rulează singure pe datele care intră, ca să nu se strice iar. ## Întrebări frecvente Pierdem date la curățare? Nu. Nu ștergem nimic din sursă. Varianta curată stă alături de original, iar raportul arată fiecare schimbare. Dublurile se unesc, dar rândurile inițiale rămân în jurnal. Ce înseamnă normalizare, concret? Aceeași convenție pentru aceeași informație: un singur format de dată, de telefon și de sumă, aceeași scriere pentru aceeași firmă sau localitate. Așa, programele și modelele le tratează ca pe același lucru. Cum știți că două rânduri sunt aceeași firmă? După reguli agreate cu voi, de obicei după identificatori siguri precum CUI-ul, apoi după nume, adresă sau telefon. Când potrivirea nu e sigură, cazul ajunge la un om, nu se unește singur. Se face o singură dată? Poate fi o curățare o singură dată, dar de obicei are sens să rămână în fluxul de date: regulile rulează la fiecare import, ca datele noi să intre deja curate. Datele trec printr-un serviciu extern? Nu. Curățarea rulează pe serverul firmei. Singurele verificări externe sunt cele pe care le alegeți voi, de exemplu validarea unui CUI la ANAF. Cât costă? Depinde de volum, de numărul de surse și de cât de murdare sunt datele. După evaluarea gratuită primiți un preț fix, în scris. ## Câți clienți aveți, de fapt? Trimiteți-ne un eșantion. La evaluarea gratuită vă arătăm câte dubluri și erori are și ce ar însemna să le curățăm, cu preț fix în scris. [Cere o evaluare gratuită](https://www.e-data.ro/contact?serviciu=curatare-normalizare#formular) [Sună-ne: 0750 214 446](tel:+40750214446) ## Servicii înrudite - [**Colectare și ingestie** Date adunate automat din toate sursele](https://www.e-data.ro/servicii/colectare-ingestie) - [**Etichetare și anotare** Seturi de date gata de antrenare](https://www.e-data.ro/servicii/etichetare-anotare) - [**Feature engineering** Variabilele care fac un model bun](https://www.e-data.ro/servicii/feature-engineering) - [**Analiză predictivă** Ce urmează, pe baza a ce s-a întâmplat](https://www.e-data.ro/servicii/analiza-predictiva) --- Sursa: e-data (E-DATA S.R.L.), https://www.e-data.ro/servicii/curatare-normalizare. Contact: contact@e-data.ro, 0750 214 446.