2020知识图谱厂商全景报告

  在数字化转型的过程中，企业面临迅速增加的数据压力，如何从海量数据中挖掘有价值的信息成为企业当前亟需解决的核心问题。知识图谱提供了一种从海量非结构化数据中抽取结构化知识，并利用图分析进行关联关系挖掘的重要技术手段。

  基于对国内各行业甲方企业的调研，爱分析认为知识图谱在应用场景上表现出四大趋势：

  · 知识图谱在各行业的渗透度将不断的提高，特别是在医疗与医药、能源等知识密集型行业；

  · 金融行业仍将是知识图谱渗透较快的行业，应用场景和应用主体将不断拓展；

  · 搭建全公司级别的知识图谱平台时，需格外注意项目周期规划、知识图谱厂商选择、平台灵活性等方面；

  · 知识图谱技术在不一样的行业的应用场景中具有一定的通用性，可借鉴别的行业中的最佳实践案例。

  随着数字化的经济浪潮的席卷以及企业信息化建设的完善，各行各业都在拥抱数字化，利用新兴技术赋能企业数字化转型。其中，数据作为数字化的经济时代重要的生产资料，对数据的挖掘能力成为数字化转型成功的基石。

  在快速增长的数据中，非结构化数据占比已达80%，这些非结构化数据中涵盖了更广泛和更有价值的信息，但数据量大、数据格式多样、结构不标准且复杂等问题使得非结构化数据的处理门槛非常高。知识图谱提供了一种从海量非结构化数据中抽取结构化知识，并利用图分析进行关联关系挖掘的重要技术方法，可以洞察“肉眼”无法发现的关系和逻辑，支撑最终的业务决策。

  作为人工智能的基石，知识图谱将不同知识之间进行关联形成网状知识结构，其本质是在构建行业或领域内的知识，将知识赋予给机器，在实际的业务环节中运用，由此产生更大的价值。

  因此，凡是涉及到大量知识且需要挖掘关系的业务场景均可通过知识图谱，例如银行的风控与营销、公安的刑侦与经侦、品牌商的门店运营与营销等。目前，受信息化建设水平、数字化转型进度等因素的影响，知识图谱在各个行业内的渗透率有所差异，金融、政务与公共服务等行业渗透较快，医疗与医药、零售等行业渗透较慢。

  爱分析认为，在企业数字化转型的道路上，知识图谱将起到关键性的作用，未来，知识图谱在应用场景上将表现出以下四大趋势：

  ·企业级知识图谱平台将是未来的建设重点。知识图谱的搭建模式有两种：第一种是从具体业务痛点出发，为企业某业务部门搭建一套知识图谱，迅速解决业务上的问题，不同业务场景可能会选不一样知识图谱厂商；另一种是从全局考虑，选择一家知识图谱厂商，搭建全公司级别的知识图谱平台，先从简单业务开始，逐渐拓展至复杂业务，最终实现不同业务场景之间的数据打通和关联。从全局考虑，全公司级别的知识图谱平台将是未来的发展的新趋势，但全公司级别的知识图谱平台建设周期较长，在项目周期规划、知识图谱厂商选择、平台灵活性等方面需格外注意。

  ·知识图谱在各行业的渗透度将不断的提高。随技术成熟度的提高以及行业对知识图谱认可度的增加，知识图谱在行业内的渗透度将提高，特别是在医疗与医药、能源等知识密集型行业，知识图谱将发挥巨大价值。某跨国药企基层市场数字化经理表示，跨国药企对知识图谱技术抱有积极态度，基于知识图谱搭建知识问答平台，可以精准地为医生推送内容，帮助医生合理用药、正确治疗。

  ·金融行业仍将是知识图谱渗透较快的行业。在应用场景上，除了常见的营销、风控以外，还将拓展至市场监管、智能投研等；行业主体也将从银行、保险延伸至证券、基金等。某证券公司金融科技部总经理表示，不论是为零售客户提供投资决策辅助和风险提示，还是机构客户的内部投顾，知识图谱技术几乎能应用在证券公司的所有业务上。

  ·智慧城市的建设中知识图谱将起到重要支撑作用。智慧城市包含民生服务、城市治理、产业经济等，知识图谱作为全局知识库，可以将城市生活数据和城市管理数据来进行关联分析和挖掘，作为上层智能搜索、智能问答、智能推荐等应用的基础，赋能智慧城市的方方面面，让城市更加“聪明”。

  爱分析基于对国内知识图谱厂商的调研，准确定义了23个知识图谱技术的应用场景，涵盖金融、政府与公共服务、医疗与医药、能源与工业、电信、零售等六大行业，同时遴选出在这些应用场景中具备成熟解决方案和落地能力的厂商，如下图所示。

  ·在对公业务的激烈竞争中，银行需要增强对企业关联关系网中产生的商机事件的洞察能力，及时抓住营销窗口期；

  ·随着宏观经济环境不确定性的增加，银行需要增强对企业关联关系网中传导的行业景气度波动、重大负面事件等风险事件的洞察能力，建立重大风险事件快速响应和应急处置机制，及时有效地发现潜在风险，提高风险监测与预警能力；

  ·知识图谱可以为银行对公业务实现跨行业和跨企业的关系网络的构建，重塑对公业务营销与风控的过程，提升风险管理和营销管理的效率，特别是在反洗钱、反欺诈、舆情风控等环节中，知识图谱能够更好的起到关键作用。

  ·兼容性强，既可当作独立的知识图谱平台，又可以与其他平台相对接，对外输出知识。

  ·国内银行目前正在积极进行线上零售转型，全力发展个贷、微贷业务，需要增强对零售客户的数据洞察能力，挖掘客户的真实需求，实现千人千面，以此来实现精准触达；

  ·伴随义务的发展，背后隐藏的风险也日益凸显，“薅羊毛”、亲友集中借贷、“垒大户”等问题频发，因此，贷前审查和贷后管理中对于客户之间关联关系的识别非常重要；

  ·通过构建关联图谱，打通零售业务场景下客户从申请到贷后的全流程数据，建立零售客户全业务周期画像、客户关系画像，可以使银行在缩短营销周期、降低营销成本的同时确保风险可控。

  ·零售业务线众多，包含信用卡、贷款、理财、储蓄等，要求厂商具备跨渠道、跨业务打通数据的能力，不仅对各个业务线有高度的理解，还要具备良好的服务意识；

  ·兼容性强，既可当作独立的知识图谱平台，又可以与其他平台相对接，对外输出知识。

  ·保险公司获客难众所周知，随市场竞争愈发激烈，如何准确理解客户意图，将客户的真实需求与自身产品与服务相匹配，达到精准营销，是保险公司一直都在探索的；

  ·相较于传统的客户画像体系，基于知识图谱的客户画像能够更好的将客户的关系、事件、行为等进行关联，对客户画像进行动态、实时的描绘，帮助保险公司实现精准营销；

  ·风险管控一直是保险公司的核心，近年来，各种骗保形式花样频出，欺诈案件中往往涉及到复杂的关联关系网络，以往的单点挖掘难以识别欺诈因子；

  ·知识图谱可以将投保人、受益人等有关数据打通，进行深度的分析和推理，对不良行为进行跟踪，及时关注异常节点，提高风险识别的效率和效果。

  ·保险企业内部数据维度单一，厂商需要快速融合保险公司内外部有关数据，快速为保险公司构建知识图谱平台；

  ·兼容性强，既可当作独立的知识图谱平台，又可以与其他平台相对接，对外输出知识。

  ·从产品设计到销售、售后的过程中，证券公司积累了大量的数据，如何将一直以来积累的数据打通，并结合业务场景，提高传统业务效率，是证券公司亟待解决的问题；

  ·基于知识图谱的客户画像体系可以帮助证券公司更好的了解客户，确认客户的风险偏好、投资喜好等，为客户推荐理财策略，提供个性化的产品和服务，促进销售结果的达成；

  ·搭建以公司和机构为主体的知识图谱体系，在对机构业务的驱动方面，能轻松实现商机发现以及风险管控。

  ·证券行业存在大量多源异构数据，需要厂商具备较强的数据治理能力及大规模知识图谱构建能力；

  ·知识图谱技术在证券公司内的应用尚处于探索阶段，厂商应具备为银行、保险等搭建知识图谱的丰富经验，帮助证券公司的知识图谱项目更快落地；

  ·兼容性强，既可当作独立的知识图谱平台，又可以与其他平台相对接，对外输出知识。

  ·金融行业正全面迈入大数据时代，利用数据驱动业务增长是所有金融机构都想要实现的，但基金公司受限于数据存储的高昂成本和数据处理能力的不足，在数据的挖掘与应用上相较于银行、保险等稍慢一步；

  ·结构化数据的处理已经不能够满足基金公司的需求，利用知识图谱等技术挖掘隐藏在非结构化数据中的大量信息，是基金公司接下来的业务重点，不管是在营销获客还是在风险管控等环节，基金公司都想尝试利用知识图谱技术对业务进行赋能；

  ·目前基金公司大多处于知识图谱项目的咨询或招投标的早期阶段，需要与知识图谱厂商一同探索更多适合基金公司业务的应用场景。

  ·基金行业存在大量多源异构数据，需要厂商具备较强的数据治理能力及大规模知识图谱构建能力，为基金企业来提供技术上的支持；

  ·知识图谱技术在基金公司内的应用尚处于探索阶段，厂商应具备为银行、保险等搭建知识图谱的丰富经验，帮助基金公司的知识图谱项目更快落地；

  ·兼容性强，既可当作独立的知识图谱平台，又可以与其他平台相对接，对外输出知识。

  ·金融机构内部在业务运行过程中累积了大量的知识与经验，这些知识与经验存在于领域专家脑中或技术文档中，难以得到一定效果利用，很多金融机构尝试使用知识管理系统，但知识管理系统中的知识与知识之间有信息孤岛，没有建立知识之间的联系，知识的管理维护、更新升级等也都存在问题；

  ·在将知识图谱技术应用于营销、风控等业务环节的过程中，本质上是建立了营销领域和风控领域的知识库，随着知识图谱技术在金融行业的渗透，金融机构开始想要打造全公司级别的知识库或知识中台，将全公司的数据来进行关联，满足多种业务部门的需求，更好的推动业务运行。

  ·搭建全公司级别的知识库或知识中台涉及到的数据量巨大，需要厂商具备大规模知识图谱平台搭建能力；

  ·知识库或知识中台要支撑上层多业务部门的应用，要求厂商搭建的知识图谱平台组件足够灵活；

  ·兼容性强，既可当作独立的知识图谱平台，又可以与其他平台相对接，对外输出知识；

  ·各个金融机构对知识库或知识中台的需求存在一定的差异，厂商需具备定制化改造的能力，同时具备良好的服务意识；

  ·随着人工客服成本的逐年上涨，客服机器人在金融领域慢慢的开始普遍的使用，但在金融领域使用的客服机器人不同于一般的聊天机器人，对回答准确率的要求比较高，现阶段，客服机器人只能作为人工客服的辅助和补充，主要使用在在人工客服人手不足或是对服务质量要求不高的场景上；

  ·金融机构对客服机器人的智能化水平要求持续不断的增加，需要客服机器人对问题中模糊的部分通过上下文对话的关联进行意图识别，给用户带来更好的服务体验；

  ·基于知识图谱技术的客服机器人，能够理解用户意图，实现上下文交互的对话流程。

  ·厂商应具备对业务场景的理解能力，才能解决最终用户在实际业务中遇到的问题；

  ·除了知识图谱技术以外，厂商还需要具备ASR、TTS、NLP等与智能客服相关的技术实力。

  ·在网络信息爆炸的时代，金融机构对声誉风险的重视度慢慢的升高，需要利用技术方法加强舆情监控并对声誉风险进行提前的防范和管控；

  ·舆情监测的范围非常宽泛，从微观的企业自身信息和竞争对手信息，到中观的行业信息再到宏观的国家政策信息，都是金融机构想要实时掌握并对可能会产生的结果加以分析的；

  ·知识图谱可以为舆情监控提供技术支撑，将所有的舆情目标作为知识图谱的节点，将舆情目标之间的相关关系作为边，进行可视化展示，并对舆情事件的影响做多元化的分析，有效提升舆情监控的广度和深度。

  ·除了搭建知识图谱以外，厂商需要在舆情监控领域有一定的模型积累，具备实时的数据分析能力；

  ·舆情监控需要结合金融机构实际的业务场景，需要厂商具备一定的行业知识沉淀；

  ·各个金融机构对舆情监控的需求存在一定的差异，厂商需具备定制化能力，同时具备良好的服务意识。

  ·金融机构在进行采购时会遇到合适供应商难以寻找、供应商风险难以评估、投标与围标等风险难以检测、采购合规性和流程效率难以提升、采购标品价格难以监控等多个问题；

  ·随着业务的扩大，金融机构在总部和各分支机构的大量采购要求下，也存在需要利用数据来进行量化支撑、决策分析的需求；

  ·在采购数字化的升级过程中，一些头部的金融机构开始探索如何利用人工智能技术赋能采购流程；

  ·构建采购领域的知识图谱，能够准确的通过金融机构的实际采购需求，提供智能寻源、供应商风险分析、价格监测等功能，提高采购效率，降低采购成本。

  ·厂商需要具备供应商库、产品库、采购合作案例等第三方数据库，结合金融机构内部数据，快速构建知识图谱，保证采购相关信息的覆盖程度；

  ·兼容性强，既可当作独立的知识图谱平台，又可以与金融机构内部的其他平台相对接。

  ·目前公安行业的智能化应用主要停留在感知智能，强调前端数据的采集以及后端视频解析能力，认知智能的应用推广有限，导致公安数据信息规模庞大、数据复杂。办案人需要将海量数据快速抽取成知识，发现有用信息；

  ·违法犯罪活动本身具备隐蔽性、团伙性等特征，在技术快速地发展的背景下，又呈现出网络化、智能化、复杂化等新特征，增加了公安人员的办案难度。面对当前的公安业务新挑战，公安部门推动公安系统智能化改造，打破系统原有信息孤岛，挖掘潜在隐藏信息，分析关联关系，形成知识网络，通过技术方法支撑“人、事、地、物、组织”等刑侦关键要素；

  ·知识图谱技术已应用在公安领域，通过知识图谱技术搭建公安领域知识图谱，针对刑侦场景，实现重点人员关联分析、异常事件挖掘、重点场所关联分析、物品关联分析、团伙关系分析、相似案件推理等一系列智能辅助功能，提高公安机关办案效率。

  ·各地公安机关具备自身特点，在构建知识图谱的过程中，需要较多定制化服务，要求厂商定制化能力较强，具备较好的服务意识；

  ·公安实战经验需要转换为公安知识图谱中的应用模型，需要厂商具备一定公安行业模型积累；

  ·公安领域存在大量的非结构化、半结构化信息，厂商在构建知识图谱的过程中需要较强的数据治理能力。

  ·经济犯罪本身就具有隐蔽性、动态性、复杂性以及社会危害性等诸多特征。随着经济社会的持续不断的发展，非法集资、传销、金融机构暴雷等违法事件给社会经济秩序造成巨大危害，也对执法监管部门提出更高的业务要求。依靠技术方法辅助侦测，是经侦部门的关键举措；

  ·案件的核心是“人”，在经济犯罪过程中，关键人员一定会留痕于关系网络，但重点是，面对错综复杂的海量数据，经侦部门要梳理脉络，形成人员、企业等要素的关系网络，搜寻关键线索，挖掘深层次信息；

  ·知识图谱技术已应用在公安经侦场景，通过知识图谱技术搭建公安领域知识图谱，针对经侦场景，形成重点人员关联分析、构建企业动态关系图谱、挖掘企业深层信息、相似案件推理等一系列智能辅助功能，提高公安机关办案效率。

  ·各地公安机关具备自身特点，在构建知识图谱的过程中，需要较多定制化服务，要求厂商定制化能力较强，具备较好的服务意识；

  ·公安实战经验需要转换为公安知识图谱中的应用模型，需要厂商具备一定公安行业模型积累；

  ·公安领域存在大量的非结构化、半结构化信息，厂商在构建知识图谱的过程中需要较强的数据治理能力。

  ·受国外影响，我国面临的风险上升。公安机关变事后打击为事前预警以面对新时代背景下的业务挑战；

  ·由于暴恐事件具有团伙性、隐蔽性以及线上与线下关联性等特征，公安机关需对重点人员布控，利用车辆与人员轨迹、同行人等数据建立风险预测模型，发掘隐性重点人员，形成团伙关系网络，通过团伙聚集度、活跃度、危险度等多维度信息对团伙进行布控设防；

  ·针对网络信息构建的知识图谱帮助公安部门进行情报收集，对暴恐事件及时预测预警；

  ·知识图谱技术已应用在公安领域反恐场景，通过知识图谱技术搭建重点人员关联图谱，加入时空与地点信息，合成分析重点人员活动痕迹，发掘隐性重点人物。同时，依靠逐步建立的全警种公安领域知识图谱，公安机关可多维分析犯罪团伙历史，支撑布控抓捕行动。

  ·各地公安机关具备自身特点，在构建知识图谱的过程中，需要较多定制化服务，要求厂商定制化能力较强，具备较好的服务意识；

  ·公安实战经验需要转换为公安知识图谱中的应用模型，需要厂商具备一定公安行业模型积累；

  ·公安领域存在大量的非结构化、半结构化信息，厂商在构建知识图谱的过程中需要较强的数据治理能力。

  ·治安事件发生具有突然性，当团伙发生案件时，若不能现场及时抓捕，后期可通过涉案人员关系图谱发掘潜在嫌疑人；

  ·针对有一定犯罪企图的重点人员，利用智能手段，建立重点人员预警模型，并通过关系图谱与轨迹信息，及时有效地发现违法活动，阻止治安事件发生。

  ·公安实战经验需要转换为公安知识图谱中的应用模型，需要厂商具备一定公安行业模型积累；

  ·公安领域存在大量的非结构化、半结构化信息，厂商在构建知识图谱的过程中需要较强的数据治理能力。

  交通运输厅（局、委）、综合规划司、公路局、水运局、运输服务司、安全与质量监督管理司、科技司。

  ·面对城市交通拥堵问题，利用知识图谱技术，将前端感知设备采集数据形成人、车、道理的大交通关系图谱，通过交通业务模型，利用路口信号灯实时调度城市交通系统；

  ·针对突发情况导致的道路无法通行，交通部门要快速响应进行路径规划，合理指挥车辆规避风险路段，将影响降到最小。将时空概念引入，利用动态知识图谱技术，更快速的进行道路规划；

  ·电警、卡口、人脸抓拍摄像机的广泛应用使得交通大数据中具有海量车牌与人脸照片，通过知识图谱技术能快速构建人、车关系图谱，交管部门能够迅速检索居民与同行人的轨迹信息。

  ·交通领域存在大量的非结构化、半结构化信息，厂商在构建知识图谱的过程中需要较强的数据治理能力；

  ·针对道理拥堵、路径规划等应用场景需要厂商具备相应算法模型，并根据各地实际情况进行模型优化；

  ·在构建知识图谱的过程中，交通领域有较多定制化需求，要求厂商定制化能力较强，具备较好的服务意识；

  ·在智慧消防的建设中，物联网前端设备采集大量数据，应急管理部门依托海量多维数据构建消防领域知识图谱，对消防安全要素进行多维关联分析，提高推理判断准确率，辅助应急管理部门决策；

  ·及早预防各类事故灾害的发生是应急管理部门的重要工作内容。通过对过往发生事故灾害的根因分析，应急管理部门可利用知识图谱技术关联关键影响因素建立事故灾害预测模型，辅助预测事故灾害发生；

  ·灾后的救援工作中会积累大量救援经验知识，但很难做到经验互享。通过知识图谱技术，建立应急管理领域知识库，为高效、专业的救援工作提供支持；

  ·当灾害事件发生时，政府机关需针对社会舆情动态及时反馈以稳定民众情绪。知识图谱作为一种高级语义网络计算方法，可针对海量语义进行定义、匹配与推理。政府机关将舆情信息进行分类，并发现各类信息关联关系，快速挖掘民众关注焦点。利用知识图谱技术，帮助政府机关及时针对热点事件作出反馈。

  ·针对消防领域知识图谱、舆情分析、事故灾害预测、灾后救援等应用场景需要厂商具备相应算法模型，并可根据各地实际情况进行模型优化；

  ·在构建知识图谱的过程中，应急管理领域有较多定制化需求，要求厂商定制化能力较强，具备较好的服务意识；

  ·应急管理领域存在大量的非结构化、半结构化信息，厂商在构建知识图谱的过程中需要较强的数据治理能力。

  ·在政务数字化的建设过程中，政府各部门主导建立业务系统，导致系统之间形成“信息孤岛”，不能有效的统一调度。采用知识图谱等新兴技术，平台将部门壁垒与信息孤岛现象打破，形成统一的数据标准规范服务业务应用；

  ·目前各级政府部门已形成海量数据资源池，但真正能服务于业务的数据应用却较少。采用知识图谱技术，平台将各部门数据抽取融合形成知识，搭建政务领域知识中台，为上层各业务部门工作提供知识支持；

  ·政府对于社会的宏观调控需要多维数据支撑，需要挖掘社会关键要素之间的隐性关系，辅助政府部门决断。知识图谱技术具有较强的关联关系分析能力，通过社会要素的关联分析与模型推算，在宏观调控、社会管控、政策实施、灾害防控等多方面为政府决策提供数据支撑。

  ·各政府部门具备自身特点，在构建知识图谱的过程中，需要较多定制化需求，要求厂商定制化能力较强，具备较好的服务意识；

  ·政务行业内存在大量的非结构化、半结构化信息，厂商在构建知识图谱的过程中需要较强的数据治理能力。

  ·从药物研发到临床试验再到上市推广，医学翻译贯穿于药企的整个业务生命周期中，医疗的特殊性使得药企对医学翻译的专业性提出极高的要求；

  ·过去药企的医学翻译工作大多交给外部的专业翻译公司完成，出于对资料安全性的考虑，药企一般会在药品或器械注册的最后环节才将资料交给翻译公司，翻译公司往往需要在短时间内交付几十万甚至几百万字的专业译文，稍有延误就可能导致送审不及时，药品或器械上市失败；

  ·对于药企来说，利用机器翻译代替人工翻译，既可以保证资料的安全性、保密性，又可以保证翻译工作的实时性、高效性、质量稳定性；

  ·早期的机器翻译是将需要翻译的句子中的每个词翻译后再重组成一句话，人工翻译也是如此，只是人工翻译会增加专业的知识体系；

  ·基于知识图谱的机器翻译，通过构建专业领域的知识体系，可以极大提高医学翻译的专业性和准确性，使翻译结果更加符合医学逻辑，保证翻译质量。

  ·对药企来说，知识图谱只是支撑上层业务场景的技术手段，搭建医疗领域的知识图谱，需要厂商对医疗业务场景有足够的理解；

  ·医学翻译对专业性的要求极高，厂商搭建的医疗领域知识图谱需要满足药企对专业性的要求；

  ·医学翻译需要积累大量的专业语料库，厂商需要具备很强的自然语言处理能力；

  ·目前医疗行业对知识图谱的应用还处于早期，应用点多且分散，厂商需要具备良好的服务意识，与药企共同探索。

  ·“4+7”带量采购使得跨国药企面临药价下调的压力，产品的覆盖力度和频率下降，亟需快速挖掘新市场以及提高对原有覆盖客户的精准营销；

  ·在医药营销“合规”的背景下，“带金销售”的医药代表模式走不通，数字化营销成为药企实现合规、高效、低成本的营销手段；

  ·药企通过搭建自己的知识体系平台或问答平台，构建产品知识图谱、疾病知识图谱、用药知识图谱等，可以精准地为医生推送其感兴趣的内容，帮助医生正确用药、正确做治疗，提高医生对药企产品的认可度；

  ·同时，通过知识图谱的积累不断完善客户画像，将信息提供给市场部门和营销部门等，进行客户的关联转化。

  ·厂商为药企搭建知识图谱时，使用的数据一般来自于药企的医学部，需要厂商具备快速构建知识图谱并上线的能力，同时对问答的准确率有要求；

  ·目前医疗行业对知识图谱的应用还处于早期，应用点多且分散，厂商需要具备良好的服务意识，与药企共同探索应用场景。

  ·患者去医院就诊时，经常会遇到“知症不知病”、“知病不知科”的问题，现有的导诊方式一般为人工导诊或基于关键词的导诊系统，导诊的效率和效果有待提升；

  ·智能导诊虽然是诊疗过程中的一个辅助环节，但对强化医院内部管理、协调医疗资源、提升患者就医体验、提高医疗质量，具有明显的优化作用；

  ·为患者提供精准的智能导诊服务，不仅可以为患者快速找到合适的科室和合适的医生，减少患者就诊时间，同时可以缓解医务人员工作压力、促进医疗资源合理配置；

  ·基于知识图谱的智能导诊系统，借助知识图谱的推理能力，患者只需描述症状或疾病，就可以为患者提供智能导诊服务，匹配科室和医生，缓解医院导诊服务的压力，提高医院的智能化管理水平。

  ·医疗是典型以多源异构数据为主的行业，数据融合在医疗应用场景中更加复杂，需要厂商具备较强的数据治理能力；

  ·医院对智能导诊系统的疾病判断准确率、医生推荐准确率和体验度的要求较高，要求厂商不但技术实力强，在医疗领域know-how的积累更加重要；

  ·各个医院科室划分、职能划分和医生资源分布情况不同，要求厂商的定制化能力较强，具备良好的服务意识。

  ·油价的长期低迷与疫情影响对石油企业产生巨大冲击，石油企业对油气生产效益与成本要更加精细化管控；

  ·作为劳动密集型企业，电力企业吸收大量劳动资源，但电力行业业务复杂，诸多环节积累大量知识，面临知识难以积累、人员培训难度大等痛点。电力企业需要快速建立领域知识库；

  ·国内工业水平发展参差不齐，长期的行业不景气导致企业信息化发展较慢，目前大部分企业数据粗放式管理，可用性与易用性较差，难以形成知识积累。随着竞争加剧，以电力、石化、工业、水务为代表的资源密集型企业加速向技术密集型与数字密集型企业转型，提高企业数字化能力；

  ·面对能源与工业行业的业务挑战，企业需求将数据形成知识，创建支持上层业务应用的领域知识库，在辅助业务应用的同时进行相应的知识积累。员工可通过知识库快速获取知识，降低培训与研发成本；

  ·利用知识图谱技术，企业可打通底层数据，将行业知识整合，建立领域知识库，形成企业知识中台，赋能上层业务应用。

  ·企业针对生产与加工流程等场景构造与业务相关的复杂关系网络时，需要知识图谱厂商具备较强技术能力以及具有一定行业知识积累；

  ·由于传统工业发展时间较早，系统部署情况复杂，要求厂商的知识图谱平台应具备较好的兼容性，能够快速完成平台对接工作；

  ·行业内各企业具备自身特点，在构建知识图谱的过程中，需要较多定制化需求，要求厂商定制化能力较强，具备较好的服务意识。

  ·市场已经趋近于饱和的电信行业，提高服务质量是运营商争取客户的重要举措。由于人工客服的培训流程较长且人员流动性较强，建立运营商领域知识库是快速提高客服人员服务质量的有效方法。客服人员通过检索知识库获取知识，快速、准确地回答客户问题；

  ·5G时代的到来，运营商更注重下沉市场。但对下沉市场的运营需要大量资源投入。建立运营商领域知识库，一线工作人员可以通过检索知识库的方式快速获取知识；

  ·运营商利用知识图谱技术通过对购买人的关联关系图谱分析，能够迅速获取潜在客户群体，发掘隐性商机。

  ·电信行业在构建知识图谱的过程中，需要较多定制化需求，要求厂商定制化能力较强，具备较好的服务意识；

  ·电信行业内存在大量的非结构化、半结构化信息，厂商在构建知识图谱的过程中需要较强的数据治理能力。

  ·在零售数字化的进程中，零售商获取了大量消费者、商品以及门店的数据，但数据的价值在于发现三者的关联关系。通过知识图谱技术，零售商构建商品知识图谱，以商品为核心，发掘三者的隐性关系，辅助商品营销；

  ·门店选址时，品牌商要高效、准确的选择新区域内最佳位置。通过大量的门店数据，基于知识图谱技术，可快速构建门店领域知识库，帮助企业根据产品类型快速发现区域内的空白市场点位，辅助决策人完成门店选址工作。

  ·门店选址功能需要将空间GIS信息加入知识图谱中，需要厂商具备构建此类知识图谱的经验；

  ·零售行业内存在大量的非结构化、半结构化信息，厂商在构建知识图谱的过程中需要较强的数据治理能力。

  ·企业要更快速精准地定位潜在优质客户。零售数字化的推进过程中，企业利用人工智能技术，从海量的数据中梳理出优质客户，并通过关联分析，形成客户知识图谱，深度挖掘潜在客户；

  ·零售企业要时刻掌握细分领域内产品的发展动向，基于商品信息形成的领域知识图谱可以帮企业快速了解行业内的商品发展动态；

  ·企业在数字化转型的过程中，大量碎片化营销数据无法应用于业务，企业要搭建营销知识中台，打破信息孤岛，对营销环节进行全方面支持。

  ·零售行业内存在大量的非结构化、半结构化信息，厂商在构建知识图谱的过程中需要较强的数据治理能力。