鄧白氏從登記、申報、商業交易交換與直接詢查等來源建立企業資料，並以鄧白氏環球編碼®（D‑U‑N‑S® Number）統一企業身分，而非僅依名稱或地址進行模糊比對。數據保留來源紀錄，提升透明度與可追溯性。
企業將 AI 導入業務流程時，常面臨企業身分不一致、數據更新不及與
來源難以追溯等問題，影響 AI 輸出的準確性，也增加規模化應用的難度。
鄧白氏以 D‑U‑N‑S® Number 統一企業身分，並保留數據來源，讓 AI 輸出可被驗證。
鄧白氏每日持續更新企業、地址與風險訊號等資訊，降低 AI 使用過時數據的風險。
鄧白氏透過全球商業圖譜，將受治理、可被 AI 使用的企業數據導入既有工作流程。
AI 要做出可靠判斷，需要理解數據背後的商業情境，例如「這家公司是誰」、「與哪些企業相關」、「發生了哪些變化」，以及「資訊從何而來」。
鄧白氏「Context Layer（情境層）」將分散的企業數據轉化為具有關聯性的脈絡，讓 AI 了解數據的上下文，理解企業身分、商業關係與數據來源。透過嚴謹的資料清理、標準化與持續驗證機制確保治理品質，建立更豐富且貼近企業需求的情境資訊，降低誤判、提升決策品質，並支援受監管環境下的合規需求。
鄧白氏全球商業圖譜（Global Commercial Graph）以鄧白氏環球編碼®（D‑U‑N‑S® Number）為企業身分錨點，串聯供應鏈、市場活動與風險訊號等面向。透過鄧白氏建構的 Context Layer（情境層），讓 AI 掌握企業之間的關係與變化，在經治理的數據基礎上，形成更具商業意義的判斷依據。
以 D‑U‑N‑S® Number 建立一致的
企業身分，整合多元數據來源。
串聯企業家族、法律實體與所有權關係，
掌握企業關聯與變化。
讓數據具備 AI 可用、機器可讀的結構與
情境，支援企業應用與風險管理需求。
讓 Claude 取得鄧白氏的風險洞察，以支援合規風險管理、第三方審查及信用工作流程。
將鄧白氏已驗證的企業資料直接嵌入既有的 Google 雲端環境中，以簡化業務驗證流程。
| 面向 | 一般企業彙整的資料 | 鄧白氏全球商業圖譜 |
|---|---|---|
| 紀錄來源 | 轉售或取自第三方及公開來源 | 由鄧白氏從登記機關、財務申報、公開資訊與商業交易交換等來源建立 |
| 身分模型 | 依名稱、地址或地點推測及比對企業身分 | 以 D‑U‑N‑S® Number 為錨點，採用全球一致的企業識別碼 |
| 涵蓋範圍 | 受限於資料提供者及公開資訊 | 涵蓋 6.5 億個以上實體及 250 個以上全球市場 |
| 數據新鮮度 | 更新頻率取決於上游資料來源 | 每日更新並持續監控 |
| 品質控制 | 不同來源的品質與標準可能不一致 | 採用數據品質架構，每月執行 1,000 億次以上的數據品質檢查 |
| 數據沿革 | 重新彙整或封裝後，原始來源可能難以追溯 | 保留數據來源與紀錄沿革 |
| 企業關係 | 關係較為扁平，或依不同供應商而異 | 依實際企業關係建立企業家族樹 |
| AI 可解釋性 | 缺乏商業情境時，AI 可能錯誤辨識或混淆實體 | 透過可稽核的數據來源與沿革，讓 Agent 的判斷更容易追溯 |
鄧白氏從登記、申報、商業交易交換與直接詢查等來源建立企業資料，並以鄧白氏環球編碼®（D‑U‑N‑S® Number）統一企業身分，而非僅依名稱或地址進行模糊比對。數據保留來源紀錄，提升透明度與可追溯性。
鄧白氏全球商業圖譜（Global Commercial Graph）每日更新，並持續監控企業結構、法律與財務事件，讓 AI 能依據最新的企業資訊進行分析與判斷。
每家企業都以經驗證的 D‑U‑N‑S® Number 作為身分錨點，搭配企業家族關係，協助區分不同法律實體，並追溯至最終母公司。
可以。RAG（Retrieval-Augmented Generation，檢索增強生成）會先從鄧白氏相關數據來源檢索資訊，再將取得的資訊提供給模型生成回應。鄧白氏數據採結構化、受治理且適合 AI 使用的格式，並提供屬性層級的來源紀錄，協助團隊驗證與解釋 AI 輸出。
鄧白氏全球商業圖譜統一企業身分及關聯，將分散數據轉化為 AI 可理解、可驗證的商業脈絡。企業可透過 API、MCP 等方式，將鄧白氏的數據與洞察導入既有系統、AI 應用程式或 Agent 工作流程，不需要為了導入 AI 全面更換既有工作流程。
