基于知识图谱InsightGraph — 让数据开口说话。

从Palantir的ontology思路出发，我们踩了一遍知识图谱的坑

让数据从"分散的资产"，变成"会分析、会归因的业务伙伴"

💼你一定遇到过这些问题

• 这份数据和其他系统能不能关联？问了三个人有三个答案
• 运营问"为什么今天指标跌了"，数据分析师连夜查数据
• 同一份指标，口径有好几个，各部门报数打架
• 想新增一个业务分析，得从零开始摸索上下游依赖
• Leader 问"这个改动会影响什么"，谁也说不准
• 新同事入职，数据地图全靠人肉带

🔑核心：三级知识图谱

Palantir 的核心方法论是构建 ontology（本体）——把业务实体和它们之间的关系，用机器可读、可推理的方式表达出来。InsightGraph 的三级知识图谱，正是这个思路的工程实现。

Tier 1 · 数据层 — 数据知识图谱

Data KG — all your data, mapped

投入大量精力研发的解析引擎，自动将各类数据源（数据库、报表、文档）转化为统一的结构化数据地图，每一条边都经过多轮验证。

多数据源 隐式关联 跨源映射 自动发现

Tier 2 · 语义层 — 业务知识图谱

Business KG — what it actually means

在数据层基础上，利用大模型和专业知识，构建出覆盖指标、维度、分类的业务语义层。指标口径统一，业务语言可直接对应到数据。

模型构建 指标体系 口径统一 自然语言映射

Tier 3 · 应用层

Application Layer — ask anything, get answers

自研的分析引擎，将每一次归因结论都沉淀为图谱节点，图谱随分析不断积累，形成可积累、可推理的分析知识库。

指标归因 传导分析 因子归因 因果判断

📦数据源不只是数据库

InsightGraph 把所有数据源都纳入图谱，构建完整的资产视图。

📦 结构化数据

数据源，自动解析结构、发现关联、补全元数据。

📄 文档与定义

指标口径、数据定义、业务术语等非结构化文档，纳入图谱后统一口径，消除各部门之间的理解差异。

📊 报表与指标

现有报表、BI 看板中的指标和维度，自动建立与底层数据的映射关系，清楚知道每个数字从哪来。

⚡全流程自动化

传统的知识图谱构建，靠人工整理数据分类、手动打标签、逐个定义口径。一个中型企业的数据资产，光梳理一遍就需要两三周。Palantir 的 philosophy：让机器做机器擅长的事，把人类的时间留给更高层次的判断。

步骤

1. 配置数据源连接（人工 · 1次）
   各类型数据库、报表、文档路径，写入配置文件
2. 自动扫描所有数据源（自动）
   统一解析数据结构
3. 自动发现跨数据源的隐式关联关系（自动）
4. 自动补全数据源间的映射和口径定义（自动）
5. 大模型自动识别指标、维度、分类（自动）
   生成业务语义层
6. 基于业务层图谱，自动回答归因问题（自动）
   自然语言输入，直接出结论

步骤 2~6 完全由系统自动执行，不需要人工打标签、整理文档、定义口径。数据源变化时，图谱自动更新，不用人工维护。

🔧技术底座

RDF / RDFS / OWL

• RDF：三元组模型（Subject — Predicate — Object），所有数据以「主语-谓词-宾语」组织
• RDFS：在 RDF 基础上建立类/属性层级，让图谱具备基本推理能力
• OWL：在 RDFS 基础上扩展，支持等价类、逆属性、传递性等复杂约束和自动推理

SPARQL / SHACL

• SPARQL：W3C 标准图谱查询语言，支持 SELECT/CONSTRUCT/ASK/DESCRIBE 四种查询
• SHACL：数据质量校验标准，用 Shape 定义约束，支持 Violation 和 Warning 级别

🔄知识图谱赋能全生命周期

从需求梳理到持续迭代，知识图谱在数据分析的每一个环节发挥作用，实现真正的端到端智能化。

需求 → 方案 → 开发 → 验证 → 迭代

图谱从「文档」变成「活跃资产」，每一个阶段都能查询、校验、推理。

🎯具体能做什么

🗺️ 自动统一所有数据资产

InsightGraph 自动扫描所有接入的数据源，建立起完整的数据资产目录。数据之间能不能关联、口径是什么、有哪些维度，一目了然。新同事入职，自己在图谱里就能找到数据在哪里——不需要人肉带，不需要翻 old documentation。

🔗 自动发现数据之间的隐藏关系

"The most valuable relationships in your data are the ones that aren't declared anywhere." — Palantir

很多数据之间的关联关系没有物理声明（历史遗留或设计疏忽）。InsightGraph 研发了一套多路关系发现算法，能够精准地把这些隐藏关系补全，并经过多轮验证保证准确性。两个来自不同系统的数据，只要语义上相关，系统就能自动识别。

📊 自动统一指标口径

指标的口径是什么、各部门用的口径有什么差异，基于图谱自动梳理清楚。指标的口径可以直接追溯到最底层的数据定义，口径统一、可查、可推理。

❓ 直接用自然语言问数据问题

输入："为什么今天指标下降了？"，系统自动完成：意图解析 → 图谱匹配 → 数据查询拆解 → 结论输出。不需要写一句 SQL，不需要问任何人。

📈背后的分析能力

归因层图谱内嵌了一套完整的特征工程体系——让每一条结论都有数据支撑：

💡场景举例："为什么今天指标下降了？"

输入：为什么今天指标下降了？

InsightGraph 自动解析指标和时间范围，从业务层图谱匹配到相关数据源，启动分析链路：

① 指标归因
华东区贡献了 80% 的下降量，其中上海和杭州是主要拖累城市，线下门店渠道下降 31% 是品类维度的最大驱动因素。

② 关联分析
与指标关联最强的维度依次是：城市（关联度最高）、渠道（次之）、车型（再次之）。

③ 传导分析
门店客流每下滑一个台阶，指标在 3 天后开始受到明显拖累，影响持续约 2 周后逐步消退。

④ 因子归因
影响指标最重要的因子依次是：城市维度（贡献最大）、渠道维度（次之）、促销标记（再次之）。

⑤ 因果判断
数据证实——门店客流是指标的"先导信号"：客流变化领先于指标变化，而非反过来。门店端流量恢复能直接带动指标回升。

综合结论：华东区线下门店流量下滑是核心原因，这种影响将在未来 2 周内持续存在，建议重点关注门店端流量恢复措施。

👥适合谁来用

数据分析师

查数据关系、做指标归因，不需要每次都找人问。分析效率提升，不用熬夜赶临时取数需求。

业务运营 / 产品

直接用自然语言问数据问题，降低取数门槛，专注业务决策。不用再等人给自己跑数据。

数据治理负责人

自动统一数据资产、发现隐式关联、评估数据变更影响。数据资产盘得清、管得住。

BI / 报表团队

建立指标-维度-数据的血缘关系，新增报表时快速定位上游数据源。报表开发从几天缩短到几小时。

🏭行业场景举例

Palantir 的客户遍布制造、金融、医疗、政府，核心场景都是同一个：在数据分散的环境下做出实时决策。InsightGraph 面向有指标管理需求、有数据团队、正在经历"数据多但用不起来"的中大型企业。

🏭 制造企业 · 供应链波动归因

问题：原材料成本突然上涨，数据团队花 3 天才能给出勉强能用的答案——数据分散在 ERP、MES、WMS 三个系统里，关联关系没有人整理过。

InsightGraph 的做法：

• 自动打通 ERP（采购订单）、MES（生产工单）、WMS（库存数据）三个系统
• 构建供应链知识图谱：供应商、物料、工单、库存水位、批次
• 当成本指标异常时，自动分析是哪类原材料、哪个供应商、哪个时间段开始出问题

输出："铜材成本上涨 18%，主因是华东区某供应商交货延迟，导致库存消耗提前，采购被迫转向现货市场溢价 12%"

⏱归因时间：3天 → 30分钟

🏪 零售连锁 · 门店经营异常归因

问题：某区域门店业绩下滑，区域经理、督导、运营三个部门开两小时会对不出结论，数据分散在 POS、会员、促销、天气、竞品系统里。

InsightGraph 的做法：

• 打通 POS 系统、会员系统、促销配置、天气数据、周边竞品数据
• 构建零售知识图谱：门店、SKU、渠道、活动、客流、天气、竞对
• 输入"为什么华东区 3 月第二周 GMV 下滑了"，系统自动输出多维度归因

输出："主因是上海门店客流下滑 22%（与该周阴雨天气相关性达 0.87），其次是杭州门店折扣敏感性品类占比提升导致客单价下降，综合影响 GMV 下滑约 15%"

🔗跨系统数据自动关联，零人工协调

🏦 金融风控 · 指标口径统一与异常归因

问题：同一个"贷款余额"指标，信贷部门、风险部门、财务部门各有一套口径。监管报送和内部管理用的数字永远对不上，开会吵架是常态。

InsightGraph 的做法：

• 接入核心系统、信贷系统、财务系统、监管报送系统
• 在业务层图谱中定义统一的"贷款余额"本体，标注每套系统的计算口径差异
• 自动发现：信贷系统余额 = 核心系统余额 - 已核销 + 未入账

输出："当前三类口径差异 2.3%，差异主要来自未入账科目（预计 1.8%）和核销时点不同步（0.5%）"

📋口径统一、可查、可解释

🌐 互联网产品 · 指标异动快速归因

问题：DAU 突然下降了 8%，产品和运营都急了——数据分散在埋点系统、业务数据库、AB 测试平台里，相关性分析要靠分析师连夜写 SQL。

InsightGraph 的做法：

• 接入埋点数据、业务数据库、AB 测试记录、Push 推送日志
• 构建产品知识图谱：功能模块、用户路径、实验标记、推送内容、版本发布
• 输入"为什么昨天 DAU 下降了"，系统自动分析时间线上的所有变量

输出："DAU 下降 8%，其中首页 UV 下滑 15% 是最大贡献因子，与 3 月 8 日版本更新强相关（AB 测试显示新版本留存率低 12%），次因是华北地区推送送达率下降导致拉活减少"

⏱从"连夜排查"到"30 分钟内给结论"

💰商业模式

InsightGraph 的商业模式核心是按数据资产规模计费，而非按用户数或查询次数收费——这样才能真正服务于"数据团队需要分析数据，而不是业务方偶尔查个数"的场景。

定价模式

标准版

数据资产少于 50 个数据源的中型企业

按年订阅，数据源数量阶梯计价。包含完整的三级图谱功能和标准支持服务。

企业版

多业务线、多数据源的中大型企业

平台授权费 + 图谱规模附加费，含多租户隔离和 SLA 保障。适合数据资产复杂、组织架构分散的企业。

行业版

金融、制造、医疗等强监管行业

行业定制 ontology 包 + 合规审计功能，价格面议。包含行业专属的指标体系和监管报告模板。

🧠GraphRAG：从知识图谱到智能问答

传统 RAG（Retrieval-Augmented Generation）只依赖向量相似度，容易出现「答非所问」和「孤岛效应」——每个文档独立检索，缺乏全局关联推理能力。GraphRAG 在此基础上引入知识图谱，实现跨文档的关联推理和可溯源的答案生成。

纯向量 RAG 的局限

• embedding 只捕获语义相似，不捕获实体关系
• 跨文档关联需要「猜测」
• 答案无法溯源到实体关系路径
• 复杂多跳问题（如「找出所有供应商的二级客户」）几乎无法回答

GraphRAG 的优势

• 利用图谱实体关系做精准检索
• 跨文档关联显式建模，可推理
• 每一条答案都对应图谱中的实体路径
• 支持多跳查询和复杂归因问题

三层图谱 × GraphRAG

📊 数据层图谱检索— 检索「资产在哪」

给定一个业务问题，快速定位相关数据源、表字段、报表。类比：数据资产的 GPS。

+31% 检索召回率

💬 业务层图谱检索— 检索「业务语义是什么」

将自然语言映射到指标、维度、口径，理解业务上下文的真实含义。类比：业务的翻译官。

+27% 问答准确率

🔍 归因层图谱检索— 检索「根因在哪」

结合统计归因结果和图谱关系路径，给出因果可解释的分析结论。类比：问题的福尔摩斯。

+42% 归因准确率

✨一句话总结

InsightGraph 的三级知识图谱体系，是企业数据智能化的基础设施——让数据从分散的资产，转变为可操作、可推理、可自我进化的智能生命体：

数据团队因此可以把有限的时间，用在真正创造价值的分析工作上——而不是消耗在找数据和理解数据上。

InsightGraph — 让数据开口说话。