图在复杂制造业中的应用：物料清单BOM查询-电子发烧友网

今天我们来聊聊高级图分析在复杂制造业的应用。这里我们主要围绕离散制造业展开讨论。现在来看，智能制造已经成为制造企业实现智慧转型的关键词。那么复杂制造业，如何借助高级图分析，更好地实现智能制造，从而逆势增长呢？下面就一起进入本期的TigerGraph 随身听吧。

首先我们来了解下复杂制造业，常见的复杂制造业有哪些呢？比较典型的有汽车、芯片、化工等行业。这些行业的配件或物料变化都非常复杂，比如一辆汽车，往往有上万个零件，每个零件的厂商、型号、版本等都是多样的，所以组合起来，它的搭配就非常多。制造业一般用物料清单，也就是BOM，来表示这种组件之间、零件和零件之间的关系。

除了物料变化复杂外，复杂制造业还有一个特点，就是流程工艺相当复杂。生产一个产品，往往需要经过成百上千个步骤。每个步骤又会用到不同的机器去生产，所以组合起来，它的流程就有很多很多种可能性。

另外，我们从供应链的角度来看，一个产品，在其生命周期中，往往涉及到很多方，比如众多的供应商、合作伙伴、零售商等，和他们的交互就会产生更多的数据，这也是其复杂的原因之一。

在复杂制造业的数据建设中，我们可以看到这么几个阶段：

首先是物理世界的数据，包括产品、订单、生产、采购、供应链、物流等数据。现在的制造业一般都做到了一定程度的数字化，所以企业里一般会有ERP系统、CRM销售管理系统、APS高级计划与排程系统、SCM采购系统、MES生产系统、WMS物流系统和DRP分销系统等，尤其是高级计划排产系统APS，已成为众多企业提高生产效率的核心利器。

但这些系统，往往都是用关系型数据库存储的，比如Oracle和MySQL，这些系统一般作为业务系统来用，通常利用它们来处理交易或事件，但是如果用来做分析就不太够了。所以，很多企业会走得更远，即对数据进行二次加工，把数据搬运到数据集市、数据仓库，甚至用上大数据平台，去存储、分析这些数据。

但这里有个很大的问题，即使是数据集市、数据仓库，亦或者大数据平台，它们本身并没有存储数据之间的关系。我们知道，企业生产活动的所有数据之间都会存在直接或者间接的关系，而无论是关系型数据库，还是Hadoop等，它们在存储这些数据时都是以表的形式来存储数据，而数据和数据之间的联系，却没有存储。

不同数据库的特点对比：

这里我们简单分析比较下不同数据库的特点。首先是关系型数据库，如果我们想要分析表和表之间的关联，我们往往需要利用外键进行表连接，效率其实非常低。然后是Key-value键值数据库，它在数据量上相比关系型数据库支持会更多，因为它开始支持分布式，但对于那种复杂的、深度的分析，它的性能仍然是非常差的。最后是图数据库，由于它天然存储了实体和实体之间的关系，所以当用图来做一些深度分析时，它的优势就非常明显。

图在复杂制造业中的应用：

接下来我们看下图在复杂制造业中的应用，我们从2个角度来看，一个是微观角度，我们会探索几个非常具体的使用场景，比如物料清单查询、供应链管理、生产流程优化，然后我们从宏观角度来讨论企业知识图谱的建立。可能你现在还不知道具体的图应用场景，但我们可以先把知识图谱平台建立起来，汇集销售、计划、采购、生产、物流、分销等业务数据，然后后面可能会有一些新的应用场景，比如构建产品、用户、供应商画像等，我们就可以通过图查询来进行分析。

图在复杂制造业中的应用：物料清单BOM查询

今天我们主要来看下物料清单的例子。物料清单BOM是一种定义产品结构的技术文件，往往是树状的结构，所以又称为产品结构树。物料清单BOM往往包括单级展开BOM和多级展开BOM。一层层展开的话，可能会超过30层的结构。这里往往会遇到一些挑战，例如：

原始数据非常大；

每秒更新比如100条，并且需要实时入库；

查询涉及到并发查询，因为会有很多人需要查询这个数据；

深度链接的链路非常长，假设这30层，每层需要3跳，那么总共就会有90跳的深度；

数据结构上可能会存在环；

多种遍历可能性。

那如何利用TigerGraph来应对这些挑战呢？

首先是数据量大这个问题，TigerGraph支持分布式，支持千亿级事务实体，万亿级的边，可以轻松应对前面提到的原始数据非常大的问题；

第二个是深度链接分析，TigerGraph可以支持10跳以上的深度关系查询，这里的10跳指的是每一跳的广度都非常广的情况，如果说每一跳的广度比较小的话，TigerGraph能够支持更深的深度；

第三个是结构复杂，TigerGraph的图查询语言是GSQL，它是一种图灵完备的语言，能进行复杂的计算，像环路的问题、多种遍历可能的问题等，它都能够解决；