认识达内从这里开始

我们都知道，企业要想良好的发展运营，数据分析是不可或缺的一个环节，而能够将我们获取到的数据进行有效的分析整理不外乎就是那么几个数据分析的工具了。

今天，我们就一起来了解和学习一下，如何通过利用知识图谱这个工具来进行数据分析和企业发展优化的。下面就开始今天的主要内容吧。

首先，我们先来了解一下用知识图谱可以做什么?

目前，知识图谱的应用在国内还处于初始阶段，但已经在金融、医疗和电商等行业得到了广泛的探索。特别在金融行业中，知识图谱是一个重要的反欺诈手段。例如，基于大数据的分析把不同来源的各类数据整合在一起，有效地识别出团体欺诈、身份造假、代办包装等欺诈行为。此外，还可应用于行业风险预测、对客户的精准营销以及可视化展示等一些典型的领域。相信随着研究的深入，还会有越来越多的应用场景被发掘出来。下面，我们对已有应用场景做一个详细介绍。

1、风控反欺诈

反欺诈是风控中非常重要的一道环节，也是知识图谱适合应用的场景。反欺诈的核心是人，这就要求把与借款人相关的数据源打通，然后抽取该借款人的特征标签，从而将相关的信息整合成结构化的知识图谱。其中，不仅可以处理记录借款人的基本信息，还可以把借款人日常生活中的消费记录、行为记录、关系信息、网上浏览记录等整合到知识图谱里。在此基础上，对该借款人的借贷风险进行分析和评估。

反欺诈的应用不仅体现在贷前阶段，还可以应用在贷中阶段，通过构建已知的主要欺诈要素(如手机、设备、账号和地域等)的关系图谱，全方位了解借款人风险数据的统计分析，对潜在的欺诈行为作出及时的反应。当然，这要求能够获得借款人全方位的各种类型的信息，并且利用机器学习和自然语言处理技术从数据中提取出符合图谱规格的数据。

相比虚假身份的识别，组团欺诈的发现难度更大。一般来说，团体欺诈往往隐藏在非常复杂的关系网络里，很难识别。只有把其中隐含的关系网络梳理清楚，才有可能去分析出其中潜在的风险。知识图谱，因为天生用来描述关系网络，因而具备了分析组团欺诈的便捷手段。

2、风险预测

基于多维度的数据，从而建立起客户、企业和行业间的知识图谱，从行业关联的角度预测行业或企业面临的风险。例如，通过对行业进行细分，根据贷款信息、行业信息建立行业间的关系模型;通过机器学习，可发现各个行业间的关联度，如果某一行业发生了行业风险或高风险事件，根据关联关系可以及时预测有潜在风险的其他行业。从而可以帮助金融机构做出预判，尽早地规避风险。

除此以外，通过知识图谱，也可以将行业和企业之间数据进行连接，借助对行业的潜在风险的预测，能够及时发现与该行业风险或系统性风险相关联的企业客户。例如，某地区某行业连续出现了多笔逾期贷款，通过对行业和客户的知识图谱进行分析，可以及时发现该地区相关行业存在潜在风险的客户。

3、精准营销

优秀的企业可以比竞争对手更有效地挖掘潜在客户，其中起关键作用的是分析用户和理解用户。知识图谱综合了多个数据源，挖掘出实体之间的关系，从而对用户的行为有更好的理解，能更好、更深入地理解用户的需求，挖掘已有客户的潜在需求，针对性地推送相关产品，更好地为客户提供营销服务。比如，市场经理可以用知识图谱来分析用户之间的关系，发现共同的喜好，从而有针对性的对某一类人群制定营销策略;如果对知识图谱扩展(如增加车辆信息、个人爱好、行为等)，可以更加精准地分析客户行为，进行精准推送。

同样，挖掘潜在客户也是金融行业重点关注的工作。如果能够通过全方位的数据，精准、迅速地找到相关业务的潜在客户，对于提升银行的业务会有很大的帮助。基于银行客户建立社交网络知识图谱，根据各种社交行为(如交往方式、频次等)发现图谱的关系模型，对客户社交网中的相关主体(如亲属、朋友、同事、同学、陌生人等)进行挖掘，评估关系紧密度。

以上的业务不仅可以针对个人客户，还可以针对企业级客户。例如，分析企业客户的资金关系、法人关系、上下游投资关系、相似企业业务关系等，为企业推荐合适产品、服务。

4、智能搜索和可视化

基于知识图谱，我们也可以提供智能搜索和数据可视化服务。智能搜索的功能指的是，知识图谱能够在语义上扩展用户的搜索关键词，从而返回更丰富、更全面的信息。比如，搜索某个人的身份证号，可以返回与这个人相关的所有历史借款记录、联系人关系和其他相关的标签(如黑名单等)。这些结果可以用图形网络的方式展示，从而把复杂的信息以直观明了的图像呈现出来，让使用者对隐藏信息的来龙去脉一目了然。

既然知识图谱的效果这么好，那么为什么许多企业利用的范围不是很大呢?这就要讲到他的一些面临的问题了。

知识图谱应用面临哪些困难?

知识图谱在工业界还没有形成大规模的应用，很多仍处于调研阶段，主要原因在于很多企业对知识图谱并不了解，或者理解不深。但从目前的趋势可以预测，知识图谱在未来几年内必将成为工业界的热门工具。当然，知识图谱在实际应用中仍然将面对很多的挑战。

1、数据的可访问性。数据处理的最大烦恼常常是无法得到数据。由于种种原因，数据往往无法得到充分的公开，被封闭在数据孤岛上;或者仅仅被用书面的方式保存，无法用电子形式读取处理，可访问性不好。提高可访问性的主要手段是把数据电子化和网络化，可以方便地通过网络链接和访问。其中涉及的技术有：网络爬虫、PDF格式转文本、图片中的字符识别和文本清理等。最后，使用大家广泛接受的传输协议，提供不同平台间的兼容。

2、数据的可发现性。原始数据中往往存在很多的噪声，例如，数据本身在收录时有错误，必须被纠正;再如，数据会有冗余，同一家公司的名称可能会有全名、缩写名等形式，处理时被当作不同的公司对待等。这些都会对后继的数据处理造成干扰，降低数据的可发现性。

3、数据的深层关系。因为海量的数据已经远远超出人类的处理能力，依靠人力无法发现在数据中隐藏的众多关系。人类也许能从数据中最多找出几百个维度，但是机器使用自然语言处理的技术可以识别成千上万个维度，特别是关系抽取。此外，各种推理的方法也非常重要，通过推理规则可以发现隐藏得很深的联系。

4、领域知识的集成。金融涉及多个行业，可以分为上百个领域，这些领域都多少需要集成领域的专业知识。不管是投资还是制造，其中的主要概念、产品分类、市场竞争情况等都需要通过行业专家收集整理，并反映到领域知识库中。其中需要的主要技术为：文档篇章分割、中文分词、实体提取及消歧、关系提取、规则库建设等。金融领域中的征信、融资、资管、二级市场交易等都有具体的业务场景，都需要业务逻辑，这些逻辑在数据之上表现为模型，需要在基础数据和领域知识的基础上实现。

5、策略的生成。现有阶段，机器在业务场景中还无法完全替代人类的作用，而是辅助人类作出价值判断、风险判断，通过过往的案例或者既定的逻辑，为人类推荐可行的策略。在此，涉及到人工智能的方方面面：对用户交互而言，有意图理解、语言生成、用户画像匹配等;在业务层面，有逻辑生成、投资模型、风险模型等;涉及的数据处理有规则提取、知识库建设，语义检索、逻辑推理等。

【免责声明】：本内容转载于网络，转载目的在于传递最新信息。文章内容为作者个人意见，本平台对文中陈述、观点保持中立，不对所包含内容的准确性、可靠性与完整性提供形式地保证。请读者仅作参考。