2022年中国知识图谱行业研究报告(18)

案例1: 知识图谱辅助物资补给
预期目标：及时为车企A供应发动机，为车辆提供组装零部件，满足出货需求。
核心原理：基于供应链知识图谱网络，及时发现甲类发动机的缺货状态，寻找性能型号相似的一类发动机进行弥补，并比对多家供应商乙类发动机的产品售价与运输时间，辅助车企A选择性价比更高、运输时间更短的供货方案。
强需求细分领域：因离散工业需组装来自多方供应商的元件、部件等，供货受到企业与供应商关系、供应商内部生产等多重因素的影响，故对供应链知识图谱有较强需求。
案例2: 知识图谱协助成本分析与营销策略制定
预期目标：帮助企业B分析LCD显示器生产成本上涨原因，并基于此调整营销策略。
核心原理：基于供应链知识图谱网络，发现LCD显示器生产成本提高的原因为导电玻璃的供应商C升级了镀膜技术，提示企业B提前制定相应的显示器促销方案，应对由成本上升所导致的售价上升、销量降低的情况。
服务对象：财务分析人员与市场营销人员。
强需求细分领域：与个人消费密切相关的食品工业、电子产品工业等。

持续进行数据治理工程
从源头保证知识与智慧真实可靠、可用正确
数据治理为知识图谱输送数据源，是知识图谱构建的前置环节与基础性工程。完备良好的数据治理不仅能确保知识图谱在搭建过程中获取真实可靠的数据原料，而且能从源头上改善信息质量，提升知识的准确度，建立符合人类认知体系的数据资源池。但是，数据治理在知识图谱（尤其是行业知识图谱）建设卡点中是一个老生常谈的问题。知识图谱应用始终要围绕数据标签、数据清洗、数据归一、数据销毁等数据治理环节展开，应用开发人员往往需要在前期的数据治理工作中投入大量时间和人力，以确保数据源的真实性、可靠性、可用性、正确性。当前，数据标准不统一、数据噪声大、领域数据集缺失、数据可信度异常等数据治理难题依然困扰着知识图谱研发者，持续进行数据治理工程是业内参与者艰巨的使命与职责。