ESG投资必须决定是否要将某个标的公司，依据所界定的ESG标准纳入投资组合。ESG数据围绕着标的公司而展开，投资人要从海量的数据中，寻找与标的公司相关的信息，以此作为决策的基础。
在数据获取环节，ESG数据量大且来源分散。除了可通过接口途径获得的数据外，网络爬虫等技术可从多方渠道获得ESG相关的重要数据，如政府部门、监管部门、新闻媒体的网站。此外，流处理（streaming）技术亦可满足ESG数据的实时性要求。
在信息提取环节，ESG数据格式多样，而其中如公司招股说明书和CSR报告等非结构化数据，通常以PDF形式出现。在此，我们可借助PDF处理技术，识别文件内容，提取其中的文本、图片及表格，而文本里的信息更可通过自然语言处理技术，来提取关键信息。
到了这一步，ESG数据的问题似乎还没有完全解决。以一家企业而言，它有多种利益相关方，涉及多层关系及信息，业务方面有供应商和客户，融资方面有股东和债权人，内部有管理层和员工，下面可能还有分支机构，此外还会受到行业政策、监管法规、新冠疫情等外部因素的影响。
这些关系及影响的挖掘，可以利用“知识图谱”（knowledge graph）技术来实现。知识图谱能够帮助梳理企业及其利益相关方间的关系及影响路径。(www.xing528.com)
知识图谱的概念由谷歌于2012年推出，企图描述真实世界中不同实体或概念之间的相互关系。知识图谱以网络形式展现，其中的节点（node）是实体、概念或属性值，而边（edge）则描述了节点之间的关系或属性。这类图谱早在20世纪就已发展出雏形，由罗斯·奎林于1968年提出语义网络（semantic network）的概念。语义网络用相互连接的节点和边来表示知识，本质上是一种存储知识的数据结构。
知识图谱怎么获取和体现一家企业ESG相关的数据和信息呢？知识图谱需要经过知识抽取、知识融合、知识表示等一系列步骤，才能完成构建。以一家能源公司为例，从年报、企业社会责任报告等非结构化数据中，我们要进行知识抽取，获得实体、属性、关系等。但是，文本中提及的能源公司及其关联公司，可能是简称也可能是全称。因此我们还需要进行知识融合，完成实体对接。
获得知识图谱后，我们就能清楚地看到能源公司的客户、供应商、子公司等情况，也能知道子公司的供应商、供应商的供应商等关系。如此一来，当能源公司子公司的供应商因为排放废气废水而遭受处罚，限产停产时，我们就能迅速评估该处罚对能源公司的影响。因此，知识图谱可以协助ESG投资在海量数据中挖掘信息，去繁从简。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
