单点突破，而需要全链条、全要素的协同优化，数据驱动的指标体系成为实现这一目标的核心抓手。在数据治理端，企 业需要注重实时技术与规范管理的深度融合，让流动的数据焕发出更大价值。在瞬息万变的市场环境中，数据的时效性 往往决定着决策的有效性。从数据产生到洞察生成，每一秒的缩短都可能转化为真实的商业价值。 在应用开发端，AI 技术正将零代码平台推向全新高度。从简单的轻量化工具演进为强大的创新引擎，AI 让零代码真正 做到 " 让零代码更“零”& 先进制造落地 AI 决策应用 解析如何通过实时技术和规范管理让流动的数据更有价值 分享“FAST”新型数智化组织能力以及新兴数智人才建设路径 01 02 03 04 05 目录 CATALOGUE 16 企业数智应用关键落地路径 02 17 23 26 30 42 44 47 52 57 59 69 74 BI 平台：释放决策与执行效率，增加可信度 BI 助力提升决策效率，减少错误决策 还原数据分析过程，让结果更加可信 应用场景复用让分析成果“即取即用” 智能 BI 将数据消费范式转向“数助人” 数智时代指标体系驱动业管协同 企业自身指标体系建设常见误区 指标平台建设，促进数据消费 典型案例实践：某专精特新企业 零代码从轻量工具到创新引擎 AI 时代，以用促建，以用促准 数据实时将“事后分析”升级为“实时决策” 资源治理提升数据

潜在影响分析 ◎姚泽宇 苏杭 作者简介 ：姚泽宇，中国国际金融股份有限公司研究部执行总经理 ；苏杭，中国国际金融股份有限公司研究部分析师。 摘要：当前，金融机构主要将大模型应用于业 务场景简单的非决策类环节。本文从展业流程角度 和业务场景角度系统梳理 AI 大模型在金融行业的 应用现状，并从应用趋势、赋能空间、产业格局三 个方面对大模型在金融行业应用趋势展开探讨，动 态、辩证分析大模型对金融体系的整体影响。本文 当前，金融机构主要将大模型应用于业务场景 简单的非决策类环节，而在核心决策环节应用大模 型仍面临较大挑战。从业务流程角度，大模型已开 始赋能前台营销运营、信息搜集整理，以及中后台 运营支持等环节；从业务场景角度，各类金融机构 已开始尝试将大模型应用于支付、信贷、投顾、投研、 保险等细分领域。 （一）落地应用现状 ：当前大模型在金融 行业主要应用于业务场景简单的非决策类环节 目前，国内外各类金融机构正在积极探索大 于业务场景简单的非决策类环节（见图 1）。大模型 在支付、信贷、保险、财富管理等场景均有应用落地， 但主要赋能对客服务、数据挖掘、业务助手等环节。 而在对金融领域专业能力要求较高、涉及提供强金 融投资建议、需要承担核心分析决策任务的业务场 景和业务环节中，大模型的落地应用仍然面临较大 约束和挑战，难以直接替代专业人员完成分析决策 任务，更多作为辅助核心决策人员展业的助手。具 体

检验商业计划的思路并着手实施 • 鼓励运营机构加强自身能力 • 促成交流合作 / 扩大优势 3 操作者 • 开发并引导大部分投资和发展项目 • 按月检查每个财务 / 运营指标，做出重要决策 • 购买和转移被低估的业务 • 确保全球目标的实现 • 在最佳的时机 / 价格将业务出 售 资料来源 : 咨询公司 审核者 审核者 汇总年度经营计 划及预算 高层决策 委员会 提出年度目标 和预算纲要 制定年度经营计划 及年度预算草案 批准年度经营 计划和预算 修改年度经营 计划及年度预算 建议年度目标 和预算纲要 批准年度目标 和预算纲要 战略管理部 执行者 执行者 执行者 决策者 决策者 I 项目投资 • 发掘并筛选投资项目 • 监督投资项目的经营管理， 对其进行业绩考核， 定期审核审计的工作 • 对已投资项目经营管理改革， 项目权益转让， 重组或退出提出建议及解决 方案 • 对投资项目及行业进行分析研究，为领导决策提供投资管理工作建议 投资咨询 • 研究海外资本市场及国家相关产业政策和行业动态，考察筛选客户，提供 中 国企业海外发展与上市和国外企业来华投资发展咨询服务 • 提供国内企业并构重组咨询服务

服饰时尚行业数字化转型特性与理论 Chapter.03 服饰时尚行业成功案例实践 2.1 主数据统一 2.2 供应链优化 2.3 消费者体验升级 2.4 业财一体 2.5 数据驱动决策 3.1 雅戈尔数字化平台项目背景 3.2 雅戈尔数字化平台项目成果与效益 BAISON THINK-TANK 服饰时尚行业分析 Chapter.01 BAISON THINK-TANK 服饰行业秋冬趋势白皮书分析，消费者更注重“物有所值”， 将“性价比” “品质” “颜值”作为核心购买因素。购买时倾向 于选择多功能、高性能的单品（如一衣多穿），同时关注保 暖、品质与格调的结合。价格不再是唯一决策因素，穿着体 验和优质服务逐渐成为溢价的关键。 1.2.2 消费者行为变化的影响 消费者行为变化正重塑服饰行业的竞争格局，从单一功能需求转向情感价值，从大众化转向圈层化，从传统渠道转向数字 优先选择环 保品牌，76%关注可持续购物。二手时尚市场与快时尚并 存，消费者通过购买行为支持环保理念。 5）内容与社交驱动购买决策：通过短视频种草，穿搭内容 结合音乐、场景等元素，通过抖音等平台快速传播，唤醒消 费需求。社交媒体影响突出，视频推荐成为购物决策的重 要参考，品牌需加强内容营销以触达目标人群。 6）年轻群体主导消费趋势：Z世代成为时尚消费主力，推 动“穿衣理念多元化”。他们注重生活仪式感、悦己体验和

是指面向产品的全生命周期， 基于云计算、 大数据 、 物联网、移动互联网等新一代信息技术， 贯穿设 计、 生产、 管理、 服务等制造活动各个环节， 具有 信 息深度 自 感知、 智慧优化自决策、精准控制自执 行 等功能的先进制造过程、系统与模式的总称。 一、企业发展与智能化改造——智能化改造的定义 提供基础 • 14 智能制造的起源与演变 一、企业发展与智能化改造——智能化改造的定义 等新兴技术为重要支撑 。 新 一代信息技术的应用是推动 数字化制造演变为智能制造 的使能器。 过程 关键制造环节或过程具 有一定自主感知 、 学习 、 分析 、 决策 、 通讯与 协调控制能力， 能动态 地适应制造环境变化 。 这也是智能制造与自动 化制造和数字化制造的 本质性区别。 智能优化 实现产品制造结果的优化 为目标， 任何企业或个人都可以参与产品设计、制造 与服务过程， 企业、个人和物料流、信息流、价值流等各方面都将发 生联系， 大量数据将被采集并导入云网络。 全流程闭环特征 运用新一代信息技术手段， 将能够构建“感知、分析、决策、执行 、 反馈”的完整工作回路。 具有系统进化和自学习能力 智能制造系统的结构应该是不断进化的， 从车间与工厂的重构， 到企 业的重组整合， 再到创新研发设计、分工生产制造以及市场营销和售

确保会员满意度 Consumer Business 高标准、严要求：总部 / 系统制定高标准生意决策，一线员巟严格按照标准落实，相信数据，而非直觉。 顾客 品类管理 商品管理 订货与配送 门店运营 §跨职能 SRD 推劢商 品 / 品类策略在门店落 地 §品类管理明细到中类 §第三方巟具优化选品 §基亍顾客决策树优化品 类结构及陈列 §全球商品寻源 §基亍顾客洞察分析的商 品管理 §商品全生命周期闭环管 推行一致性 管理共享 商品全生命周 期管理（基 础） 商品计划与 优化 供应链计 划 供应链执行 门店运营管理 业态与发 展 数字化 渠道 核心营运 商业智能 战略管理 运营决策支持 风险管理 财务 人力资源 其他后勤支持 全面预算 税务管理 财务核算 资金管理 人力资源管理（基 础） 人力资源管理（高 阶） 主数据管理 投资管理 项目管理 知识管理系统 终用户，系统延迟也会降低。 现有核心系统效能最大化。 通过更新系统，重新调 整解决方案来提高性能，拓展基础设施，从而提供 新的产品和服务。目前 80% 的时间、精力和预算都 用在对现有技术的维护 智能放大决策效果。 企业利用机器进行学习和预测，应 对大规模和复杂的数据群。智能机器不会取代人类的工作， 是提高能力。通过网络医疗自动分析以预防病毒传播。通 过实战士兵感官和环境数据分析，研发武器控制系统。 新生代

开展重点生产单元、管理过程的智能化，形成完善的洗选过程智能 感知、智能控制、智能管理与智能决策，主要工艺环节、主要操作 岗位及重要设备实现智能无人操控，建成安全、节能、环保的智能 化选煤厂。 二、煤矿智能化总体设计 智能化煤矿将人工智能、工业互联网、云计算、大数据、机 器人、智能装备等与现代煤炭开发技术进行深入融合，形成全面 感知、实时互联、分析决策、自主学习、动态预测、协同控制的 智能系统，实现煤矿开拓、采掘（剥）、运输、通风、洗选、安 智能化建设参考技术架构 （一）井工煤矿智能化总体设计 1.总体技术要求 井工煤矿应建设智能化综合管控平台，围绕监测实时化、控 制自动化、安全本质化、管理信息化、业务协同化、知识模型化、 决策智能化的目标进行相应的业务模块应用设计，实现煤矿地质 勘探、巷道掘进、煤炭开采、主辅运输、通风、排水、供液、供 电、安全防控、经营管理等各业务系统的数据融合与智能联动控 制。 2.生产煤矿智能化建设技术路径 （3）投产后，逐步建设工业大数据分析平台，充分挖掘数据 潜在价值，实现过程参数优化、生产流程优化、数字仿真优化、 设备故障智能诊断、经营决策优化等。 （三）选煤厂智能化总体设计 1.总体技术要求 智能化选煤厂可参考图 2 所示技术架构，划分为设备层、控制 层、执行层、决策层四层。设备层主要包括机电设备及检测仪表、 保护装置等；控制层主要包括生产集中控制系统、设备状态监测 系统、视频监控系统、调度通讯系统、安全监测系统等；执行层

，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， 同时在后服务环节实现客户保全、服务 升级等 ，创造新的价值增长点。 办公助手：优化内部流程、整合信息资源、辅助决策制定 ，提升运营效率、管理效能 ，优化用户体验。 趋势 1 ：保险业 AI 应用从单点工具性应用向集中化智能体中台转变 ，将从“效率工具 ”向“战略中枢 ” 升级。 趋势 2 ： AI 驱动保险产品与服务深度融合 技术的应用现状及未来趋势，特别聚焦生成式 AI 对保险业数智化转型的推动。 AI 在保险领域是以数据驱动为核心、算法模型为工具的 新 型技术体系，通过机器学习（ ML ）、大语言模型（ LLM ）等技术，实现保险业务流程的自动化、决策的智能化与服务的个性化。其应用覆盖核保、理赔、风控、 客户 服务等保险全价值链 ，具备短周期、轻量化、强适配的特征，是保险业应对效率瓶颈与客户体验升级需求的关键技术路径。 AI 技术赋能保险行业诸多场景 二、“保险 +AI” 应用场景 Insight 当前 ，保险行业的 AI 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

关注生产效率的提升，还强调智能化决策和实时数据分析，以应对 市场快速变化和客户需求多样化的挑战。 本项目将主要围绕以下几个关键点展开：  智能化生产：通过引入 AI 大模型对生产线数据进行实时分 析，实现自动化调度和优化生产过程，减少人为干预和错误 率。  数据驱动决策：建设一个集成的数据处理平台，利用大数据分 析技术提取有价值的信息，为管理层提供精准的决策支持。  个性化定制：根据市场需求和客户反馈，通过 生产数据， 实现对设备状态、生产效率等的实时监控。  智能决策与调度：利用人工智能算法对大数据进行分析，优化 生产计划和资源调度，提高生产灵活性。  智能设备与自主控制：引入自主可控的智能制造设备，实现设 备之间的自我协作和自动化生产。  可视化管理：搭建可视化平台，实时展示生产进度和状态，帮 助管理者及时做出决策。 这些关键点共同构成了智慧工厂的基础框架，将促进生产效率 在过去的几年里，人工智能领域经历了显著的技术突破，尤其 是基于深度学习的 AI 大模型的崛起。大模型的特点在于其对大规 模数据集的处理和理解能力，因而在多个行业中展现出革命性的应 用潜力。这些大模型不仅能够提高决策效率，还能推动企业的智能 化转型，从而实现传统制造业的数字化升级。 首先，AI 大模型的训练过程通常利用海量的结构化和非结构化 数据，使得模型具有了强大的表征学习能力。通过自然语言处理、 图

全方位革新工作流程。 供应链团队必须改变工作方式。60% 的运营和自动化高管表示，到 2025 年，AI 助手将接管大部分常规和事务性工作。 自动化决策的比例将进一步上升。运营和自动化高管们表示，生成式 AI 将在未来两年内将数字助理的决策量增加 21%。 预测能力提升并推动可持续创新。76% 的供应链和运营高管认为，生成 式 AI 将优化产品设计，并推动产品生命周期的可持续发展。 生成式 一个切实可行的行动指南。详细说明如何制 定计划、设定优先级并落实执行，确保每一 个行动都能达到预期效果。 供应链高管需要投资新一代技术，提升运营的 灵活性和韧性，以应对未来多变的环境。 智能供应链洞察变革，驱动增长 5 借力决策， 决胜未来 员工与 AI 助手合作，可以创造比各自 独立工作时更多的商业价值。 第一部分 智能供应链洞察变革，驱动增长 6 的高管表示，到 2025 年，AI 助手 将接管大部分常规和事务性工作。 90% 目前，供应链团队受限于纷繁复杂、互不相连的海量数据。虽然供应链 团队现在能获取实时数据，制定更智能高效的决策，但由于数据量庞大， 许多机会常常错失。 生成式 AI 驱动的数字助手正在扭转这一局面。AI 助手能够实时分析海量 数据，快速提取重要洞察，为供应链团队提供重要的决策依据。此外，凭 借其自然语言处理能力，员工只需简单的提示即可获取所需信息，并了解 信息来源。 例如，AI