调研 | 姜明星 王鹏
撰写 | 王鹏
前言
据统计，2010年以来，已披露AI厂商融资总金额超过1万亿元，但截至目前AI上市公司数量很少，而且为投资者带来的回报也不甚有吸引力。
究其原因，主要是因为AI厂商侧重技术研发，缺少与业务的深度融合，单一依靠底层技术带来的IT预算难以实现利润规模化增长。随着AI技术与业务融合的逐步深入，AI对于企业的赋能从前端简单的营销应用，向着深水区的中后台经营管理延伸，对于企业经营管理决策效率的提升效果愈加明显，企业付费的意愿变得更加强烈。
作为AI与业务深度融合的典型市场，业务决策智能不再局限于IT预算，而是有机会获取业务预算，具有广阔的市场空间。根据爱分析统计，2025年中国业务决策智能市场规模将达到429亿元，预计将诞生千亿级的AI上市公司。
01
业务决策智能市场规模增速明显
业务决策智能是指面向企业业务智能化需求，构建基于海量数据的汇聚、治理、分析和应用体系，通过AI与应用场景的深度融合，为业务提供决策支撑，其核心要素包括数据治理、AI能力构建、业务智能化。
企业要想实现业务决策智能，需经历三个阶段：
第一阶段，数据治理是企业业务决策智能的基矗数据治理主要包括两方面，一是打通系统壁垒，实现数据联通，消除数据孤岛，提升企业在数据的全面性、完整性、一致性等方面管理能力；二是能够对数据进行清洗、融合、比对，提高企业数据质量，增强数据可用性，为上层业务应用提供支撑。
图1：业务决策智能发展阶段
第二阶段，AI是业务决策智能的技术支撑。随着企业发展，数据量越来越大，业务越来越复杂，单纯依靠专家经验已难以满足企业需求，AI凭借其强大的算法及模型构建能力，在企业中的作用越来越明显。随着机器学习应用的日益成熟，通过构建机器学习平台，能够实现模型开发调试、模型训练等模型全生命周期管理自动化。目前，该技术已经在金融、制造、电信等行业的部分业务场景中广泛使用，进一步推动AI自动化发展。
第三阶段，业务智能化是终极的价值体现。对于AI的应用，企业从单点业务场景应用逐渐扩展至其他场景，从智能营销、智能客服等简单的应用场景，逐步向经营管理决策深水区渗透，如智能审计、全面预算管理、智能运营等。这些场景复杂度更高，涉及到的业务和部门多，业务逻辑更为复杂、且需要大量行业Know-How积累，难度更大，因此，目前仅有少数企业在AI经营管理决策方面进行了尝试。
例如，在山景智能协助下，某银行实现了经营情况预测。通过业务决策智能，可以预测31家分行次年某一阶段是各自盈利还是亏损，甚至可以细化到具体科目以及具体的子业务，帮助银行进行业务决策。
除了向经营决策的深水区渗透，业务智能化阶段，企业逐步沉淀数据模型，形成模型集群，再基于业务逻辑对模型集群进行调度，实现跨业务线的模型打通，可以进一步提升对业务决策的智能支撑作用。
从预算投入方面来看，企业数据治理与AI能力构建的资金主要来自企业的IT预算，IT预算每年增幅较小，市场规模增速有限。业务智能化阶段资金主要来自业务部门，预算规模会随着业务效益增长而增加，未来甚至有可能基于效益增长情况，与厂商进行业务分润，因此蕴含着巨大的市场空间。
据爱分析统计，2021年中国市场业务决策智能的规模174亿元，预计2025年将达到429亿元，复合年均增长率高达35%。
图2：业务决策智能市场规模（亿元）
02
业务决策智能在金融行业的应用价值显著
从实践来看，业务决策智能在金融领域的应用相对成熟，尤其是银行业，更是走在前列。现阶段，领先银行已完成数据中台搭建，具备了较强的数据治理能力，与此同时，通过搭建机器学习平台，逐步构建了AI能力，此外，在应用层面，也开始探索智能化应用。
例如中国工商银行，已构建数据治理平台，支持数据多维度分析，同时也搭建了机器学习平台。随着底层技术的构建趋于完善，工行开始注重技术与业务融合，2019年搭建起在智能风控、智能客服、智能营销等业务应用，提升了业务创新能力。
总体来说，银行已经开始向第三阶段-业务智能化阶段迈进，人工智能在银行领域应用越来越广泛。早期，银行智能化应用主要集中在智能风控、智能营销、智能客服、反欺诈等方面，领先银行已经逐步探索管理决策等深水区场景。
以某头部城商行为例。随着我国经济发展迈入新常态，再加上疫情的影响，银行业整体增速呈下降趋势，与此同时，大行业务下沉进一步加剧了竞争。因此，城商行需要依托本地化优势，进行差异化发展，实现错位竞争；同时，基于自身组织的灵活性，借助大数据和人工智能技术提高新品创新、客户服务、营销等能力，增强客户粘性，提高自身竞争力。
为此，在山景智能的帮助下，该行构建了数智一体化平台，通过与原有数据仓库和数据湖的集成，将智能定价、机器人座席主动营销、催收、产品发售结果预判的全营销链条进行了打通，并建立了核心交易数据、产品数据、渠道数据的全景实时营销地图。
此外，借助山景智能企业业务决策智能服务总线，将数据挖掘、深度学习、专家知识库相结合，为银行的业务创新、客户服务精细化提供了智能、精准、可视的业务决策自动化工具平台。
图3：业务决策自动化工具平台
通过该平台建设，该行理财产品从设计到正式上线时间由3-4个月缩短至15天，获客及营销成本下降66%，该产品客户复购率高达86.7%，业务盈利规模提升了6-8倍，有效地增加了客户的粘性，提升了辖内客户的服务体验。
03
山景智能具备“数据+AI+业务”端到端一体化服务能力
业务决策智能需要深厚的技术能力和人才支撑，通常情况下，为了更好更快地达成目标，企业通常会借助第三方厂商的力量。对于提供不同阶段服务的厂商，能力的要求有一定差异，这就要求厂商具备相应的能力。
图4：厂商关键成功要素
目前，AI厂商提供的服务主要集中在数据治理、AI能力构建阶段。例如，以平台为中心的决策类人工智能技术型厂商，凭借较强的底层技术、算力、算法能力，通过搭建机器学习平台，帮助企业构建AI能力，但是由于技术平台的通用性特征，难以与业务进行紧密结合。
随着领先企业的需求逐步从第二阶段向第三阶段过渡，企业更需要厂商具有深入的业务理解能力，并且能够提供从数据治理到AI能力构建、再到具体业务应用的一体化能力。目前大多数AI厂商暂不具备这样的能力，仅有部分厂商，由于聚焦在某一领域持续深耕，通过与客户共创，积累了大量行业经验，构建了一体化的能力，山景智能是其中的典型代表。
山景智能是一家AI赋能的企业业务超自动化解决方案提供商，能够面向企业提供“数据+AI+业务”端到端一体化解决方案。同时，山景智能深耕金融领域，尤其对银行业务有着深入的理解。
一方面，山景智能的产品包括Stella智能数据中台、Nebula智能AI中台、Awake智能业务中台，面向企业业务需求，能够提供一站式连接数据、AI、业务的端到端一体化能力。通过三大产品联动，能够更加高效地进行数据处理、模型搭建，更好地实现业务智能化。此外，基于AI能力，能够实现数据自动化、AI自动化和业务自动化，进而实现业务的超自动化。
图5：山景智能产品体系
另一方面，基于银行业的持续深耕，山景智能对银行各业务领域均有较为深入的理解，围绕各业务场景，构建并沉淀了大量的数据模型。在此基础上，围绕具体业务线，基于业务逻辑进行模型调度，通过众多的实践案例积累，沉淀为各种数字员工，依托于对流程的理解，对其进行优化，提升业务效率。
截至目前，在金融领域，山景智能已经在营销、风控、运营三个方面，完成了16个细分场景数字员工的构建，包括信贷、理财、支付、审计等数字员工，服务能力进一步增强。
图6：模型与业务编排调度
此外，在继续深耕金融行业的同时，未来，基于底层基础能力模块的通用性，山景智能将逐步向能源、制造业等行业进行拓展。
综上所述，随着AI与业务融合的逐步深化，业务决策智能对于企业经营效率的作用将会进一步显现，需求也将会呈现爆发式增长，相关厂商的价值将会进一步放大，这也为投资者提供了更具价值的投资机遇。
