یکسان‌سازی داده

موارد رایج در داده‌های فارسی: تبدیل نویسه‌های عربی به فارسی، یکسان‌سازی نیم‌فاصله، تبدیل ارقام عربی و فارسی به لاتین برای ذخیره‌سازی، حذف فاصله‌های اضافه، و یکسان‌سازی نام موجودیت‌ها.

بدون این مرحله، «شرکت الف» و «شرکت الف» با نویسه‌های متفاوت، دو مشتری جداگانه شمرده می‌شوند، و هر تحلیلی که روی تعداد مشتری بنا شود، غلط خواهد بود.