Eine Personalberaterin aus Hamburg erzaehlte mir von einem peinlichen Moment: Ihr Team hatte denselben Kandidaten zweimal auf eine Stelle platziert — mit unterschiedlichen Lebenslaeufen, unterschiedlichen Ansprechpartnern und am Ende einem fassungslosen Kunden. Das Duplikat war jahrelang in der Datenbank versteckt gewesen, weil der Kandidat seinen Nachnamen nach der Heirat geaendert hatte.
Dieses Szenario ist kein Einzelfall. Nach Branchenschaetzungen enthalten 10 bis 20 % der Kandidaten-Datenbanken Duplikate. In einer Datenbank mit 50.000 Profilen bedeutet das bis zu 10.000 redundante Eintraege.
Warum Namensabgleich allein scheitert
Der klassische Ansatz im ATS-Bereich: Beim Import eines neuen Profils wird geprueft, ob Name und Vorname bereits existieren. Klingt logisch. Scheitert jedoch an der Realitaet:
- Namensaenderungen: Heirat, Scheidung, Einbuergerung — Namen aendern sich. Maria Schmidt wird zu Maria Lehmann.
- Tippfehler und Varianten: Mueller vs. Muller, Celik vs. Celik — technisch verschiedene Strings, dieselbe Person.
- Gleichnamige Kandidaten: Es gibt in Deutschland rund 52.000 Personen mit dem Namen Thomas Mueller. Ein Treffer nach Name ist wertlos ohne weiteren Kontext.
Unser altes System hat Duplikate nach Name und Firma gesucht. Nach drei Jahren Betrieb hatten wir 4.200 doppelte Eintraege — davon waren 600 in aktiven Mandaten. — Teamleiter einer Frankfurter Personalberatung
Die starken Signale: E-Mail, Telefon, LinkedIn
Moderne Duplikatserkennungssysteme verlassen sich auf Identifier, die sich kaum aendern und faktisch eindeutig sind:
| Signal | Eindeutigkeit | Stabilitaetsdauer | Abdeckung |
|---|---|---|---|
| E-Mail-Adresse | Sehr hoch | 5-10 Jahre | ~95 % |
| Telefonnummer | Hoch | 3-7 Jahre | ~80 % |
| LinkedIn-URL / Profil-ID | Global eindeutig | Sehr lang | ~70 % (DACH) |
| Name + Firma + Standort | Mittel | 1-3 Jahre | 100 % |
Die beste Duplikatlogik arbeitet mit einer Signalgewichtung: Stimmt die E-Mail-Adresse ueberein, ist das ein starkes Indiz — selbst wenn Name und Firma abweichen. Stimmen LinkedIn-ID und Telefonnummer ueberein, ist es ein Treffer.
DSGVO und Duplikate: Das unterschaetzte Risiko
Duplikate sind kein rein technisches Problem. Artikel 5 Absatz 1 Buchstabe d DSGVO verlangt die Richtigkeit personenbezogener Daten. Doppelte Eintraege mit widerspruechlichen Angaben verstossen gegen dieses Gebot.
Konkret: Hat ein Kandidat nach Artikel 17 DSGVO die Loeschung seiner Daten beantragt und Sie loeschen nur einen von zwei Eintraegen, leben seine Daten weiter. Aus einem Compliance-Versaeumnis wird ein Bussgeldrisiko.
Fuer eine vertiefende Perspektive empfiehlt sich die Uebersicht zu Recruitment Data Management Best Practices.
Duplikatserkennung im laufenden Betrieb
Beim CV-Import
Wird ein Lebenslauf hochgeladen, durchsucht das System sofort die Datenbank nach Treffern auf E-Mail, Telefon und LinkedIn. Bei einem Treffer erscheint ein Hinweis mit Link zum bestehenden Profil.
Bei der manuellen Profilanlage
Gibt eine Recruiterin einen Namen ein, zeigt das System in Echtzeit aehnliche Eintraege an, bevor sie speichert.
Beim LinkedIn-Import
Das haeufigste Einfallstor fuer Duplikate: Profile werden per Browser-Extension importiert, ohne zu pruefen, ob die Person bereits existiert. Systeme, die LinkedIn-Profil-IDs speichern, koennen hier exakt abgleichen.
Bei der Massenbereinigung
Fuer bestehende Datenbanken: ein Batch-Prozess, der die gesamte Datenbank nach Duplikatclustern durchsucht. Wie eine strukturierte Datenbankbereinigung aussieht, erklaert dieser Leitfaden ausfuehrlich.
Was schlechte Datenqualitaet kostet
Laut Loxo verbringen Recruiter durchschnittlich 27 % ihrer Zeit mit dem Bereinigen oder Doppelbearbeiten von Datensaetzen. Bei einem fuenfkoepfigen Team mit Stundensaetzen von 35-55 Euro macht das ueber 100.000 Euro verlorene Produktivitaet pro Jahr.
Wie sich verschiedene ATS-Systeme unterscheiden, zeigt der ATS-Vergleich fuer Personalberater 2026. Fuer Executive-Search-Beratungen lohnt ein Blick auf ATS fuer Executive Search.
Wir haben eine einfache Regel eingefuehrt: Wer ein neues Profil anlegt, ohne vorher zu suchen, uebernimmt das Aufraeumen. Das hat die Duplikatrate in sechs Wochen halbiert. — Geschaeftsfuehrer, Personalberatung Muenchen
Duplikatpraevention als Teamkultur
- Onboarding-Regel: Jede Neuanlage beginnt mit einer Suche — kein Profil ohne vorherigen Check.
- Import-Policy: Definieren Sie, wer LinkedIn-Profile importieren darf und wie.
- Quartalspruefung: Einmal pro Quartal laeuft der Batch-Deduplizierungsprozess.
- Klare Verantwortlichkeit: Jemand ist explizit fuer Datenqualitaet zustaendig.
FAQ: Duplikaterkennung im ATS
Wie viele Duplikate hat eine typische Kandidaten-Datenbank?
Branchenschaetzungen zufolge liegen 10-20 % der Datensaetze als Duplikate vor. Bei gewachsenen Datenbanken kann der Anteil hoeher liegen. AIHR's Analyse zu Recruiting-Metriken zeigt, dass Datenqualitaet zunehmend als Standard-KPI gefuehrt wird.
Reicht eine Fuzzy-Namenssuche fuer die Duplikatserkennung aus?
Nein. Fuzzy-Namenssuche ist ein hilfreicher Anhaltspunkt, aber kein zuverlaessiger Identifier. E-Mail, Telefon und LinkedIn-Profil-ID sind deutlich staerkere Signale.
Was passiert mit der DSGVO-Einwilligung beim Merge?
Bei einem Duplikat-Merge sollte immer die restriktivere Einwilligungssituation gelten. Dokumentieren Sie den Merge und die herangezogene Einwilligungsbasis.
Wie oft sollte ich meine Datenbank auf Duplikate pruefen?
Mindestens einmal pro Quartal als Batch-Prozess, ergaenzt durch Echtzeit-Pruefung bei jeder Neuanlage.
Duplikate automatisch erkennen — nicht nur per Name
Yena erkennt Duplikate automatisch ueber E-Mail, Telefon und LinkedIn — selbst wenn sich der Name geaendert hat. Signalbasierte Logik statt Namensroulette.
10 Tage kostenlos testen