图数据库的五大用例

图数据库（Graph Database）是十年前震撼整个行业的 NoSQL 数据库热潮中出现的最大创新之一。图数据库将数据对象之间的关系存储在对象本身内（同时存储数据实体与数据关系），从而实现其他方法几乎不可能实现的极快分析，能够从大量相互关联的数据中获得洞察力。

今天，关系型数据库仍然是大多数企业首选的主力数据库，而图数据库能够与关系型数据库一起运行，而不是取而代之。图数据库的主要优势是能够跨多个系统的数据快速执行复杂查询，而不会因表连接或数据转换而产生开销。聚合广泛分布的数据需要数据集成工作，通常以数据湖的形式进行。   

图数据库的优点不仅仅是查询速度。开发复杂的关系模型不再是一个痛苦的过程，因为在图数据库中数据关系可以很容易地建模，且可动态变化。然而，那些精通 SQL 的人不必感到被排除在外；图形数据库查询语言（例如GSQL）是增强了图形功能的 SQL 相邻语言。

值得注意的是，对数据关系的强调和有效处理大量数据的能力使图数据库非常适合人工智能 AI和机器学习 (ML)应用程序。当图数据库软件包含 AI/ML 特定工具和互操作性功能时，可以增强这种组合。

以下是图数据库的五大行业用例：

一、获取360度客户洞察

公司与客户或销售前景之间的互动往往很复杂，有很多触点。理想情况下，这些应该产生不断适应客户需求的销售策略。这种 360 度场景很快会产生多对多关系，使用关系数据库需要费力的建模和繁琐的表连接才能产生可​​操作的见解。

这就是图数据库大放异彩的情况。例如，UnitedHealth Group (UHG) 采用图数据库来帮助提高超过 2600 万会员的护理质量，同时降低成本。作为世界上收入最大的医疗健康公司，UHG 使用庞大的图形数据库来跟踪会员、提供者、索赔、就诊、处方、程序等之间超过 1200 亿的关系。

UHG 在其图数据库上开发了各种 GUI 应用程序，除其他好处外，这些应用程序还提供了医生、药房、临床实验室、健康顾问和 UHG 本身之间的成员交互的综合视图。每天有超过 23,000 名用户访问该数据库，使提供商能够根据最新的会员活动实时确定更好的护理和健康建议。UHG 预测最终节省的成本可能会达到数十亿美元。

二、用人工智能改变金融服务

数据的指数级增长一直是 AI/ML 的最大推动力，这需要大量数据来揭示有意义的模式并提高决策的准确性。很少有行业比金融服务的数据密集度更高，但与其他行业一样，数据来自许多不同的来源，通常最终出现在关系数据库孤岛中。

在弥合这些孤岛时，图数据库可以帮助 AI/ML 提供卓越的预测分析、风险管理、欺诈检测、反洗钱、内幕交易监控、为客户自动推荐等。此外，与 AI/ML 相结合的图数据库可以帮助首先确保数据是干净的，协调客户记录和金融产品属性中可能导致不准确结果的异常差异。

Intuit 正在使用图数据库软件与 AI/ML 相结合，从一家产品公司转型为一家 AI 驱动的专家平台公司。此旅程的一个关键部分是知识图谱的创建，它丰富了数据并从相关元素的集群中揭示了洞察力。Intuit 将知识图谱与最先进的机器学习形式、深度学习相结合，为 Intuit 的聊天机器人和应用程序内推荐提供支持。通常，很难确定深度学习是如何得出结果的；Intuit 知识图谱的一个主要好处是它们为深度学习增加了“可解释性”。

三、优化供应链

冠状病毒大流行的持久影响之一是人们意识到全球供应链可能非常脆弱。无论有没有中断，制造商都敏锐地意识到许多供应链的维护和优化是多么复杂。

想一想汽车制造商面临的日常挑战。第一个要求是准确预测客户需求，以确定要订购的零件的数量和类型——具体到买家希望选择的各种型号和选项。这些预测需要与数百家供应商的零件可用性以及制造效率和供应商风险的估计同步。

Jaguar Land Rover (JLR) 选择了图数据库解决方案，因为它可以跨越供应链分析所需的许多数据孤岛，并探索数据元素之间的关系矩阵。主要目标是增加每单位销售的平均利润并减少陈旧库存，同时最大限度地减少供应商中断的影响。JLR 的一些关键供应链计划查询现在只需 45 分钟，而不是数周，更重要的是，管理层可以回答以前从未有机会提出的问题。

四、优化电商业务

零售电子商务公司面临着越来越大的竞争压力，需要在准确的客户详细信息和购买历史的基础上提供更好的客户体验。该基础支持从动态定价到产品推荐再到个性化特别优惠的一切，所有这些都利用了客户旅程中积累的数据。

图数据库可以通过多种方式提供帮助。考虑可能的关系——客户与支付方式、客户与品牌、产品与退货率、促销与销售率等等。假设您想运行一个查询，以确定在向定义为忠诚的客户子集推销时，哪些促销对特定产品最有效。使用关系数据库可能需要很长时间，但图形数据库可以以极短的延迟返回结果。

可靠地识别哪些客户购买了什么看似简单的行为可以通过图数据库进行改进，图形数据库可以聚合和协调所有相关的客户数据，无论支付方式或销售点如何。在对图数据库进行的为期三个月的测试中，一家大型电子商务公司在其五个不同的零售网站上发现了 1200 万个新账户关系。该公司估计效率节省了近 300 万美元，并预计销售额将增长 17.6%。

五、提高欺诈检测准确性

多年来，银行、信用卡和电信企业见证了欺诈检测的演变。早期基于规则的努力往往会错过可疑的交易或将无辜的交易标记为欺诈。然而，当金融业采用图形数据库来增强他们的 AI/ML 工作时，欺诈检测的准确性显著提高。

图形数据库与 AI/ML 相结合可提高欺诈检测的准确性，减少误报并检测可能被遗漏的异常情况。机器学习必须利用许多不同的数据类型来模拟客户的正常行为——位置、设备、支付类型、身份验证方法等等。此外，定义为正常行为模式的行为必须即时调整以响应合理的变化。图形数据库支持这种动态并使 AI/ML 能够遍历客户交互以识别重大差异。  

原文链接：https://venturebeat.com/data-infrastructure/top-5-use-cases-for-graph-databases/