图数据科学简化复杂医疗供应链分析

挑战

波士顿科学在医疗产品的开发、设计、制造和
销售方面高度垂直整合。这意味着该公司制造其复杂的设备，
从树脂和金属等原材料开始。从原材料开始，需要进行
大量的批处理，此外还需要对成品进行离散制造
产品。

凭借其复杂的制造供应链，波士顿科学拥有众多工程
团队，根据他们使用的工艺技术进行调整。

许多设备使用多种技术，因此涉及多个团队。随着多个团队，
通常在不同国家，并行处理相同的问题，工程师们不得不
在电子表格中分析他们的数据。

分散的临时分析导致了不一致，最重要的是，无法找到
缺陷的根本原因。

波士顿科学需要一种更有效的方法来分析、协调和改进
其所有地点的制造流程。

解决方案

波士顿科学的数据科学家 Eric Wespi 和他的团队了解
他们业务问题的复杂性以及使用传统工具无法解决的问题。Wespi 参加了
GraphConnect 大会，在那里他遇到了 GraphAware 的高级顾问 Eric Spiegelberg，并
决定与他合作解决波士顿科学的供应链问题。

波士顿科学从考虑图技术转向了技术审查。“这就是
质的飞跃发生的地方，一个组织从仅仅是图社区的被动观察者
转变为积极参与者，”GraphAware 的 Eric Spiegelberg 说。“这
通常表现为一个组织将其真实数据导入 Neo4j，这是一个关键的
一步，因为它迫使组织评估设计决策并构建其
模型。”

波士顿科学图数据模型的核心由三个节点组成，分别代表
成品、部件和故障，以及将故障追溯到部件并连接到
成品的关联关系。这个简单的模型有效地表示了由数十个部件组成、
由原材料制造的复杂医疗设备。

数据模型很简单，但波士顿科学的图是庞大的。通过使用 Neo4j 图
数据科学库中的算法，波士顿科学团队分析其图数据
并计算根据节点与故障的接近程度进行排名的分数，从而利用
从图中获得的见解丰富其模型。

“我们使用 Neo4j 不仅仅是作为一个数据存储，而是作为一个分析数据和存储新
数据特征回图中，然后将其提取出来进行传统分析的地方，”
Wespi 说。