数据智能应用发展态势、问题及未来展望分析

下面将按照通用、场 景、行业三个层级探讨数据智能应用的现状、问题和发展趋势。

1.数据智能应用发展态势

通用范畴来看，数据智能应用的目标呈现出多样化发展的态势。 数据智能应用的目标可分为效率提升、体验优化和模式创新三类：一 是效率提升，即通过自动化手段改进原有场景下的工作流程，减少重 复和冗余的人工操作，例如使用算法来自动化常规的数据分析任务， 或者利用机器人流程自动化（RPA）来执行重复性高的业务流程，从 而提高工作效率并释放人力资源。二是体验优化，即通过数据智能技 术对现有业务场景中的痛点进行改造，以提升业务场景中各类参与者 的体验，例如通过个性化推荐系统、智能助手和自动化工具实现客户 和员工的体验改善。三是模式创新，随着大模型技术的快速落地，智 能助手、智能客服、虚拟陪伴、个性化营销内容生成、智能化医疗诊 断等新业态、新模式成为发展的重点。传统的数据智能应用更加强调 效率提升和体验优化，大模型的强大生成能力和多模态数据处理能力 正在深度改变现有的工作模式和业务流程，并催生出新的产品和服务， 数据智能应用的目标也将更具多元化。

场景范畴来看，大部分业务场景仍处于数据智能能力建设阶段， 营销、运营、风控、财务等场景正在向落地成熟阶段转变。营销、运 营、风控、财务等场景具备高价值、共性强、数据密集、成效明确的 特点，成为数据智能应用优先落地的场景。在营销领域，数据智能技 术被用来深入分析客户行为和偏好，实现精准营销。通过收集和分析 客户数据，企业能够构建用户画像，预测市场趋势，并制定个性化的 营销策略。在用户的运营管理过程中，数据智能被用于构筑用户画像、优化用户体验并通过数据智能技术构筑更加个性化的用户服务。在风 控领域，数据智能技术被用于信用评估、欺诈检测和风险预测，通过 历史数据分析，企业能够识别潜在的风险模式，采取相应预防措施。 在财务领域，数据智能被用于财务报告撰写、预算编制、财务分析和 预测，帮助企业优化资金流管理，提高财务决策的质量和效率。

行业范畴来看，数据智能应用已经渗透到各个行业和领域，大部 分行业正处在能力建设阶段。依托对近三届行业数据应用星河案例申 报企业的统计分析，整理出各行业数据智能应用的头部落地场景。各 行业数据智能应用的头部场景存在差异，其中营销及经营管理部分关 注的细分场景相似度较高，研发设计及生产服务等场景具备较强的行 业特异性，数据智能应用的侧重点存在较大的差异。总体上来看，以 生产型服务业为主导的第三产业在数据智能应用的深度和广度方面 都显著强于其它行业，在数据智能应用创新过程中发挥着引领作用。

2.数据智能应用当前问题

通用范畴来看，跨部门协同困难是企业数据智能应用落地面临的 主要问题。在大中型企业，数据智能应用的落地涉及到业务、技术、 数据等多个部门的共同协作，跨部门协同难度较大，主要存在三方面 问题：一是缺乏复合型的数据智能应用技术人才。数据智能领域需要 同时精通算法、擅长工程实现、深刻理解业务的复合型人才，目前这 类综合性人才相对稀缺，如缺少这部分人才发挥协同作用，各部门人 员跨领域沟通易出现困难。二是缺乏一体化的顶层设计。缺乏顶层设 计和跨业务、跨领域统筹规划的现象普遍存在，使对于数据智能应用 的建设各自为政，难以形成合力，技术和业务需求之间存在脱节，导 致数据智能应用无法有效解决实际业务问题，造成资源的重复投入和 低效建设。三是跨部门的安全合规管理困难。随着《个人信息保护法》 《征信业务管理办法》等政策法规相继出台，各方对数据智能应用的 安全合规管理逐步收紧，跨部门的安全合规管理仍存在标准不一、责 任划分不明确、审批流程复杂等问题，一定程度上制约了数据智能应 用的发展。

场景范畴来看，数据智能应用对场景的赋能效益存在着计量困难 问题。数据智能应用的成效计量需要依托具体的业务场景，由于很多 数据智能项目具备一定的创新性，相对参考较少，成效计量困难的问 题普遍存在。一是对数据智能应用产出的预期估计普遍存在偏差，存 在着高估短期收益，低估长期收益的倾向。企业倾向于对数据智能技 术短期内能带来的效益抱有过于乐观的预期，期望能够通过快速建设系统、引入工具平台来实现显著的短期收益，但算法的调优、员工的 培训、制度流程的适配和企业文化的变革通常需要更长的时间来逐步 完善优化，数据智能应用的收益往往需要更长的周期才能显现。二是 数据智能应用成效评价方式不合理，存在着注重技术指标，轻视业务 指标的倾向。场景类应用的成效评估是一个复杂问题，需要综合考虑 多个因素，通常可以细分为技术指标（如算法误差、群体稳定性，数 据处理性能、并发度等）和业务指标（如业务效益变化情况、用户满 意度、客户转化率、复购率等）。由于技术指标是最容易得到的，例 如机器学习算法模型，可以较低的成本对模型的算法误差等技术指标 进行监控，而用户满意度、业务效益等指标的计量较为复杂，往往需 要单独设计 A／B 试验、统计归因等方法进行监测，导致一些企业存 在注重技术指标而轻视业务指标的现象，隐含着技术和业务需求脱节 的风险。

行业范畴来看，不同行业的数据智能应用所面临的问题存在一定 差异，落地思路较难跨行业复用。这里将按照数据原生行业（如金融、 电信等）和非数据原生行业（如制造业、医疗、交通等）进行探讨。 数据原生行业（如金融、电信等）数据智能应用所面临的问题主要集 中在安全合规、实时性等方面。相对其它行业来说，数据原生行业的 数据量大，数据质量高。由于涉及到海量个人用户的敏感数据，数据 智能应用过程中面临着数据隐私和安全等问题。此外，这些行业的数 据分析应用对实时性要求较高，如何能够快速的进行数据实时处理和 分析，响应市场变化也是这些行业关注的重点问题。非数据原生行业（如制造业、农业、交通等）数据智能应用所面临的问题主要集中在 数据质量、采集成本、多模态处理技术等方面。这些行业的数据量相 对较小，数据质量不稳定，数据种类更加复杂多样。农业、建筑、制 造业的生成数据采集通常采用传感器等设备，相较于数据原生行业来 说具备较高的成本，且通用性较弱。因此，数据智能应用在这些行业 需要考虑到数据采集的成效问题，并且需要采用适合的数据处理和分 析技术。医疗、交通等行业的数据种类多样，对这些多模态数据的分 析应用具有较高的行业壁垒。综合来看非数据原生行业的数据智能应 用模式尚未成熟，需要进一步探索和实践。

3.数据智能应用未来展望

通用范畴来看，大模型的落地将重塑企业数据智能应用模式。大 模型的落地将对企业数据智能应用模式产生深远影响。在数据分析方 面，大模型能够同 BI、报表工具相结合，实现更便捷的对话式分析， 大大降低非专业人员的用数门槛。在知识管理及服务方面，大模型与 知识库、知识图谱相结合，可实现一些复杂的推理和决策支持，提供 智能问答等知识服务形式。在业务自动化方面，大模型赋能的智能助 手可辅助设计或优化业务流程，自动化进行任务规划、资源分配和时 间管理等，并且能够自动化执行重复性较高的任务。具体来看，有以 下三大趋势：

一是大模型技术将同传统的小模型、机器学习技术相结合，全方 位提升企业多模态数据分析能力。人工智能和机器学习技术是数据分 析应用的核心技术。在大模型技术兴起之前，参数规模较小的模型和 机器学习算法在图像分析、社交媒体分析、用户行为分析，等分析业 务中已取得优异成果。大模型驱动的数据分析工具将趋向于整合多种 类型的数据分析能力，如文本、图像、社交媒体、指标及标签等，通 过智能体（Agent）调用高度专业的小模型及机器学习算法并整合分 析结果。大模型的应用落地将有助于企业实现对多模态数据的高质量 分析，从而更全面地理解和处理复杂问题。

二是大模型技术将同知识库、知识图谱技术相结合，实现复杂的 知识推理和智能问答。作为一种全新的知识载体，大模型和传统的知 识库、知识图谱存在较强的互补性：一方面大模型具备海量通用知识， 具备较强的多模态处理能力；另一方面传统的知识载体则在专业性、 可解释性、可靠性方面具备显著的优势，两者结合可实现复杂的知识 推理和智能问答，在工业制造、交通物流、国防军事等复杂场景中具 备广阔的应用空间。基于专业知识库、知识图谱的检索增强生成（RAG） 也成为大模型在细分场景落地的重要技术路线，在智能知识库、智能 检索工具、智能客服等场景中具备较大潜力。

三是大模型赋能的智能助手将全方位提升企业研发设计、工作协 同和业务流程管理能力。随着多模态大模型技术的发展，其在文案、 图片、代码、音视频等内容生成领域能力正在快速提升，基于大模型 的智能助手在研发设计领域的应用具备广阔的发展空间。工作协同方 面，智能助手可集成企业内部的各种信息源，包括文档、邮件、会议 记录等，帮助团队成员快速获取所需信息。业务流程管理方面，智能 助手可以自动追踪项目进度，提醒团队成员任务截止日期，协助进行 企业资源分配和调度，审查工作方案并生成业务情况报告。

场景范畴来看，各场景数据智能能力建设重点存在差异，但敏捷 化、普惠化是普遍关注的重点方向。传统的数据智能应用依托专业的 数据分析工具及人工智能算法，主要以大屏、报表、领导驾驶舱等形 式服务于企业管理层，赋能于长周期的重大决策。随着数据智能技术 的逐步成熟，市场竞争愈发激烈，数据智能的场景应用也更加侧重于 敏捷化和普惠化。数据智能能力建设将更加侧重于对业务需求的敏捷 响应。通过数据智能技术可对企业运作所需的各种资源、流程和活动 进行统筹管理，帮助企业实现更加灵活和敏捷的运营策略。在营销、 风控等业务场景中，大量的决策已通过人工智能和机器学习算法自动 化完成，对市场的变化进行快速响应。数据智能能力建设将更加侧重 于赋能更多一线业务人员。通过赋能一线人员可以提升其直接产出， 长期来看也有助于提升企业数据驱动文化。大模型的落地极大地提升 了数据智能工具的交互性，赋能业务终端的对话式数据分析工具、智 能报表工具的产品化程度逐步成熟，数据智能应用门槛不断降低。这 些赋能一线的数据智能应用正在成为业务侧数据智能能力建设的重 点。

行业范畴来看，数据智能应用在加速赋能传统行业的同时也会出 现更多的跨行业赋能。随着各行业对数据智能能力建设的持续推进， 数据智能应用在深度和广度上都将有极大提升。深度方面，数据智能 应用将更加深入的赋能农业、交通、制造业等传统行业。这些行业涉 及到大量来自物理世界的数据，数据采集成本高，普遍以多模态数据 为主。随着传感器、5G、卫星遥感技术的不断发展，数据采集成本稳 步降低，大模型的落地也为多模态数据分析和处理提供了新的解决思 路，传统行业的数据智能应用能力将快速提升。广度方面，跨行业的 数据智能应用将更加普遍。数据和场景是数据智能应用的两大关键因 素，电信、文娱、电商、气象等行业数据价值高、通用性强，金融、 传统零售、交通等行业则具备大量的应用场景。联合建模、隐私计算 等技术为跨行业数据智能应用提供了安全可信的解决方案，《“数据要 素×”三年行动计划》等政策为数据智能的跨行业应用打下了良好的 政策基础，必将推动跨行业数据智能应用的快速发展。