性树模型、deep 模型、 BERT、 Word2Vec 模型等 本期和大家讨论下 “人岗匹配排序的探索与实践”。从人力资源管理的发展来看，人岗匹配大致 经历了三个阶段，“三历对照法”、“冰山挖掘法”、“全人匹配法”，而 AI 技术的引用将为企业迎 来第四个——“数据解剖法”。 AI 技术实现人岗匹配，离不开数据的处理和模型的选择与训练，看似高深、复杂的人岗匹配算 法模型背后，这一切是 以 xgboost 和 lgb 为主。gbdt 模型结构如图 2 所示，gbdt 为一个 boosting 模型，通过叠加多 个弱模型来提升拟合能力，根据 xgboost 模型的优缺点我们可以充分挖掘可用特征。 我们再次整理上一节可用特征，主要有 ID 类特征（职能、行业、公司、技能、专业等）；基本 信息匹配特征（年龄，工作经验，学校等）该特征为二分类特征，以 JD 和 CV 的 ID 类特征是 最后总结下模型方面的探索结果，以上实验说明我们还没有充分利用 graph embedding 和由 DSSM 产出的文本 embedding，也证明了 embedding 内涵的巨大作用，后期我们将加大力度 去挖掘该部分的内容。 4.1 现阶段成果 > 经过上文特征和模型的探索在此我们分方案来展示我们的实验结果，分别包含以下方案： 方案 1：ID 类特征 +match 特征 +IDsim 特征 +textsim

行业智能（ABI）通过结合AI的自动化、 智能化能力与BI的数据分析能力，推动 商业智能向智能化引擎升级。 ◼ 研究目标 • 了解ABI的发展现状与代表产品 • 探析ABI当下的应用场景 • 挖掘ABI的行业实践与机遇 • 探索ABI的技术发展方向与落地领域 ◼ 本报告的关键问题 • AI与BI融合的核心驱动因素及市场增长 动力是什么？ • AI技术如何重构BI的价值链，并解决传 ⚫ 数据维护 数据维护涉及数据质量管理、数据清洗、 数据更新、数据一致性等 ⚫ 数据捕获 数据捕获涉及从多种源头（如传感器、 数据库、应用等）获取原始数据 ⚫ 数据使用 数据使用涉及数据分析、挖掘、机器学 习、人工智能等应用 ⚫ 数据发布 数据发布涉及通过报告、仪表板或API 将数据分享给内部或外部用户 ⚫ 数据归档 数据归档涉及将长期不活跃的数据转移 到低成本存储介质，以减少存储费用 人工智能与商业智能发展现状——ABI定义 来源：头豹研究院 数据源 MySQL Oracle GaussDB 文件 数据采集和处理 ETL 数据仓库 数据分析 报表 OLAP 仪表盘 数据挖掘 可视化软件 LLM 内嵌数据分析知识 通过 SFT 让 LLM 具备专业领域的数据分析知识 AI大模型 ◼ AI赋能BI通过大语言模型（LLM）消除数据分析门槛，使非技术人员能够轻松 获取业务洞察

行业动态等。 例如，与通信运营商合作，获取特定区域内人员流动数据，用于分析治安热点区域；从互联网舆情监测平台收 集涉警舆情，及时掌握社会舆论动态。 b. 数据分析与挖掘 运用大数据分析技术，对收集到的海量信息进行深度挖掘与分析。通过关联分析、趋势分析、聚类分析等 方法，发现犯罪规律、治安热点、潜在风险等。如通过对一段时间内盗窃案件发案时间、地点、作案手法等数 据关联分析，确定盗窃犯罪高 联网等新兴技术的迅猛发展，交通指挥中心迎 来了智能化变革的新时代。大数据技术使交通指挥中心能够整合海量交通数据，包括历史交通流量数据、实时 路况信息、公交地铁运营数据、出行者行为数据等，通过数据挖掘与分析，精准预测交通拥堵趋势、事故高发 区域与时段，为科学决策提供有力支持。人工智能技术应用于交通信号控制，实现信号灯根据实时交通流量动 态配时，极大提高路口通行能力；在视频监控领域，利用图像识 善交通流量监测数据，实现对城市交通状况的全方位、实时感知。 b. 流量分析与预测​ 运用大数据分析技术与交通模型，对采集到的海量交通流量数据进行深度分析。通过时间序列分析、关联 分析等方法，挖掘交通流量变化规律，如早晚高峰、工作日与周末的流量差异模式等。结合历史数据与实时路况， 利用机器学习算法建立交通流量预测模型，提前预测未来一段时间内交通流量变化趋势，包括拥堵路段、拥堵 开始与结束

域的发展逻辑奠 定宏观基础。 1.1 数据作为新型生产要素的战略价值 随着数字经济的蓬勃发展，数据已正式成为继土地、劳动力、资本、技术 之后的第五大生产要素。其核心价值在于通过海量汇聚、深度挖掘和智能分析 ，优化资源配置效率，催生新的商业模式，并为宏观经济决策提供依据。数据 要素的价值释放，正成为驱动国家经济增长和提升全球竞争力的关键引擎。 1.2 “双碳”目标下的绿色金融新范式 计算、区块链、人工智能等关键技术在保障数据安全、实现可信流通、挖掘数据 价值中的应用范式，为 ESG 数据资产化提供技术层面的实现路径参考。 3.1 ESG数据资产化的全生命周期 随着全球 ESG实践从 “被动合规披露” 向 “主动价值创造” 深度转型，数 据已不再是单纯的披露素材，而是成为企业衡量可持续发展绩效、挖掘长期优势 的核心生产要素。这一过程绝非简单的 “数据整理”，而是需覆盖从原始数据采 （3）治理与质控层：建立数据标准、元数据管理和数据质量监控体系。此 阶段可引入区块链技术进行数据存证，确保数据的不可篡改和可追溯，确保 ESG 数据资产的真实性与可信度。 （4）分析与建模层：利用AI和机器学习算法对数据进行深度挖掘，构建风 险评估模型、价值估值模型和影响力量化模型，清晰呈现 ESG 实践的实际成效 ，让 “无形的 ESG 价值” 转化为 “实质的资产”。 （5）服务与应用层：通过API、数据沙箱等形式，将处理后的数据产品或

0 1 0 4 01 02 03 04 05 技术更迭让一切皆有可能 强强联盟的生态网络，生态圈 构建的强链接能力和协同优势 跨界颠覆，数据有效挖掘和运用 为满足顾客需求的变化，边界被突破或融合 数字化带来的变化 个体价值崛起 高德纳指出四个技术领域值得关注： n 商业生态扩展类技术，如区块链 n 融合类技术，如脑 价值创新 成本重构 专注技术 创新 快速面向 数字化 优势 获取 找到 新势力汽车公司 传统汽车制造公司 产品逻辑 以智能交互为核心 以发动机为核心 变化二：跨界颠覆，数据有效挖掘和运用 新势力汽 车公司 智能技 术公司 天猫 电子 商务 淘宝 阿里 妈妈 智能 物流 菜鸟 网络 ...... 一达通 ...... 聚划算 阿里云 ...... AliEx- 导者自我改 变开始 在合作中 预见失败 在常态中 保持警觉 平衡 价值共生原则 挖掘创新 成功经验 持续改善 避免落入系统化 创新的陷阱 价值共生原则 有目的地 放弃昨天 创新的做法被公司认可和推广 配置资源以帮助创新者成功探出一条路 总结成可复制的方式或方法 成功经验 挖掘创新 应注意 系统化创新的 三个陷阱 具体动作和行动计划之间的界限 混淆新奇和创新

• 痛点： 核心城市发展迅速，但区域特色商业业态形式单 一，缺乏本地消费文化融入，商业综合体集中于大城 市，缺乏区县级配套。 • 措施： 通过数字化平台整合区域资源，利用数字化手段 优化供应链效率，挖掘本地文化属性，推动线上线下融 合发展，增强品牌竞争力。 华中地区 • 痛点：市场潜力可观，但商业业态竞争弱，消费能力提升 的速度慢；商业综合体布局不足，实体商业发展路径模 糊，创新乏力。 • 七大地理区域实体商业在数字化变革中呈现出不同的发展路径与痛点，增长潜力地区（西南、华中、华南）拥有较大市场空间和较强消费需求，但存在区域特色不足 或商业布局不均衡的问题。西南地区需通过数字化工具挖掘本地文化价值，华中以会员体系和精准营销提升品牌竞争力，华南则依托数据分析优化资源配置，激发下 沉市场潜力。竞争激烈地区（华东、华北）拥有雄厚消费能力，但商业模式趋于同质化，华东可通过智慧商圈等数字化 集的高流量商圈，以中小规模形态为载体，借 助快闪店、主题活动提升品牌热度，叠加线上商城实现多渠道获客。整体而言，各类型品牌围绕目标客群，在市场渗透、运营模式、流量获取上精准发力，既巩固核 心市场，又挖掘下沉潜力，彰显精品零售业态多元化、精细化的发展逻辑。 精品零售业态品牌发展情况 来源：万达智慧商业、公开资料，艾瑞咨询研究院自主研究及绘制。 稳定 经营 品牌 高速 扩张 品牌 网红 新锐

减少样衣生产；私人定制业务占比 40% ，降低成本 10% ，生产周期从 15 天 缩短至 7 天， 合格率提高至 99.8% 海尔沈阳冰箱互联工厂：吸引 510 万用户参与社群交互，通过大数据、 A I 等挖掘 用 户需求，以模块化、智能化技术支持小批量多次生产；产品定制占比 76% ，研 发周 期和交付周期缩短 50% ，用户口碑提升 30% 消费品企业利用 C2M 反向定制推动精益研发，提供满足消费者需求的产品， 31 渠道数字化 业务价值 提升费用效率 渠道洞察 位置特征 渠道分类及价值挖掘 渠道促销策略 渠道画像 竞品产品信息 生意状态 销售组合 渠道管理相关平台 数据中台（整合第三方数据） CMS 消费品企业渠道数字化与企业整体营销战略结合，更好的为渠道提供服务， 结合新技术的发展、 Z 时代客户的特征，业 务 场景化的趋势，协助企业挖掘业务中新的 场景 和业务价值点，形成标准化产品行业解 决方案 的同时，通过项目持续研发新产品， 扩展产品 群，提升产品能力和服务能力； • 依托消费行业专家资源，成立业 务 &IT 共同参与的行业专家组， 从 外部行业对标视角梳理挖掘潜 在 业务价值点，与企业 IT 部形 成合 力，引导与业务沟通推进 数智化

大流量入口的接入可以帮助很多网络企业建立增长源 但是重要的不是结果，而是发展的逻辑， 一 家没有成长底线的公司，何谈升到天际线？ 没有 一座座坚固 的城池，扩张再迅速也形成 不了 亚马逊用 Prime 制度把超级用户挖掘出来，形成自己 强 有力的根据地与利润池， Prime 成为亚马逊构建成 长底 成长底线： 案例 - 亚马逊所构建的成长底 线 什么是亚马逊的成长底线？ 转化为客户池 与中期的客户终身价值锁定 咽喉 成长底线如此重要，那么企业家和高管应该如何设计成长底线？ 作者提出成长底线设计的三条原则： 构建客户基石资产 成长底线设计策略 挖掘业务护城河 护城河 客户 3 9 线下 前互联网时代 n 商业的战略咽喉主要体现在对线下的控制上， 最 典型的就是零售流通巨头，它们以客户流量来 “ 挟持”供应商，沃尔玛、苏宁、国美都是这个 力及其所在行业的结构维护其高额利润的。 运营卓越的公司，不等于就有成长底线，更不等于有护城河。卓越管理虽然能够加固经济护城河，但是管理本身不 是 护城河的根基。 成本 优势 无形 资产 成长底线设计策略：挖掘业务护城河 转换 成本 网络 效应 护城河的形成有 四大来 源 云 4 2 无形资产包括品牌、专利或者政府牌照 云 n 品牌：如果品牌能够促使顾客的支付意愿上升以及顾客忠诚度提高，这个品牌就在公司利润

能电网、车联网、地质勘探 等），每天产生的数据量是 淘宝交易的 100 倍，且要在 这些数据上实时做复杂的领 域相关分析 机器大数据的特点 机器大数据的特点 工业大数据 - 实现路径 从海量产品数据中挖掘出对用户有价值的 信息，以直观，有效的表现形式，为用户 决策提供商业支持和服务 数据产品化 将计算机的逻辑功能嵌入到机器上，用数 据的方式描述机器制造和运行过程中产生 的大量信息。 预测性分析 基于对数据的统计分析，描 述数据表现出的现象与客观 规律 利用历史数据建立分析模型 和规范的分析流程，建立数 据到信息的输入输出关系， 实现对连续数据流的实时分 析 通过对数据的深层挖掘建立 预测模型，实现对不可见因 素当前和未来状态的预测 航天数据公司数据分析的三个发展阶段 2. 大数据基础平台 - 分布式计算引擎 Spark 2. 大数据基础平台 - MPP 数据库与 提升和优化网络访问信息安全， 实现复杂条件下的访问控制。 3. 大数据应用 - 数据安全服务 多维数据分析展示 • 基于 R 语言的交互式数据探索 • 对接后台海量数据 • 用于数据分析师各种分析，挖掘， 预测等场景 3. 大数据应用 - 数据展示工具 内 容 一、云网介绍 二、工业大数据建设背景及思路 三、工业大数据平台技术架构 四、工业大数据平台案例 服务型制造案例 —— 健康状态管理系统

线上平台在吸引什么样的用户，他们都从哪来？ · 消费者进来以后喜欢看什么？ · 不同海报吸引用户让其成为品牌会员，效果表现如何？ · 线上营销活动的执行效果如何？ 2. 如何留住用户：让数据赋能业务，通过用户行为充分挖掘用户需求，并找到最佳需求 响应方式，提高用户粘性。 · 如何通过数据看到业务问题？ · 如何深度打磨产品，提升用户体验？ · 如何迭代活动策略，提升用户活跃度？ 3. 如何打通线下及线上数 优化页面布局和商品展示； 衡量节日促销期间不同渠道对转化的贡献比例，为后续的投放策略调整提供科学依据。 · 场景分析：场景分析是解决具体点状业务场景问题，高度聚焦的场景分析模型， 帮助企业深入挖掘业务增长潜力。可结合统计结果自动给予洞察结论。0基础的业务 人员也能得出专家级的分析结论。通过LTV分析可衡量不同客户群体的终身价值，为 企业会员计划及精准营销提供支持。通过首复间隔分析可分析首次购买到复购之间的 营中实现高度精细化管理，从触点触达到活动执行、资源分发到结果分析，全流程贯穿 客户生命周期，全面解决行业面临的促销精准度不足、客户复购率低及触达效率低等痛 点。在提供精准服务的同时，强化客户与品牌的情感连接，深度挖掘会员价值，实现精 细化运营与智能化增长的双重目标。 综上，通过数据层、产品层、应用层整体规划，可接入企业全域全渠道的消费者数据， 统一管理消费者身份、标签、行为数据，连接业务人员及IT人员，共同完成数据价值的