Fonética de Colônia

A fonética de Colônia, conhecida em alemão como Kölner Phonetik, mapeia sobrenomes e prenomes para uma cadeia curta de dígitos para que variantes com som parecido compartilhem a mesma chave. Registros civis, tarefas de deduplicação em CRM e ferramentas de genealogia usam isso quando Müller deve corresponder a Mueller, ou Schneider agrupar-se com Schnyder, sem um modelo fonético completo. Você obtém um campo code estável e a sequência de letras normalizada para auditar por que dois registros colidiram.

O que a fonética de Colônia codifica e por que os nomes colidem

A fonética de Colônia foi projetada para listas civis em língua alemã, onde a deriva ortográfica é comum: trema escrito como dígrafos, H mudo, C suave versus C duro, e X com dois códigos. O algoritmo não reivindica precisão IPA; busca uma chave compacta e determinística que agrupe nomes que as pessoas pronunciam de modo semelhante. As letras A, E, I, J, O, U e Y mapeiam para zero e depois desaparecem salvo se abrirem o código.

O H é ignorado por completo. Consoantes mapeiam de um a oito com regras de contexto — por exemplo, P antes de H vira três como F; D ou T antes de C, S ou Z vira oito como S; e X vira quarenta e oito salvo se seguir C, K ou Q. Após o passo das letras, dígitos idênticos consecutivos colapsam de modo que Schmidt e Schmied ambos reduzem a oito-seis-dois, e os zeros restantes são removidos exceto um zero inicial.

Por isso Müller, Mueller e Muller rendem todos seis-cinco-sete, e Mayer, Meier, Maier e Mayr compartilham seis-sete. Equipes de genealogia e dados mestres tratam códigos iguais como correspondência candidata, não prova de identidade: nomes do meio, sobrenomes de casamento e erros de transcrição ainda exigem revisão humana ou checagens secundárias. Use o campo normalized devolvido para ver quais letras sobreviveram à remoção de espaços, hífens e dígitos antes da codificação.

O que você pode digitar e o que recebe

Colagens extremamente longas acima do limite de caracteres publicado também falham para que workers de borda permaneçam previsíveis. Caracteres não alfabéticos nunca aparecem em normalized: pontuação, espaços e dígitos são removidos antes da codificação. Se nenhuma letra restar — por exemplo text igual a 12345 ou só símbolos — a tarefa falha com mensagem de entrada vazia ou não alfabética e pede ao menos uma letra.

Essas falhas não são faturadas. Não há direção de decodificação: códigos de Colônia são muitos-para-um e com perda, então a busca reversa exigiria um dicionário de nomes externo que você mantenha. Exemplo: text Müller gera code 657 com normalized MULLER; text Schmidt gera 862; text Fischer gera 387.

Onde a fonética de Colônia ajuda na prática

Plataformas de dados de clientes usam a fonética de Colônia no merge-and-purge do onboarding para que sobrenomes alemães digitados com e sem trema não criem contas duplicadas. Scripts de migração do setor público anexam uma coluna de código cologne ao lado de colunas soundex ou metaphone ao comparar extratos cidadãos de várias fontes. Módulos de sala de aula que ensinam correspondência de nomes precisam de um oráculo determinístico que rejeite colagem vazia em vez de devolver string vazia que um avaliador defeituoso poderia tratar como correspondência total.

Prefira este codificador quando o corpus for alemão ou da Europa Central; para soletração radiofônica só em inglês use uma ferramenta do alfabeto OTAN, e para correspondência aproximada orientada ao inglês compare landings soundex ou metaphone em vez de forçar Colônia em nomes anglo. Mantenha pedidos em nomes únicos ou tokens curtos, armazene o código ao lado da grafia original e recodifique após limpar títulos como Dr ou Frau no seu próprio pipeline se quiser chaves sem título.