1.客户画像勾勒更加精准。知识图谱将多源异构数据进行有机而便捷地融合，不仅能真实而整体地刻画出人、事、物的属性和联系，还可以通过图分析将潜藏的关联性特征提取到每个相关实体，将了无生机的字节数据还原成事物在现实世界的本来面貌。

2.关系层次挖掘更为深远。在“六度邻接空间”理论中，每个人都可通过一个六度的关系进行连接。但在传统应用中，没有有效技术支撑高深度的关系分析，导致企业实际控制人挖掘等场景无法实现，知识图谱的图存储具有高效的关系推演性能，使得深度关系挖掘成为可能。

3.决策依据支持更科学、前瞻。知识图谱可应用于营销获客、风险管理等场景。以风险管理为例，通过知识图谱风险传导预测，可确保在众多小事件发生的初期，及早介入风险管控，防止“蝴蝶效应”。

1.银行数字化营销。宁波银行依托“海王星”平台建设，为大数据技术在客户精准营销、客户关系管理等各领域的成功应用奠定了扎实基础。未来，知识图谱将在以下几方面助推银行营销数字化转型图 知识图谱核心技术能力升级。

一是智能产品推荐。知识图谱构建过程可有效整合各类数据，通过关联关系分析，实现千人千面式精准推荐。此外，知识图谱的高性能运算能力可为客户提供实时推荐决策判断，提升客户体验。

二是潜在客户挖掘。知识图谱关系梳理可以识别同一类客户或关联类客户，通过聚类分析算法，挖掘出人工难以发现的潜在用户，实现存量“活”客与智能“获”客两手抓。

三是客户关系梳理。知识图谱多维度关系视角拓宽了分析问题、挖掘知识的能力，可帮助银行感知更深入、更广泛和更完整的客户关系管理方法和知识体系，实现全面了解客户（KYC）。

2.银行风险控制管理。风险控制是银行的重中之重，但是长期以来，在很多风控领域，一直没有找到效果好、效率高的风控手段。随着金融科技的发展，知识图谱技术的进步，我们看到这些问题有望得到解决。

一是反欺诈识别。知识图谱对客户身份和行为的关联分析，可有效识别虚假申请、恶意申请、套现、诈骗等各项犯罪行为，为贷前决策、贷后风控提供有效数据依据，降低金融风险。

二是反洗钱。知识图谱对资金交易过程实时决策分析判断，不仅能提供事后批量分析和报告，还能实现事中的交易分析和阻断，有效提升反洗钱能效。

三是资金中介识别。知识图谱对资金汇划的数据分析，可有效识别人工难以识别的资金中介，帮助业务部门做好排查，防范资金中介风险。

3.银行数据资产管理。银行数据之间的关联性非常紧密，通过知识图谱，我们梳理数据间的关联关系，厘清统计口径的计算方法，让数据“看得清来龙去脉、算的明统计口径、查的到底层数据”。因此，知识图谱应用在数据资产管理上必将发挥作用，促进数据价值有效提升。

一是数据关系梳理。知识图谱可应用于数据血缘分析，挖掘历史数据存储结构、表关系及数据与业务关系，智能化业务及数据梳理工作。

二是多源数据融合。知识图谱可应用于数据标准迁移分析，根据业务关系，对多源异构数据有效融合，全面贯通企业级数据。三是统计数据分析。知识图谱可应用于统计指标口径溯源分析，排查特定口径应用的统计指标项，根据数据统计的传导路径反溯源头（底层）数据。四是科技 CMDB 管理。知识图谱可应用于 IT 资产数据分析，为故障定位、资产变更决策等提供有效分析支撑。

三是统计数据分析。知识图谱可应用 于统计指标口径溯源分析，排查特定口径 应用的统计指标项，根据数据统计的传导 路径反溯源头（底层）数据。

四是科技 CMDB 管理。知识图谱可 应用于 IT 资产数据分析，为故障定位、 资产变更决策等提供有效分析支撑。

图 知识图谱核心技术能力

1.金融知识图谱的认知。首先，知识图谱在金融行业的应用仍处于初级阶段。金融知识图谱虽然已广泛应用于风控、营销、IT 资产管理和数据管理等领域，但大部分是应用于简单数据查询和逻辑规则方式。在应用初级阶段，金融知识图谱发力的核心内容 ：一是将多源异构数据有机融合为一张关联图谱，二是将反映整体的网络特征提炼到单个实体信息中，实现关系特征从无到有的跨越。

第二，知识图谱是一个可以广泛应用的辅助工具。知识图谱应用的广泛性在于拓扑连接的广泛性，任何事物都可以在赋范空间建立连接。同时，由于关联分析在整个数据分析方案中的有限性，金融知识图谱在应用过程中，往往作为一个辅助工具和其他技术结合使用，作为数据挖掘在关系维度的一个补充完善，对既有业务模型进行升级完善。

2.金融知识图谱的应用挑战。首先，数据完整性面临挑战。知识图谱面向关系密集型数据，相较于其他数据挖掘技术更要求数据的完整性。若关联关系数据不全或图数据量过小，图将无法连通而形成一个个孤立的子图孤岛，会导致信息无法传播，基于此的关联分析可能退化成鸡肋般的应用。上述问题在业务数据体量较小的中小银行中尤为凸显。针对此，不仅要考虑数据的积累，也要优化分析模型，减少数据完整性对分析结果的影响。

第二，模型精准性需要关注。知识图谱建模的精准性同时依赖于对模型的业务特征和技术方法的深刻理解和实践经验，一是知识图谱数据建模的模型，即如何定义知识本体，例如，在异构图和同构图的选择上，是选择构建全量数据的异构图，还是针对特殊场景对实体和属性进行简化、对关系进行折叠的同构图 ；在关系定义尤其是抽象关系定义上，如何在无限制的关系定义中概括出对应用有价值的关系，包括实体间的共同爱好、共同购买关系、在特殊时段的联系、处理后获得的某种特征上的相似性等 ；二是数据分析的模型，如何对业务逻辑进行概括并映射成图能理解处理的模式，如担保风险中的担保链、担保圈、平台担保，映射到图分析中环形路径查找、担保社区发现和高维度节点算法等。

第三，互联性与权限最小化设计的矛盾值得探讨。知识图谱提出的本意在于世界万物的互联，打通字节世界与真实世界。而银行业对数据安全的权限设计较为严格，一方面是要将所有数据都连通以最大化关联性分析价值的技术要求，一方面是各个业务部门各个应用场景各个角色之间安全隔离的管理要求。如何做好知识图谱平台的多租户管理，结合知识图谱核心技术框架的四个层级，从存储到可视化如何分层设置权限，需要我们在前期做好建设规划。

可以预见在未来很长一段时间内，知识图谱将成为大数据智能的前沿研究问题。学术界在持续地推进技术的研究与创新，工业界在积极地探索业务落地的场景。金融业要做好基础平台建设，把握技术发展动态，从实际业务发展痛点出发，用好知识图谱这把利器。