E-Mail-Duplikate schleichen sich schnell ein, wenn Du einen CRM-Export mit Formulareinträgen oder einer Event-Liste zusammenführst. Dieselbe Person taucht doppelt auf, doch die Zeilen sind selten identisch. In einer steht vielleicht die Telefonnummer, in der anderen die Quelle oder eine hilfreiche Notiz.
Deshalb lösche ich wiederholte E-Mail-Adressen nicht einfach. Um E-Mail-Adressen sicher zu deduplizieren, nutze ich den Datablist Duplicates Finder mit Smart Matching und dem Email Processor. Er gruppiert Varianten derselben E-Mail-Adresse. Anschließend kann ich die vollständigen Kontaktdatensätze prüfen und die Angaben zusammenführen, die ich behalten möchte.
Für diese Anleitung habe ich eine Testliste mit 1.000 Kontakten und typischen Varianten erstellt – von Plus-Aliasen und Gmail-Abweichungen bis zu eingebetteten Adressen. Datablist fand 200 Duplikatpaare; nach der Bereinigung blieben 800 Kontakte übrig. Ich zeige Dir, welche Einstellungen ich verwendet und was ich vor dem Zusammenführen geprüft habe.
Vergleiche zuerst die E-Mail-Adresse, entscheide aber anhand des gesamten Kontaktdatensatzes, welche Angaben erhalten bleiben. Wenn Du stattdessen Namen, Telefonnummern, Unternehmensdomains oder andere Identifikatoren vergleichen möchtest, erfährst Du hier, wie Du eine Liste online deduplizierst.
Welche E-Mail-Adressen Datablist als identisch erkennt
Smart Matching mit dem Email Processor vergleicht E-Mail-Identitäten statt des unbearbeiteten Zelltexts. Dabei werden Leerzeichen am Anfang und Ende entfernt, Werte in Kleinschreibung verglichen und +suffix vor dem Abgleich aus dem lokalen Teil gelöscht.
Zusätzlich gelten spezielle Regeln für Gmail. Punkte werden aus dem lokalen Teil von Gmail-Adressen entfernt und googlemail.com wird gmail.com zugeordnet. Datablist kann außerdem eine gültige Adresse aus einer Schreibweise mit Anzeigenamen oder aus einem mailto:-Wert mit Query-String extrahieren.
Diese Beispiele stammen aus dem getesteten Datensatz:
| Gespeicherte Werte | Ergebnis von Smart Email |
|---|---|
noraanderson40@demo.conoraanderson40+newsletter@demo.co | Dieselbe Identität nach dem Entfernen des Plus-Suffixes |
victorbennett62@gmail.comvictorb.ennett62@gmail.com | Dieselbe Gmail-Identität nach dem Entfernen der Punkte |
yasmincarter105@gmail.comyasmincarter105@googlemail.com | Dieselbe Gmail-Identität nach der Normalisierung der Domain |
camiladiaz123@testmail.netCamila Diaz <camiladiaz123@testmail.net> | Dieselbe Identität nach dem Extrahieren der eingebetteten Adresse |
marcusevans199@testmail.netmailto:MARCUSEVANS199@TESTMAIL.NET?subject=Hello | Dieselbe Identität nach dem Entfernen der Einbettung und dem Vergleich in Kleinschreibung |
Die Behandlung von Punkten gilt nur für Gmail. Datablist geht nicht davon aus, dass vorname.nachname@unternehmen.de und vornamenachname@unternehmen.de dieselbe Adresse sind. Bei anderen Domains können Punkte relevant sein.
Smart Email ist eine Vergleichsregel und kein E-Mail-Validator. Die Struktur wird ausreichend geprüft, um eine Adresse zu normalisieren, doch Domain und Postfach werden nicht vollständig validiert. Beispielsweise wird person+tag@.example.com für den Abgleich zu person@.example.com, obwohl die Domain fehlerhaft ist. Prüfe ungültige Werte separat, bevor Du Datensätze zusammenführst.
Wenn Plus-Aliase, Gmail-Punkte und Einbettungen getrennt bleiben sollen, wähle Exact. Der exakte Textvergleich entfernt weiterhin Leerzeichen am Anfang und Ende und ignoriert standardmäßig die Groß- und Kleinschreibung. Aktiviere Case sensitive, wenn Groß- und Kleinbuchstaben als unterschiedlich gelten müssen; Leerzeichen am Rand werden trotzdem entfernt.
Prüfe Plus-Adressen auf Unternehmensdomains, bevor Du sie zusammenführst. Smart Email gruppiert sam+orders@example.com und sam@example.com unter demselben Vergleichsschlüssel. Exchange Online versucht zunächst, die vollständige Adresse aufzulösen, und greift auf die Basisadresse zurück, wenn das nicht gelingt. [1] Haben zwei Adressen unterschiedliche Empfängereinträge oder ist das Routing unklar, solltest Du beide behalten. Führe die Prüfung für die E-Mail-Spalte mit Exact aus und kontrolliere, ob die beiden Zeilen getrennt bleiben.
🔑 Die Normalisierung schlägt eine Duplikatgruppe vor
Sie beweist nicht, dass alle Felder zu derselben Person gehören. Prüfe Namen, Unternehmen und rollenbasierte Postfächer, bevor Du Datensätze zusammenführst.
Für die meisten Kontaktlisten empfehle ich Smart Matching mit dem Email Processor. Wenn Aliase getrennt bleiben müssen, wechsle ich zu Exact und gleiche anschließend die Einstellung zur Groß- und Kleinschreibung mit den Identifikatoren in der Datei ab.
Alle Normalisierungsregeln und Informationen zur Verfügbarkeit in den verschiedenen Tarifen findest Du in der Referenz zum Email Processor.
Beispiel-E-Mail-Liste für diese Anleitung
Die Testdatei enthält 1.000 synthetische Kontaktzeilen für 800 bewusst angelegte Identitäten. Bei keinem Duplikatpaar ist die unbearbeitete E-Mail-Zeichenfolge identisch. Das ist wichtig, weil eine Bereinigung nach exakten Werten keinen Alias-basierten Abgleich demonstrieren würde.
Die Datei hat acht Spalten: record_id, first_name, last_name, email, company, phone, source und notes. Der Workflow gleicht email ab. Die übrigen Felder bleiben sichtbar, damit ich einen Master-Datensatz auswählen und nützliche Werte bewahren kann.
Hier siehst Du vier unveränderte Eingabezeilen aus zwei Duplikatpaaren:
| record_id | first_name | last_name | phone | source | notes | |
|---|---|---|---|---|---|---|
CONTACT-0040-A | Nora | Anderson | noraanderson40@demo.co | CRM-Export | Primärer Kontaktdatensatz | |
CONTACT-0040-B | N. | A. | noraanderson40+newsletter@demo.co | +1-202-555-1039 | Website-Formular | Follow-up-Angaben aus einer zweiten Quelle |
CONTACT-0062-A | Victor | Bennett | victorbennett62@gmail.com | +1-202-555-1061 | Website-Formular | Primärer Kontaktdatensatz |
CONTACT-0062-B | victor | BENNETT | victorb.ennett62@gmail.com | Event | Follow-up-Angaben aus einer zweiten Quelle |
Das Nora-Paar zeigt, warum ich Duplikate nicht sofort lösche. Der Basisdatensatz enthält den bevorzugten vollständigen Namen, während in der Zeile mit dem Plus-Alias die einzige Telefonnummer und eine zweite Akquisequelle stehen. Beim Zusammenführen lassen sich beide Angaben erhalten.
Der Datensatz enthält 200 Duplikatidentitäten mit jeweils zwei Zeilen, gleichmäßig verteilt auf fünf Varianten: Plus-Aliase, Gmail-Adressen mit unterschiedlichen Punkten, gmail.com gegenüber googlemail.com, Einbettungen mit Anzeigenamen und mailto:-Werte. Die übrigen 600 Identitäten kommen jeweils einmal vor.
Du kannst die Beispiel-CSV mit 1.000 Zeilen herunterladen, um die Anleitung nachzuvollziehen. Wenn Du Deine eigene Datei verwendest, sollte jede Zeile nur eine E-Mail-Adresse enthalten. Behalte außerdem alle angrenzenden Felder, die Du zusammenführen möchtest.
E-Mail-Spalte importieren und vorbereiten
Importiere die CSV- oder Excel-Datei in eine neue Datablist Collection. Prüfe die Importvorschau und ordne die E-Mail-Spalte einer E-Mail-Property zu.
Speichere Namen, Unternehmen, Telefonnummer, Quelle, Notizen und stabile IDs in separaten Properties. Diese Spalten sind kein überflüssiger Ballast. Sie liefern Dir die nötigen Anhaltspunkte, wenn zwei Zeilen bei der E-Mail-Adresse übereinstimmen, sich aber in anderen Feldern unterscheiden.
Für diesen Workflow bevorzuge ich außerdem eine Adresse pro Zelle. Enthält eine Zelle alice@example.com; bob@example.com, solltest Du die Werte zuerst aufteilen oder normalisieren. Wie das geht, zeigt die Anleitung zum Deduplizieren eines Feldes mit mehreren E-Mail-Adressen.
Bei einer Zelle mit mehreren Adressen vergleicht die Multi-Value-Deduplizierung die durch Semikolons getrennten Bestandteile. Prüfe das übereinstimmende Postfach, bevor Du zwei Kontaktdatensätze als dieselbe Person behandelst.
💡 Bewahre die Entscheidungsgrundlage für den Merge auf
Entferne Quellen, Notizen, Telefonnummern oder stabile ID-Spalten nicht vor der Deduplizierung. Sie helfen Dir, den Master-Datensatz auszuwählen und den Verlust einzigartiger Daten zu vermeiden.
Öffne Clean > Merge duplicates. Wähle Selected Properties und anschließend email für diesen ersten, E-Mail-basierten Durchlauf.
Mit nur einer Property bleibt die Regel leicht nachvollziehbar. Würdest Du jetzt zusätzlich eine Namens- oder Unternehmens-Property auswählen, könnte das eine gültige E-Mail-Übereinstimmung verhindern, wenn diese Felder fehlen oder unterschiedlich formatiert sind.
Duplicates Finder konfigurieren
Wähle für die Property email den Vergleichsalgorithmus Smart und anschließend den Email Processor.
Jede Einstellung erfüllt eine bestimmte Aufgabe:
- Selected Properties beschränkt die Prüfung auf den Identifikator, den Du vergleichen möchtest.
- Smart aktiviert die Processor-basierte Normalisierung, statt die gespeicherten Zeichenfolgen wortwörtlich zu vergleichen.
- Email wendet die oben beschriebenen Regeln für Aliase, Gmail, Anzeigenamen und
mailto:an.
Verwende Smart zusammen mit dem Email Processor für Varianten derselben Identität. Exact überspringt die E-Mail-spezifische Normalisierung, entfernt aber weiterhin Leerzeichen am Rand und ignoriert standardmäßig die Groß- und Kleinschreibung.
Die Duplikatprüfung selbst ist schreibgeschützt. Beim Ausführen werden mögliche Gruppen zur Überprüfung erstellt. Zeilen in der Collection werden dabei weder gelöscht noch zusammengeführt. Änderungen erfolgen erst, wenn Du eine Merge- oder Löschaktion auswählst und anwendest.
Diese Trennung ist hilfreich. Ich möchte zuerst sehen, welche Werte die Vergleichsregel als gleichwertig einstuft, bevor ein Massen-Merge die Liste verändert.
Prüfung starten und Duplikatgruppen kontrollieren
Klicke auf Run duplicates check. In diesem Test ordnete Datablist 400 der 1.000 Zeilen insgesamt 200 Gruppen mit jeweils zwei Zeilen zu.
Betrachte die Anzahl der Gruppen noch nicht als Anzahl der zu löschenden Zeilen. Eine Gruppe ist zunächst nur ein Prüfkandidat. Kontrolliere für jede Gruppe:
- ob die Variante der E-Mail-Adresse plausibel ist;
- ob Vor- und Nachnamen übereinstimmen oder sich die Abweichung erklären lässt;
- ob sich Unternehmens- und Telefonnummernwerte widersprechen;
- ob Quellen und Notizen sich sinnvoll ergänzen;
- ob es sich um ein gemeinsam genutztes Postfach handelt.
Normalerweise prüfe ich die ersten Gruppen und alle überraschenden unternehmensübergreifenden Treffer, bevor ich eine Massenregel anwende. Das geht schneller, als später einen zu aggressiven Merge zu korrigieren.
⚠️ Eine wiederholte Adresse bedeutet nicht immer dieselbe Person
Ein gemeinsam genutztes Postfach wie
sales@company.comkann bei mehreren legitimen Kontakten auftauchen. Prüfe rollenbasierte Adressen manuell, statt automatisch alle Zeilen zu einem Datensatz zusammenzuführen.
Die Testdatei wurde so konzipiert, dass jedes normalisierte Paar dieselbe Identität repräsentiert. Ein echter CRM-Export ist meist unübersichtlicher. Deuten Namen oder Unternehmen auf unterschiedliche Personen hin, überspringe die Gruppe oder prüfe sie separat.
Zusammenführen oder löschen
Meine Entscheidungsregel ist einfach:
- Führe Zeilen zusammen, wenn sie sich ergänzende Daten enthalten.
- Lösche eine zusätzliche Zeile nur, wenn sie keinen nützlichen Wert beiträgt.
- Lass mehrdeutige Gruppen manuell prüfen.
Bei diesem Durchlauf wurde der vollständigste Datensatz als Master ausgewählt. Die Konfiguration behielt dessen record_id, verwendete jeweils den längsten Vor- und Nachnamen und kombinierte source und notes mit Semikolons.
Diese Einstellungen passen zum Beispiel, doch ich würde nicht jede widersprüchliche Property standardmäßig kombinieren. Eine Quellenhistorie kann sinnvoll zu Website-Formular;CRM-Export werden. Für CRM-Status, Owner-ID oder primäre E-Mail-Adresse brauchst Du dagegen normalerweise einen eindeutigen, maßgeblichen Wert.
In der Vorschau überprüfst Du diese Entscheidungen. Sieh Dir den Zieldatensatz nach jeder Regeländerung erneut an.
💡 Prüfe nach jeder Regeländerung die Vorschau
Kontrolliere, welche Zeile zum Master wird, welche Werte kombiniert werden und welche verschwinden, bevor Du die Regel auf alle bereiten Gruppen anwendest.
Enthält eine Duplikatzeile eine einzigartige Telefonnummer, Quelle oder Notiz, solltest Du sie zusammenführen statt löschen. Im Nora-Beispiel behielt die finale Zeile den vollständigen Namen aus einem Datensatz und die Telefonnummer aus dem anderen.
Bei komplexeren CRM-Konflikten hilft Dir der ausführlichere Workflow, um doppelte Leads ohne Datenverlust zusammenzuführen. Bei diesem E-Mail-basierten Durchlauf geht es darum, nützliche angrenzende Felder zu erhalten, ohne jede Property in eine Zeichenfolge mit mehreren Werten zu verwandeln.
Ergebnisse der getesteten Liste mit 1.000 Zeilen
Der Merge lieferte folgende gemessene Werte:
| Messwert | Ergebnis |
|---|---|
| Zeilen zu Beginn | 1.000 |
| Duplikatgruppen zugeordnete Zeilen | 400 |
| Duplikatgruppen mit zwei Zeilen | 200 |
| Gelöschte Duplikatzeilen | 200 |
| Aktualisierte Master-Zeilen | 200 |
| Finale Zeilen | 800 |
| Verbleibende Duplikatgruppen | 0 |
Die Rechnung ist eindeutig: 1.000 Ausgangszeilen - 200 gelöschte Zeilen = 800 beibehaltene Zeilen.
Im manuell durchgeführten Test dauerte der Merge nur wenige Sekunden, eine genaue Zeit wurde jedoch nicht erfasst. Betrachte das als Beobachtung dieses Durchlaufs und nicht als Performance-Benchmark.
Das heruntergeladene Änderungsprotokoll enthält 400 Einträge: 200 gelöschte Zeilen und 200 aktualisierte Master-Zeilen. Für jede zusammengeführte Gruppe zeigt es die Werte vor dem Merge sowie die im Zieldatensatz beibehaltenen Werte.
Die folgende Tabelle verwendet die exakten Werte aus dem Test:
| Ursprüngliche Varianten | Grund für die Übereinstimmung | Beibehaltene E-Mail-Adresse | Aktion | Bewahrte Felder |
|---|---|---|---|---|
noraanderson40@demo.conoraanderson40+newsletter@demo.co | Plus-Suffix entfernt | noraanderson40+newsletter@demo.co | In CONTACT-0040-B zusammengeführt | Vollständiger Name, Telefonnummer, Website-Formular;CRM-Export und beide Notizen |
victorbennett62@gmail.comvictorb.ennett62@gmail.com | Gmail-Punkte normalisiert | victorbennett62@gmail.com | In CONTACT-0062-A zusammengeführt | Telefonnummer, Website-Formular;Event und beide Notizen |
gabrielcarter113@gmail.comgabrielcarter113@googlemail.com | Gmail-Domains normalisiert | gabrielcarter113@gmail.com | In CONTACT-0113-A zusammengeführt | Telefonnummer, Partnerliste;CRM-Export und die Notiz zur Demo-Anfrage |
camiladiaz123@testmail.netCamila Diaz <camiladiaz123@testmail.net> | Einbettung mit Anzeigenamen entfernt | camiladiaz123@testmail.net | In CONTACT-0123-A zusammengeführt | Vollständiger Name, Telefonnummer, Partnerliste;CRM-Export und beide Notizen |
marcusevans199@testmail.netmailto:MARCUSEVANS199@TESTMAIL.NET?subject=Hello | mailto:-Einbettung entfernt und Groß-/Kleinschreibung normalisiert | mailto:MARCUSEVANS199@TESTMAIL.NET?subject=Hello | In CONTACT-0199-B zusammengeführt | Vollständiger Name, Telefonnummer, Webinar;Event und beide Notizen |
Beachte, dass nicht immer die optisch schlichteste E-Mail-Adresse erhalten bleibt. Der ausgewählte Master-Datensatz bestimmt, welcher gespeicherte E-Mail-Wert beibehalten wird. Die Normalisierung dient dem Abgleich; sie schreibt den beibehaltenen Wert nicht automatisch in ein kanonisches Format um.
Der getestete Merge reduzierte 1.000 Zeilen auf 800, weil 200 geprüfte Duplikatzeilen in ihre Master-Datensätze übernommen wurden. Dieses Ergebnis gilt für die bewusst konzipierte Testliste und ist keine allgemeingültige Trefferquote für jedes E-Mail-Format.
Fehlerfälle und Checkliste zur Validierung
Smart Email Matching verarbeitet die fünf getesteten Varianten, ersetzt aber nicht die manuelle Prüfung.
Punkte außerhalb von Gmail
Bei Domains außerhalb von Gmail bleiben Punkte relevant. Gehe nicht davon aus, dass vorname.nachname@unternehmen.de und vornamenachname@unternehmen.de zum selben Postfach gehören. Wenn externe Informationen beide Adressen eindeutig verbinden, bearbeite dieses Paar manuell.
Fehlerhafte Werte
Betrachte eine Übereinstimmung nicht als Gültigkeitsprüfung. Eingaben ohne verwendbare @-Struktur oder mit Leerzeichen innerhalb der Adresse werden nicht wie reguläre Adressen normalisiert. Der Processor lehnt jedoch nicht jede ungültige Domainstruktur ab. Zwei fehlerhafte Werte können deshalb weiterhin auf denselben Vergleichswert normalisiert werden. Prüfe Adressformat und Domain separat und schließe fragwürdige Zeilen aus automatischen Merges aus. Eine Prüfung des Postfachs oder der Zustellbarkeit ist ein weiterer Schritt.
Exakter Abgleich
Exact entfernt weder Plus-Suffixe und Gmail-Punkte noch Domain-Aliase oder Einbettungen mit Anzeigenamen. Leerzeichen am Anfang und Ende werden entfernt und der Text wird standardmäßig in Kleinschreibung verglichen. Beispielsweise stimmen NAME@example.com und name@example.com mit den Standardeinstellungen von Exact überein; name+tag@example.com und name@example.com bleiben dagegen getrennt. Aktiviere Case sensitive, wenn die Groß- und Kleinschreibung beim Vergleich erhalten bleiben muss. Exact ist hilfreich, wenn Unterschiede zwischen Aliasen wichtig sind, stellt aber weder eine Validierung noch einen bytegenauen Vergleich des ursprünglichen Zellwerts dar.
Mehrere Adressen in einer Zelle
Diese Methode setzt eine Adresse pro Zelle voraus. Eine Zelle mit mehreren, durch Trennzeichen separierten Adressen benötigt vor dem zeilenweisen Abgleich den gesonderten Multi-Value-Workflow.
Gemeinsam genutzte Postfächer
Zwei Zeilen mit sales@company.com können unterschiedliche Personen beschreiben. Namen, Jobtitel, Unternehmen und Notizen sollten die Entscheidung bei der Prüfung bestimmen. Ich würde rollenbasierte Postfächer nicht massenhaft zusammenführen, ohne sie vorher zu kontrollieren.
Ergänzende Felder versehentlich löschen
Beim Löschen einer zusätzlichen Zeile kann die einzige Telefonnummer, Akquisequelle oder Notiz verloren gehen. Prüfe in der Merge-Vorschau, welche Angaben erhalten bleiben.
Im konzipierten Test wurden alle 200 vorgesehenen Identitäten und keine unerwarteten identitätsübergreifenden Gruppen gefunden. Er deckte jedoch nicht jedes reale Adressformat, jeden fehlerhaften Wert oder jedes Muster gemeinsam genutzter Postfächer ab.
Prüfe vor dem Export Deiner eigenen Liste:
- Jede freigegebene Gruppe repräsentiert genau eine Identität.
- Gemeinsam genutzte und rollenbasierte Postfächer wurden manuell geprüft.
- Der Master-Datensatz enthält den bevorzugten Namen sowie die gewünschte ID und E-Mail-Adresse.
- Einzigartige Werte für Telefonnummer, Unternehmen, Quelle und Notizen bleiben nach dem Merge erhalten.
- Die Anzahl der Ausgangszeilen minus der gelöschten Zeilen entspricht der finalen Zeilenzahl.
- Eine Stichprobe deckt jede in Deiner Liste vorhandene Normalisierungsvariante ab.
- Die Anzahl der verbleibenden Duplikatgruppen entspricht Deiner Erwartung.
📌 Gleiche die Zahlen ab
Ausgangszeilen - gelöschte Zeilen = finale Zeilenist die schnellste Vollständigkeitsprüfung nach einem Merge.
E-Mail-Liste weiter bereinigen
Die Deduplizierung löst das Problem wiederholter Identitäten. Sie prüft weder die Existenz eines Postfachs noch Wegwerf-Adressen, Abmeldestatus oder Zustellbarkeit.
Ich bereinige doppelte Identitäten am liebsten zuerst. Spätere Prüfungen laufen dadurch nur für die beibehaltenen Kontakte, statt mehrere Varianten derselben Person zu verarbeiten. Sobald der Merge Deine Validierungscheckliste besteht, kannst Du den Rest Deiner E-Mail-Liste bereinigen. Öffne anschließend Export und wähle CSV oder Excel.
Deine Liste mit Datablist deduplizieren
Importiere Deine Kontaktdatei in Datablist, starte die E-Mail-spezifische Duplikatprüfung, kontrolliere die vorgeschlagenen Gruppen, führe nützliche Werte zusammen und exportiere die bereinigte Liste.










