图数据库应用案例和企业应用

 图解决方案因其在多个行业的广泛应用而获得了发展势头。Gartner 预测，到 2025 年，图技术将用于 80% 的数据和分析创新，高于 2021 年的 10%。有几个因素正在推动知识图的采用。具体来说，生成和收集的数据量不断增加，需要理解这些数据，以及它在人工智能和机器学习中的应用，这些都可以从知识图谱提供的结构化数据和上下文中受益。

然而，对于许多组织来说，问题仍然存在，“这对我们来说是正确的解决方案吗？” 我们经常收到这个问题。在这里，我将利用我们自己从客户项目中获得的经验和吸取的教训，为知识图谱和语义解决方案提供一系列最佳用例，以及它们在现实世界中的应用示例。

用例 1：客户 360 / 企业 360

客户数据通常分布在多个应用程序、部门和地区。每个团队和系统都需要保留有关其客户的不同数据集，以便发挥其特定作用——无意中导致孤立的体验。图形解决方案允许我们创建一个连接层，该连接层有助于一致地聚合和摄取来自组织内部或外部来源的各种信息类型。图表促进知识发现和高效的数据驱动分析，以了解公司与客户的关系并个性化营销、产品和服务。

现实世界的例子：

一家商业地产公司的客户 360

“在我们的一位区域销售代表向客户提供客户已经拥有的房产后，我们失去了价值数百万美元的客户。我们如何更好地了解客户？我们希望能够快速回答以下问题：

• 谁是我们过去 10 年在北美的回头客？”

一家全球数字营销和技术公司的 Customer 360

“我们的客户数据库包含超过 20 亿不同消费者的记录（应该反映估计的 2.4 亿现实世界中的个人）——我们需要了解我们有多少个版本的‘客户 A’，以便整合从不同渠道收集的情报充分了解每个客户的数据源。”

解决方案成果： 通过更快地访问内容和改进客户智能（以及定制材料的能力）来改进潜在客户生成和销售周期，其中销售代表搜索客户信息所花费的时间减少 1%，从而节省了 624 万美元的成本每年。提高对这些公司内部客户关系的认识和利用客户关系的能力，有助于培养积极的客户关系。

用例 2：内容个性化

了解客户后的下一个关键步骤是个性化并向他们推荐相关内容。随着数据的规模和在线用户注意力的下降，数字个性化已成为公司商业模式的首要任务之一。尤其是在第三方 cookie 被淘汰的情况下，公司需要创新的方式来了解在线客户并为其提供相关的个性化内容。图形分析提供了一种有意义的方式来聚合有关客户的信息并与您的解决方案和服务建立关系，以确定一种方式来决定哪些信息适合与客户共享。 

现实世界的例子：

医疗保健培训和信息提供商的客户旅程图

“我们希望了解患者的旅程，以使用正确的渠道和节奏提供下一个最佳内容和信息。”

“我们希望根据我们的受众及其环境提供量身定制的培训内容和课程推荐，以便我们可以将用户与准确的学习内容联系起来，帮助他们更好地掌握关键能力。”

解决方案成果：一种超越准确性基准并取代手动流程聚合内容的语义推荐服务——支持更高质量、更先进和有明确理由的针对性推荐。丰富的元数据和语义建模继续推动 50K 培训材料与特定课程的匹配，引领新的、数据驱动的、基于受众的营销工作，展示推荐服务如何提高超过 230 万用户的参与度和绩效。

用例 3：供应链和环境社会治理 (ESG)

制定 ESG 计划不再是一种选择。许多组织现在的目标是建立一个标准化的中央平台，以深入了解与其供应链流程相关的环境影响。但是，此信息通常存储在不同的位置，通常隐藏在部门文档或应用程序中。此外，不同行业通常没有使用标准化词汇，导致对关键业务和供应链概念的理解不一致。图表协调从不同来源不断爬取的此类数据，以支持交互式查询，并提供供应链中元素的图形表示或模型，有助于寻路以及语义丰富复杂机器学习 (ML) 算法和决策制定的能力。

现实世界的例子：

汇总数据以减少全球咨询公司供应链的碳足迹 

“我们正处于 ESG 的关键时刻，我们的客户来找我们回答以下问题：

• 我们可以用来包装产品 x 的最佳材料是什么？
• 哪种运输路线最省油？
• 谁是我在 2020 年最符合 ESG 标准的工厂？”

解决方案成果：以不需要表格和复杂连接的方式绘制关键供应链和 ESG 概念之间的嵌入式机器可读关系，使公司能够利用其广泛的知识库来减少环境影响，并指导他们建立一个这些知识的中央数据库。顾问可以利用经过认证并符合行业标准的见解，为客户提供可以产生利润的战略，同时支持可持续发展使命和影响，检测模式并为客户提供市场情报。

用例 4：金融风险检测和预测

金融业由市场和交易网络组成。一家金融机构的风险问题可能对许多机构产生多米诺骨牌效应。因此，大多数大型金融组织已将其数据转移到数据湖或数据仓库，以便在一个地方了解和管理金融风险。然而，风险分析的最大挑战仍然是缺乏一种可扩展的方式来理解数据如何相互关联。图形或网络使机构能够将这些连接建模和可视化为节点和点的集合，这些节点和点指定了某些金融概念和实体之间的确切链接。基于图形的解决方案进一步利用所涉及的实体之间的关系来创建语义增强的机器学习模型。

现实世界的例子：

联邦金融监管机构的金融风险报告 

“数据科学家和经济学家发现很难有效地利用孤立的数据源来轻松访问、解释和监管功能，包括回答以下问题：

• X 银行的合规表格和报告要求是什么？
• 哪些金融机构提出过类似的风险合规问题？
• 今年哪些金融机构的风险报告和备案滞后？
• 给定法规的修订历史以及相应的政策和程序是什么？”

跨国电子商务公司的实时欺诈检测

“我们希望利用我们广泛的历史列表数据来了解被重新路由的包裹、列表和商家之间的关系，以最终检测运输诈骗，这样我们就可以最大限度地减少在线商家在其列表中‘未付款’和欺诈性购买的欺诈风险项目。”

解决方案成果： 支持探索、链接和理解实体（例如产品、类别/客户、支持组织风险引擎算法的风险欺诈模式检测的订单）的图形数据。最终导致： 

• 实时风险欺诈检测：用于风险引擎的风险欺诈模式检测。
• 无中断的欺诈预防：帮助公司在欺诈交易发生前识别并截断它们，而不影响合法的业务交易。

用例 5：并购

许多因素会影响并购 (M&A) 的成功及其成功整合，因为与新公司合并或收购新公司不可避免地会带来另一个应用程序、运营、数据/内容和本地化的生态系统。知识转移的过程以及实现流程和数据战略调整的挑战正成为并购已经微妙成功的一个日益关注的问题。对于知识图，数据关系是一等公民。因此，图提供了在语义上协调、存储和连接相似或相关组织概念的方法。该方法使用允许存储具有组织上下文的数据的分类法和本体论模式进一步以人们说话的方式表示信息。

现实世界的例子：

世界领先的内容管理和知识产权服务提供商的产品/解决方案调整

“在过去的 5 年里，我们经历了多次并购。我们正在寻找一种方法来连接和标准化我们在 40 个系统中拥有的数据，这些系统具有一些重叠的应用程序、数据和用户。”

“在我们的电子商务平台上，不清楚我们的具体产品或解决方案是什么。由于我们无法在整个组织内一致地命名和描述我们的解决方案产品，我们正在失去业务。我们如何才能在整个公司范围内调整我们的产品和解决方案的术语？”

解决方案结果：图形解决方案通过提供实体及其关系的全面和结构化表示，允许明确捕获和对齐知识和数据模型。通过允许快速识别和分析关键利益相关者、竞争对手和潜在的协同作用，这有助于尽职调查过程。此外，该图还是一种有用的工具，可帮助您更好地了解合并中涉及的复杂性，促进重复工作的消除或信息和智能的丢失，并支持基于上下文的决策制定。

用例 6：数据质量和治理

数据源和数据集的规模和复杂性使得传统的数据字典和实体关系图 (ERD) 变得不适用。知识图谱为所有类型的数据提供结构——作为语义层或域映射解决方案——并支持跨数据源创建多边关系，明确捕获数据的使用方式以及正在对数据进行哪些更改数据。因此，知识图通过提供上下文支持数据治理和质量检查了解企业数据，它在哪里，谁可以访问它，在哪里，以及随着时间的推移如何共享或更改它。因此，利用知识图谱解决方案的数据治理策略提高了数据的可访问性，并提高了数据质量和可观察性。 

现实世界的例子：

全球数字营销人员的数据质量图

“我们的企业有 20 多个子组织：

• 哪些通用数据集可供使用缺乏透明度，
• 不了解可用数据的质量，
• 对关键术语的定义截然不同，并且 
• 使用包含超过 100 亿条记录、脏数据和数百万重复项的消费者数据数据库。”

解决方案结果：仅图形创建和映射过程就将记录数从约 100 亿减少到约 40 亿，并使用优化 QA 过程的匹配算法实现了 80% 的记录去重和 95% 的准确率。

用例 7：数据作为产品（和数据互操作性）

每个企业数据战略都致力于促进灵活性，使数据能够在当前和未来系统之间移动，最大限度地减少专有解决方案的限制并避免供应商锁定。为此，需要根据共享的术语、网络标准和安全协议创建数据。EDM 委员会的金融业业务本体 (FIBO) 是概念图模型的一个示例，它为金融业的关键概念和术语提供通用词汇和含义，以及一种对齐和协调数据的方法，无论其来源如何。作为基于标准的数据模型，图形允许从组织内部或外部的来源（例如关联数据、订阅、购买的数据集等）一致地摄取各种信息类型。 

现实世界的例子：

面向全球兽医的数据即产品，为兽医专业人员提供全面的产品、软件和服务套件

“我们大部分高度相关的数据都滞留在 4-5 个遗留数据平台之后，很难统一和理解我们的数据，这会减慢我们的工程流程。最终，我们需要一种方法来建模和描述各个兽医实践之间的业务流程和数据流，并丰富他们的数据并使其符合行业标准。这将使我们能够规范服务、提高效率并创建报告跨实践数据以及特定实践中的趋势的能力。”

解决方案结果：分类法/本体被用作生成图表的模式，并描述了兽医合作伙伴感兴趣的“事物”的关键类型以及它们如何相互关联。这确保使用来自所有提交数据的兽医实践的通用词汇表并导致：

• 数据规范化自动化，
• 识别潜在的药物靶标并了解不同分子之间的关系，以及
• 使公司能够提供本体数据模型作为产品和可共享的行业标准

用例 8：语义搜索

“搜索不起作用”通常是组织中的普遍情绪，这些组织仅利用关键字来确定搜索结果的外观。语义搜索的核心是基于上下文和含义提供结果的搜索。没有语义理解，搜索相关性或搜索引擎查找和返回搜索结果页面以符合用户意图的能力是不可能的。因此，知识图创建了一个机器可读的结构，允许系统明确捕获上下文，从而使搜索引擎理解概念、实体和它们之间的关系。 

今天，我们使用的许多搜索引擎，如谷歌、亚马逊、Airbnb 等，都利用多个知识图谱以及自然语言处理 (NLP) 和机器学习 (ML) 来超越基于关键字的基本搜索。理解语义搜索正在成为提供良好搜索体验的基础，这种体验植根于对用户的深刻理解，并最终推动获得信任和采用的预期数字体验（无论是知识转移、企业学习、员工/客户保留还是增加销售额） .

现实世界的例子：

联邦工程研究所的专家查找器 

“我们有退休的员工队伍，正面临人才流失的挑战。我们希望能够快速回答以下问题：

• 我们在 1956 年制造这个工程零件时使用的是什么类型的油漆？”

解决方案结果：图形模型支持浏览和发现以前未捕获的人员、角色、项目、组织和工程材料之间的关系，以聚合并返回搜索结果。提供机构信息的统一视图，从而将查找专家和项目信息的时间从 3-4 周缩短到 5-10 分钟。

用例 9：AI 和 ML 的上下文和推理

由于缺乏获取数据和知识的策略，大多数企业人工智能项目都停滞不前。AI 工作通常始于聘请数据科学家探索和弄清楚数据中的内容。他们经常在探索一些基本问题后陷入困境，例如：我要解决什么问题，或者我怎么知道这是好的训练数据？这会导致算法错误、严重的 AI 错误、最终缺乏信任，然后放弃 AI 工作。数据本身并不能解释它自己，也不能解释它的旅程。数据只有在它对最终用户意味着什么的情况下才有价值。知识图为 ML 和 AI 提供了一种知识建模方法，以加速数据探索、连接和特征提取过程，并在 AI 和 ML 的数据准备过程中提供基于上下文的自动数据分类。 

现实世界的例子：

面向科学产品和软件服务供应商的语义推荐服务

“我们需要改进我们的 ML 算法，以自动聚合产品和相关营销以及手册、视频等，从而为投资我们产品的客户提供个性化的内容推荐。目前这是一个手动过程，需要市场营销、产品和 IT 部门投入大量时间和资源。这对我们在全球范围内进行管理变得至关重要。”

解决方案成果：Graph 提供全面且有组织的数据视图，有助于提高模型的性能和可解释性，并自动执行多项任务。具体来说，该图支持：

• 数据集成/准备：集成和组织来自营销内容平台、产品信息管理 (PIM) 应用程序等各种来源的数据，通过元数据和分类法对上下文进行编码，使 ML 和 AI 模型更容易访问和理解数据。
• 自动化：支持数据标注、数据管理、数据预处理等任务的自动化，有助于节省时间和资源。
• 解释：一种理解和解释 ML 和 AI 模型做出的决策的方式，增加信任和透明度。
• 推理：图形用于进行推理和推理，帮助机器学习和人工智能算法对内容推荐做出更准确的预测。
• 个性化：人工智能利用知识图谱提取用户的偏好和行为，为给定的产品提供个性化服务。