实时推荐机制，能够根据用户的实时行为和反馈，动态调整推荐结 果，提供更加及时和精准的推荐服务。 系统核心算法： 1. 协同过滤算法：基于用户行为数据，推荐 相似岗位； 2. 内容基于推荐算法：基于岗位描述和用户技能，推 荐匹配岗位； 3. 混合推荐算法：结合协同过滤和内容基于推荐， 提高推荐精度； 4. 模型优化技术：特征选择、模型调参和集成学 习，提升模型性能； 5. 实时推荐机制：根据用户实时行为和反 依赖关键词匹 配，忽视综合素质评估 - 信息过载导致重要信息遗漏 - 推荐算法僵 化，难以应对新兴岗位需求 - 缺乏多样性招聘的有效工具 这些局限性凸显了在人力资源领域引入更智能、灵活的岗位推 荐系统（如 DeepSeek）的必要性。通过深度学习和大数据分 析，DeepSeek 能够更全面地评估候选人，灵活应对不同招聘需 求，并有效提升招聘的多样性和精准度。 3.3 人力资源数据分析的需求 在人力资源管理的各个场景中，都能够 通过数据驱动和智能分析，帮助企业实现更加高效和精准的管理决 策，从而提升整体运营效率和员工满意度。 4.1 岗位匹配与推荐 在人力资源管理领域，Deepseek 技术的引入为岗位匹配与推 荐提供了全新的解决方案。通过大数据分析和机器学习算 法，Deepseek 能够高效地处理海量简历和岗位信息，实现精准的 人才匹配。具体而言，Deepseek 系统首先会对候选人的简历进行 深

●��次关注:数据处理、数据指标 结论: ●��最关注:数据辅助业务决策&消除信息孤岛 ●��次关注:智能化IT管理 结论: ●��目 前 主 要 关 注 系 统 应 用 、 价 值 推 广问题 ●��其 次 是 缩 短 建 设 周 期 ， 增 强 产 品 可靠性 数据存储 数据采集 数据分析， 65% 消除信息孤岛，整 合数据，30.46% 数据来源 : 帆软数据应用研究院 项目成败的决定性因素。这一转变要求企业必须重新审视和升级其数据治理工作，以应对 AI 时代的新挑战。 考虑到数据治理工程的复杂性，我们提出了两种目的性不同的数据治理策略：拉式策略（Pull Strategy）和推式策略 （Push Strategy）。 拉式策略 面向数据应用，是以提升数据应用过程中的数据准确性为目标的数据治理建设策略。它强调在数据应用的过程中定位和 解决问题，以数据应用项目为建设周期。具体而言，拉式策略有三个特点： ，以及数据仓库建设和 ETL 开发过程； 数据整合： 14 企业数智应用白皮书 推式策略 两种策略比较 面向数据全生命周期的管理与控制，是一种体系化的数据治理建设策略。它强调体系化的计划、监督、预防与执行，包 括多年计划的数据策略周期。具体而言，推式策略有三个特点： 拉式策略以数据应用需求为起点，推式策略以标准规划为起点，两种策略在多个方面有差异： 根据多数企业的实践经验，以数据应

准确的战术情报及战场信息，指导作战及 武器生产 职责：使用产品提供的“武器”，设计制定战 术（产品策略及解决方案），同威胁作战，保 护客户（安全运维） 职责： 研究尖端攻击技术、沉淀攻击武 器和战法，以攻促防，促进防御系统升 级进化 基于情报驱动的 威胁暴露面管理 基于数据驱动的 自动化运营能力 基于攻防驱动的 持续防御验证能力 关键运营能力：各关键安全能力应用场景 能力2：暴露面管理(EM) 能力1：漏洞情报监测[VI] 发现能力（暴露面管理）：捕获到漏洞情报后，快速编写漏洞检测PoC，进行风险排查 漏洞情报告警 暴露面检测流程 （腾讯暴露面管理平台） 扫描结果核查 PoC无害化扫描 加固复测 响应+缓解 风险推送 漏洞推修流程 分析研判 流程对接 受影响IP、域名清单 拉群通知 漏洞监测与分析 复现验证 情报影响面扫描 编写扫描规则插件 CMDB（常态化） 导入外部暴露面资产 分子公司名单（按需） 上线WAF规则 l 主机文件探测 l SCA代码分析 l 重点产品人工排查 l 入侵排查与响应 l 制定修复方案与编写 修复指引 推进问题修复： l 上升同步影响 l 风险数据同步推修 l 修复验证 l 监管同步及应答 l 影响产品同步及产 品修复方案 l 复盘改进 漏洞跟进与研判 Tips：对于一些过保的产品，产品服务厂商已经不提供服务了，如果出现新漏洞，怎么保证安全性？

缩、保持稳定） • 培训时间的保证、培训 效果的保证 • ⼈员素质标准、⼈员来 源范围、起点待遇 • 任职条件，职位轮换范围 及时间 • 全⾯竞争，择优晋升，选 拔标准，提升⽐例，未提 升⼈员的安置 • ⼯资政策，激励政策， 激励重点 •参与管理，加强沟通 •退休政策及解聘程序 • 总⽬标：（绩效、收缩、 保持稳定） • 素质及绩效改善、培训数量 类型，提供新⼈⼒，转变态 利⽤财务⼿段进⾏绩效管理 的局限。财务数据报告仅仅 是公司既定事实⽽呈现的结 果、滞后于现实的指标，难 以准确向公司管理层传达未 来业绩的推动要素是什么， 以及如何通过内部管理流程 的梳理、员⼯综合素养的提 升、技术和服务的创新等⽅ ⾯的改善来创造新的价值 在绩效管理的思想及⼯具的选⽤上，正略钧策建议集团逐步实施 以平衡计分卡（BSC）⽅法为基础的绩效管理体系 作业质量 作业效率 作业成本等 客户类 ⼈才的引进 根据集团战略，进⼀步修订和完善绩效管 理体系； 进⼀步完善薪酬管理，提升薪酬的激励性 优化完善集团⾼管培训管理体系 开展集团⼈⼒资源管理的专业队伍建设 逐步建⽴核⼼⼈才任职资格管理体系，推 进集团的职业化建设 加强对成员单位的⼈⼒资源管理⼯作的指 导、监督和检查 同时，为保障相关⼯作落实，我们进⼀步制订出相应的⾏动计划 以及相关的战略评价指标体系 绩效领域 评价指标 指标说明 责任主体

制造业战略 • 广泛吸引外部直接投资 • 建设一批大型制造业基 地 • 先进制造业伙伴 计划 • 国家制造业创新 网 络 • 页岩气等能源革 命 • 新工业法国 • 依靠技术创新推 动 工业全面复苏 • 重新构建法国工 业 的新竞争实力 • 工业 4.0 战略 • 确保德国装备制 造 业领导地位 • 高水平出口 • 英国制造 2050 • 重振英国制造业， 坏直接决定顾客满意度 ， 顾客对产品质量的要求越 来越严苛。 质量 成本 TQC SEC 服务 环保 企业的发展以服务为本， 顾客的需求越来越多样 化 ，私人定制等个性化服务越来越受到顾客的推 崇， 如何以更优更优的服务赢得顾客的满意？ 一、企业发展与智能化改造—— 内在压力 企业主要面临的内部压力主要来自时间、质量、成本、服务、环保、协同六大方面。 时间 协同 Q 质 量 S 围绕影响产品研制关键问 题 ⚫ 聚焦加快集团公司转型升 级 和提质增效的目标 ⚫ 面向企业需求开展体系设 计 和创新应用 顶层 ⚫ 统一领导，统筹谋划， ⚫ 全局推进与分类指导相结合 ⚫ 立足当前，着眼长远 ⚫ 在全集团分类复 制智能 制 造 新模式最佳实践 ⚫ 针对特定需求制定个性化 推 进路径和解决方案 ⚫ 形成集团智能制造整体体 系

，推动智能化转型 ，为“保险 +AI” 模式筑牢发展根基。 本报告第二章聚焦 AI 技术在保险业务的核心落地场景： 销售： 由从单点工具转向全流程智能体系 ，实现客户获取、需求分析、产品推荐等环节的智能化 ，推 动代理人向专业风险顾问转型。 核保：多技术融合实现全流程自动化 ，提升运营效率 ，强化风险控制 ，优化客户体验 ，推动模式创新。 理赔与后服务：全流程赋能理赔环节 ，提升效率、降低成本， 客户服务等全业务链赋能提供了政策导 向和 技术应用框架支持。 规划肯定了人工智能等技术在金融领域的应用成效，鼓励抓住人工智能 发 展机遇，打造智慧金融新业态，为保险业应用 AI 技术指明了方向，推 动保 险业在服务全生命周期中积极运用 AI ，提升智能化水平。 强调金融领域数据要素的应用，鼓励“运用大数据、隐私计算等科技手段 , 融合应用多维数据 , 优化金融产品和风控模型 , 应用已从概念验证转向规模化落地 ， 其 核心价值聚焦于降本增效的业务闭环构建。通过技术对传统 流程的重构、数据驱动的决策优化以及智能化工具的部署， AI 正在重塑保险价值链的每个环节 ， 显著降低运营成本、提 升服务效率 ，并为行业高质量发展注入动能。 AI 助力保险行业在投资与负债端 降 本增效 AI 助力保险行业全面优化资产负债表，渗透保险价值链负债端与投资端 核 心业务全流程。负债端覆盖产品设计到运营管理各关键环节，借由

月 本期咨询项目 共享平台建设 中心筹建 方案设计 WD 财务共享项目总体规划 * 一期试 点 一期推广 * 一期范围：三总部、院线、 商管、 海 外 其他业态 试点及推 广 9 ✓ 通过集中审核、统一标准、规范流程等，使得财务业务处理更规范有效， 实 现合规性风险的降低 ✓ 通过集中账务处理、报表编制， 确保上市公司信息披露的准确性、及时性 ✓ 财务共享 业务系统需支持审核预付款申请是否符合预算的功能， 能够将预付款申请及相关附件（影像）推送至报账平台 ▪ 报账平台具备业务类型与会计科目自动匹配功能 ▪ 报账平台与 ERP 需建立对接机制，统一由报账平台推 ERP 系统创建凭证 AP. 采购至应付管理 — AP.1 采购至应付管理 42 流程 流程描述 共享与本地财务职责分工 本地财务 共享中心 AP.1.4 预付款申请 及核算（报账平台） 复核预制凭证信息是否正确 前提条件 ▪ 业务系统需支持审核预付款申请是否符合预算的功能 ▪ 报账平台具备业务类型与会计科目自动匹配功能 ▪ 报账平台与 ERP 需建立对接机制，统一由报账平台推 ERP 系统创建凭证 AP. 采购至应付管理 — AP.1 采购至应付管理 43 流程 流程描述 共享与本地财务职责分工 本地财务 共享中心 AP.1.5 合同付款申 请及核算（业务系

渝地区数字经济核 心产业发展；中国移动在北京建成大规模训推一体智算中心，支撑高 复杂度、高计算需求的百亿、千亿级大模型训练推理；河南郑州智算 中心开工建设，总投资超 16 亿元。当前，以智算中心为代表的数字 新基建正加速推进、快速落地。 （三）技术革新，激发智算行业创新活力 随着大模型参数量持续增大，数据处理难度和模型训推复杂度不 断提升，持续推动智算技术革新，激发了行业创新活力。在芯片方面， 资源的高效利用，如中国移动的震泽智算平台，通过分布式云原生 Kosmos 技术和异构混训解决方案，支持大模型跨域、跨芯训练，并 通过算网大脑进行统一调度，推动通、智、边一体化调度，实现“中训 边推”。 我国积极倡导发展绿色算力，借助“双碳”战略的推进，助力算力 产业向绿色低碳转型。绿色算力技术的发展涉及多个层面，其中设施 层和设备层的技术创新尤为关键。设施层技术创新聚焦于降低供电传 带动生成式人工智能应用加速涌现。 在智算规模持续扩大的背景下，基于智算的服务场景不断涌现， 涵盖能源、工业、金融、教育、交通等多个行业，智算成为推动行业 发展的关键驱动力。在能源领域，智算技术正深度赋能产业智能化升 级，助力实现绿色低碳转型。中国石油打造的昆仑大模型应用场景覆 盖油气勘探、开发、炼化、销售产业链以及产业金融、装备制造等领 域，推进关键业务生产过程从劳动密集型向技术密集型转变，促进客 户服

于传播 量产带 来成本 降低 忠诚用户带来 二次增长曲线 供应 链推 动产 品创 新 运营 好运营 带来成 本下降 运营保 证出品 针对主干：细节相对较少，能够快速找到因果关系 主干——找出因果关系 • 由因到果，少绕路 • 预判：下一步会导致什么，要做什么 • 提前做好准备，效率更高 • 由果推因，少踩坑 • 一件事情没有预期的结果，可能是前置事情没做好 • 可以自我迭代？ 数据清洗、训练工程， 应用工程 是否符合国家法律法 规？ AI 智能化战略的三个阶段 第一步：直接 广泛 • 更类似传统信 息化的升级 • 效率 • 直接用 AI 提 升效率 第二步：知识 价值 • 更类似数字化 升级 • 提炼模型 • 基于数据建立 知识和能力 第三步：资产 价值 • 技术是工具 • 确权后知识服 务于生态 • 生态数据持续 产生数据 ）方式表现 • LoRA ： Low-Rank Adaptation of Large Language Models 。极低资源微调大模 型方法。 • 在原始预训练模型旁边增加一个旁路，做一个降维再升维的操作，来模拟所谓的权 重。 • 例：行业模型 + 股市数据 金融咨询服务 • 行业模型需要注意是否有商业授权，数据来源的合法性 由此主要由行业高校完善行业模型以及行业数据 企业模型（块）：企业级应用

阶段，系统自动流转工作流，重点建设 组织绩效、干部管理、人才发展等模块， 实现工作流程的数字化和自动化。 将数字化的信息转化为数据资产， 利用数据挖掘、数据分析、 AI 智能 等技术实现智能招聘、智能培训推 荐、自动化薪酬福利等，提升人力 资源管理的智能化水平。 信息化 数字化 智能化 下一阶段，继续夯实基础 深化应用 数据决策 • 基于公司制定了 5 年 100 亿的战略目标，并希望加快整体 识 人 才 组 织 流 程 技 术 现 状 分 析 数 据 现 状 分 析 数 字 化 成 熟 度 评 估 应 用 现 状 分 析 业 务 现 状 分 析 现 状 总 结 及 提 升 2.1.1 人力资源数字化成熟度模型介绍 评估维度 子要素 Level 4 Level 3 Level 2 Level 1 Awareness 意识 （ 40% ） 数字化战略 人力资源数字化转型战略有清晰的目标、时间、预 ，满足基础人事运营（如招聘、算 薪）等需求。 技 术 现 状 分 析 数 据 现 状 分 析 数 字 化 成 熟 度 评 估 应 用 现 状 分 析 业 务 现 状 分 析 现 状 总 结 及 提 升 2.1.2 人力资源数字化成熟度评估标准 (1/2) 2.1-1 人力资源数字化成熟度评估标准 评估维度 子要素 Level 4 Level 3 Level 2 Level 1 Organization