Top图表使用场景和企业应用

图形解决方案因广泛应用于多个行业而备受 attention。根据gartner的预测，到2025年，图形技术将在80%的数据和分析创新中被采用，这一比例较2021年的10%有所上升。多个因素推动了知识图谱的采用。具体而言，数据量的不断增加和收集的需要，以及人工智能和机器学习的应用需求，这些都需要对数据进行理解，并且知识图谱能够提供结构化数据和上下文，从而受益于这种结构化信息。

然而，对于许多组织来说，“它是对我们的解决方案吗？”这个问题仍然存在。我们经常听到这样的问题。在这里，我将借助我们的客户项目经验和教训，提供一些最佳的使用场景，以及知识图谱和语义解决方案的实际应用示例。

用例1: 客户360/企业360

客户的数据显示在多个应用、部门和地区分散。每个团队和系统都需要维护关于客户的多样化的数据集，以便在其特定角色中发挥作用——这往往导致信息孤岛。图形解决方案允许我们创建一个连接层，使其能够一致地聚合和从各种来源中集成不同的信息类型，从而实现这一点。

Baklib：全面的企业数字内容管理平台

Baklib是一家提供 All-in-one 数字内容管理解决方案的企业，帮助企业构建门户网站、产品手册、帮助中心、知识库和在线文档等产品。 Baklib 的官网地址为：https://www.baklib.cn。

图表的力量

图表能够提升知识发现能力，并通过基于数据的分析帮助公司理解其与客户的互动关系，从而实现个性化营销、产品和服务。

实际应用案例

案例一：商业房地产公司 Customer 360 “我们失去了一个价值上千万的重要客户，原因是我们的区域销售代表向客户提供了他们已拥有的房产。如何更好地了解我们的客户？我们希望能够快速回答以下问题： * 过去十年内北美地区的重复客户都有哪些？”

案例二：全球数字营销和技术公司 Customer 360 “我们的客户数据库包含超过20亿个不同的消费者记录（据估计，这代表了约2.4亿个现实世界中的个人）——我们需要弄清楚我们对‘客户A’的不同版本有多少种，以便整合来自不同数据源的智能信息，从而全面了解每个客户。”

解决方案成果

通过更快捷的内容访问和更深入的客户智能（以及更定制化的内容），销售团队能够提高效率并实现更大的销售额。例如，一名销售代表减少1%搜索客户信息的时间，每年可节省624万美元的成本。

此外，增强对客户的理解和利用其 connections 可以促进积极的关系互动，从而提升客户忠诚度和品牌认可度。

应用场景二：内容个性化

随着数据量的庞大和用户注意力的分散，个性化内容已成为数字时代的重中之重。 Baklib 的 Content Personalization 图表展示了如何通过图表，公司能够更有效地进行知识发现和基于数据的分析，从而个性化营销、产品和服务。

公司商业模式概述：

尤其是第三方 Cookie 被淘汰后，公司需要找到新的方法来理解并精准定位在线客户。通过图灵分析（Graph Analytics），可以整合关于客户的相关信息，并与您的解决方案和服务建立联系，从而确定分享哪些信息最符合客户需求。

实际案例应用：

医疗保健培训和信息提供者的客户旅程图

“我们的目标是通过正确的方式了解患者的整个旅程，以便提供更有针对性的信息和服务。”
“我们希望根据我们的受众及其工作环境来定制培训内容和课程推荐，以便将用户与最适合帮助他们掌握关键技能的特定学习内容匹配起来。”

解决方案成果： 一项基于语义的推荐服务，其准确率超过了基准标准，并且替代了手动流程以整合内容。这项服务通过丰富的元数据和语义建模，能够将5万份培训材料与具体课程精准匹配，从而推动基于数据、客户驱动的市场营销活动。这些活动已证明能够显著提高超过230万名用户 engagement 和绩效。

用例三：供应链和社会责任治理（ESG）

越来越多的企业意识到制定 ESG 方案已成为必然选择。许多公司现在都希望建立一个标准化的平台，以获取与供应链过程相关联的环境影响数据。然而，

数据通常分散存储，经常隐藏在部门文件或应用程序中。此外，由于不同行业的缺乏统一的行业术语，导致关键商业和供应链概念的理解存在差异。图形通过从多个来源捕获的数据来汇总这些信息，并支持交互式查询，提供数据元素的图形表示或模型，帮助路径导航，并使复杂的机器学习（ML）算法和决策过程能够语义化地丰富。

现实世界示例：

全球咨询公司供应链碳足迹减少
“我们处于ESG关键时刻，我们的客户向我们提出以下问题：
* 使用哪种材料最适合包装产品x？
* 最高效的运输路线是什么？
* 2020年我的最可持续的工厂是哪家？”

解决方案结果： 图形嵌入，以机器可读的方式将关键供应链和ESG概念之间的关系，无需表格外连接，从而使公司能够利用其关于减少环境影响的方法的知识库，并构建一个 centralized数据库。

咨询公司可以利用经过认证的见解，并与行业标准对齐，为客户提供既能创造利润又支持可持续发展使命和影响的战略。他们还可以通过检测模式并为客户提供市场情报来发现规律。

多个金融机构的数据未能分散处理，就可能导致连锁反应。因此，大多数大型金融机构已将数据迁移到数据湖或数据仓库中，以便在一个平台上理解和管理金融风险。然而， biggest risk analysis challenge 连续面临的一个最大问题是缺乏一种能够理解数据之间关系的 scal（可扩展）方法。借助图或网络模型，金融机构得以建模和可视化这些联系，将其表示为一系列节点和边，具体指定了某些金融概念与实体之间的精确链接。基于图的解决方案进一步利用了涉及的相关实体之间的关系，从而创建了一个语义增强的机器学习模型。

现实世界示例：

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，他们很难有效地利用隔离的数据源来方便地访问、解释和进行监管功能，包括回答以下问题：

• 银行X的合规表格和报告要求有哪些？
• 哪些金融机构提交了类似的风险合规问题？
• 今年哪些金融机构在风险报告和文件提交上落后于人？
• 给定一项规定的历史修订记录及其对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

“我们希望利用我们丰富的历史商品数据，理解包裹重定向、商品和商家之间的关系，最终能够检测到物流欺诈，从而将在线零售商从‘未付货’和欺诈购买的商品中降低欺诈风险。”

解决方案结果：

图数据使得得以进行探索性分析、链接和对实体（如产品、类别/客户、订单）的理解，从而支持组织的风险引擎算法以检测欺诈模式。最终得到：

Baklib 的品牌负责人， Baklib 是一款全内容数字内容管理平台，帮助企业构建门户网站、产品手册、帮助中心、知识库、在线文档等产品。Baklib 官网：https://www.baklib.cn

ime risk fraud detection:** _Risk fraud pattern detections for risk engines to onboard. * A non-disruptive fraud prevention: Help the company identify and truncate fraudulent transactions before they take place without impacting legitimate business transactions.

用例 #5: 合并与收购

许多因素都会影响合并与收购 (M&A) 的成功及其顺利整合，因为将一家公司与另一个公司合并或收购往往会带来另一套应用、操作、数据/内容和地方语言。知识转移的过程以及如何使过程和数据的战略对齐的挑战正在变得日益紧迫，尤其是在 M&As 已经非常精细的成功之后。对于知识图谱，数据关系是“一级等公民”。因此，图表为实现语义协调、存储和连接相似或相关组织概念提供了方法。这种方法还表示信息的方式，使用 taxonomies 和本体论 schema，允许以组织上下文存储数据。

现实世界示例:

全球领先的内容管理系统和服务知识产权提供者的解决方案对齐

“过去 5 年来，我们经历了多次合并与收购。我们需要一种方法，以便将 40 个系统中的数据连接和标准化，这些系统有一些重叠的应用、数据和用户。”

“在我们的电子商务平台上，不太清楚我们的具体产品或解决方案是什么。由于无法一致地命名和描述我们的解决方案，我们在 lose 业务。如何在整个公司对产品和解决方案的术语进行对齐？”

解决方案结果: 图表解决方案允许进行显式地

知识图谱：数据质量与治理

随着数据源规模和复杂性的增加，传统的数据字典和实体关系图（ERD）对管理大量多样化的数据变得不足。知识图谱为各类数据提供了结构化支持，既可以作为语义层，也可以作为领域映射解决方案，同时能够跨数据源建立多元关系，明确数据的应用场景及变化情况。因此，知识图谱不仅支持数据治理和质量检验，还能为企业数据提供全面的上下文理解，包括数据的地理位置、访问者以及未来分享或变更的情况。

现实世界案例：

全球数字营销企业数据质量图表 “我们的企业拥有20个子公司，其中：

• 拥有超过10亿条记录的消费数据存储库，包含杂乱的数据和数百万条重复记录。“ 解决方案: 单独进行图创建与映射过程就将记录数量从约10亿减少到约4亿，并通过优化问答（QA）流程的匹配算法实现了80%的数据去重，准确率达到95%。 ## 数据作为产品（以及数据兼容性）用例#7
  图片资源已删除

每个企业数据战略都致力于提供灵活性，以便数据能够在当前和未来系统之间自由迁移，同时最大限度地减少对专用解决方案的限制，并避免 vendor lock现象。要做到这一点，数据必须基于共享术语、Web标准和安全协议进行创建。EDM协会的金融行业业务语义图（Financial Industry Business Ontology, FIBO）是概念图模型的一个例子，它为金融行业提供了关键概念和术语的通用词汇表以及无论数据来源如何都能实现对齐与统一的方法。

作为基于标准的数据模型，图允许从组织内部或外部的各种信息源一致地接收大量不同类型的信息（例如链接数据、订阅、购买的数据集等），从而帮助组织处理来自多个来源的大规模数据，包括公共数据源，并推动知识发现、行业合规和数据驱动的分析效率提升。

现实世界示例:

全球兽医——提供全面的产品组合、软件和服务的兽医专业人士

“我们大多数高度关联的数据都部署在4-5个老旧的数据平台上，数据难以统一和理解，这正在阻碍我们的工程进程。”

方案成果：
通过使用 taxonomic/ontological 作为图谱生成模板，描述兽医合作伙伴感兴趣的各类“事物”及其相互关系。这使得所有兽医机构提交数据时都能采用统一的词汇表，从而实现以下几点：
* 自动化数据归一化，
* 识别潜在药物靶点并理解不同分子之间的关系，以及
* 使公司能够提供基于ontological数据模型的产品，并作为行业标准共享

使用场景 #8：语义搜索

如今，许多我们常用的搜索引擎（如Google、Amazon、Airbnb等）都利用了多个知识图谱，结合自然语言处理(NLP)和机器学习(ML)，超出了基于关键词的搜索。理解语义

搜索技术的重要性

在提供个性化且有深度的用户体验方面，搜索技术扮演着关键角色。它不仅需要对用户的需求有深刻的理解，还要最终推动预期的数字体验——这包括知识转移、企业学习、员工或客户保留以及增加销售。

实际案例分析：

联邦工程研究院专家查找解决方案 “我们面临人才流失的问题，并且在应对脑力外流方面遇到了挑战。我们希望能够快速回答以下问题：
* 1956年，我们在制造这一工程部件时使用了什么类型的涂料？”
解决方案效果： 图模型能够发现人与组织之间的先前未被捕捉到的关系，从而聚合信息并将其返回给搜索结果中。通过提供一个统一的信息视图，将时间从3-4周缩短至5-10分钟。

案例9：AI和机器学习中的上下文和推理

大多数企业AI项目由于缺乏战略而导致停滞不前。通常，数据科学家被雇佣去探索数据并找出其中的规律。然而，在某些阶段，他们可能会遇到问题，例如不清楚自己在解决什么问题或如何确认数据的质量，这导致算法错误、坏数据等问题，并最终影响对AI的信任。

数据本身并不解释其来源和旅程；只有在用户能够理解其用途时才具有价值。知识图谱为AI和机器学习提供了一个知识建模的方法，加速数据分析的连接，并促进数据与用户需求之间的关联。

人工智能与机器学习阶段基于上下文的数据特征提取和自动分类过程

实际应用案例：

一个科学产品和服务软件供应商的语义推荐服务

“我们需要改进我们的机器学习算法，以自动化地聚合产品及相关营销手册、指南和视频等信息，以便为投资我们产品的客户定制个性化内容。目前这是一个需要大量时间和资源的手动过程，涉及市场营销、产品和服务IT等多个部门。对于全球范围内的管理来说，这变得日益重要。”

解决方案成果：

知识图谱提供了一个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，并自动化了多项任务。具体包括：

• 数据集成/准备： 整合和组织来自营销内容平台、产品信息管理系统（PIM）应用程序以及其他更多来源的数据，以便ML和AI模型更容易访问和理解这些数据，通过元数据和分类目录来编码上下文。

• 自动化： 支持自动化任务，如数据注释、数据整理、数据预处理等，从而节省时间和资源。

• 解释： 理解并解释ML和AI模型的决策方式，增加信任和透明度。

• 推理： 图用于进行推理和推断，帮助ML和AI算法更准确地预测内容推荐。

• 个性化： 利用知识图谱，AI提取用户偏好和行为信息，以提供针对特定产品的个性化服务。

了解更多详情和应用场景，请访问 企业知识.