波士顿科学案例研究

图数据科学简化复杂的医疗供应链分析

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。这意味着该公司从树脂和金属等原材料开始制造其复杂的设备。从原材料开始需要大量的批处理，以及对成品的离散制造。

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

许多设备使用多种技术，因此涉及多个团队。由于多个团队（通常在不同的国家/地区）并行处理相同的问题，工程师们不得不求助于在电子表格中分析数据。

分散的临时分析导致数据不一致，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 及其团队了解其业务问题的复杂性以及他们无法使用传统工具解决该问题。Wespi 参加了 GraphConnect，在那里他遇到了 GraphAware 的高级顾问 Eric Spiegelberg，并决定与他一起解决波士顿科学的供应链问题。

波士顿科学从考虑图到审查该技术。“这是质的飞跃，组织从仅仅被动地观察图社区到成为积极参与者，”GraphAware 的 Eric Spiegelberg 说。“它通常体现在组织将其实际数据导入 Neo4j 中，这是一个关键步骤，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，分别表示成品、零件和故障，以及跟踪故障到零件并将零件连接到成品的关系。此简单模型有效地表示由数十个零件组成的复杂医疗设备，这些零件由原材料制造而成。

数据模型很简单，但波士顿科学的图非常庞大。波士顿科学团队使用图数据科学库中的 Neo4j 图算法分析其图并计算分数，这些分数根据节点与故障的接近程度对节点进行排名，从而利用从图中获得的见解丰富其模型。

韦斯皮表示：“我们使用 Neo4j 不仅仅作为数据存储，而是将其作为分析数据并将其新的特征存储回图中，然后提取这些数据以进行传统分析的地方。”