了更加高的要求。同时，复杂多变的商业环境使决策约束条件不断增多，并对决策敏捷了更高要求。因此，依靠业务规则和专家经验的传统业务决策愈发难以满足企业的需求，企业要对决策方式来进行升级。
智能决策综合利用机器学习、深度学习、强化学习、运筹优化等多种智能技术实现增强和自动决策，可以基于既定目标，综合约束条件、策略、偏好、不确定性等因素，对有关数据进行建模分析，从而自动生成最优决策。智能决策具备助力企业实现决策方式升级的能力。
爱分析通过对智能决策市场的研究发现，不同智能决策厂商的技术路径有较大差异，进而在应用场景方面也各有所长。企业需要结合自身数字化发展规划和业务场景需求，选择最合适的厂商共建智能决策能力。基于以上背景，爱分析希望通过智能决策厂商全景、最佳实践案例研究，助力企业决策者精准选择合适厂商和成功实施智能决策项目。
从技术架构角度，智能决策市场可以划分为智能决策平台和智能决策应用解决方案两部分市场。智能决策平台提供支撑智能决策算法、模型和应用开发及计算的工具。应用解决方案层重点包括金融、消费品与零售、国防军工、政府与公共服务、制造、能源、物流、航空、医疗与医药、汽车等行业智能决策解决方案。
本报告重点选取金融行业智能决策解决方案、消费品与零售行业智能解决方案和国防军工行业智能决策解决方案三个市场作为重点研究对象，对智能决策进行研究。
近一年厂商在特定市场的营业收入达到指标要求（参考第4章各市场分析部分）。
爱分析推算，2022年中国智能决策市场规模为87.7亿元人民币，同比增速为28.0%。虽然今年的市场增速相较以往有所放缓，但对比其他人工智能细分赛道，该市场仍表现亮眼。
智能决策已在金融、制造、能源、消费品与零售等多个行业落地应用，其中金融是第一热门行业。2022年中国金融行业智能决策解决方案市场规模为23.6亿元，市场规模占比为34.5%。该市场的贡献者包括国有大行、全国性股份制银行、城商行、农商行等多种银行，也包括保险公司、证券公司等其他各类金融机构。除市场规模数据外，从供需两侧也能感受到金融行业的火热。在供给侧，31.8%的智能决策厂商渗透了金融市场；在需求侧，智能决策用户已经从头部机构扩展至腰部机构，而其他行业的智能决策用户还停留在头部机构。
智能决策主要有三大类技术路径，第一大类是广义机器学习技术路径，包括机器学习、深度学习和强化学习；第二大类是运筹优化技术路径；第三大类是规则引擎技术路径。机器学习是数据驱动，适用于解决描述统计类问题，掌握统计规律后方便做预测；运筹优化是业务模型驱动，适用于解决优化类问题，可以从多解中找到最优解；规则引擎是专家经验驱动，适用于解决先验认知类问题。未来趋势是三条路径融合。在解决复杂决策问题的场景，需要对问题进行拆解，既有预测也有优化，因此需要机器学习和运筹优化融合。同时，引入规则引擎，通过人机协作的方式充分利用行业专家经验。
智能决策解决方案和具体业务场景高度关联，甲方需要有业务Know-how的厂商。相应地，厂商需要提供行业专家顾问，通过行业专家顾问结合解决方案的方式切入市场。未来，厂商将持续发力各自聚焦的行业，持续提升智能决策与业务场景的结合程度，将行业做深做透，以行业为界构建护城河。厂商深耕市场的方式也将不仅仅是“行业专业顾问+解决方案”的方式，还包括持续提升行业产品的标准化程度。至于处于应用层之下的平台层市场，短期内难成气候，主要因为客户缺少对求解器等工具的采购驱动力，他们更需要解决方案。
智能决策市场的商业模式更加多元化，从“卖产品/解决方案”向“卖服务”转变
智能决策市场的主要交付物是解决方案，也有少量的标准化产品。当前，有一些头部厂商正在探索新的商业模式。例如，厂商依赖于自身的智能决策产品和解决方案，给客户提供结果输出，即“卖决策结果”。再例如，厂商支持客户从一次性买断式付费转向按照效果付费或者面向建设、维护决策模型的服务体系来付费。可以看出，不论哪种商业模式的转变，都是从“卖产品/解决方案”向“卖服务”转变。对于客户而言，上述商业模式的主要吸引力在于较低的智能决策能力体系构建费用投入。对于厂商而言，他们探索这些商业模式亦有自身的考量，一方面是留住费用有限的客户，另一方面是构建更健康的现金流。在“卖产品/解决方案”的商业模式下，项目周期较长，容易对智能决策厂商的现金流造成压力。
甲方需求分为单点式、单线式和全局式三种形式。单点式指在某个细分业务场景实现智能决策；单线式指实现某一类细分业务场景的智能决策闭环；全局式指实现多个大类业务场景的智能决策。随着智能决策的价值释放，客户对全局业务智能决策能力体系的偏好持续增强。
爱分析基于对甲方企业和典型厂商的调研以及桌面研究，遴选出在智能决策市场中具备成熟解决方案和落地能力的入选厂商。
爱分析对本次智能决策项目重点研究的特定市场定义如下。同时，针对参与此次报告的部分代表厂商，爱分析撰写了厂商能力评估。
应用于金融行业的智能决策解决方案，金融行业包括银行、互联网金融公司、证券公司、保险公司、互联网金融公司、汽车金融公司等参与者，解决方案主要被用于满足智能营销、智能风控、智能核保等需求。
金融行业对智能决策的需求既具有代表性，又具有独特性。代表性主要体现在数据治理赋能、可解释性和全局决策能力体系三个方面。独特性主要体现在信创要求和动态决策需求两个方面。
甲方需要数据治理赋能。金融行业是数字化转型的排头兵，具有大量数据沉淀。智能决策解决方案需要站在“数据巨人”肩膀上发挥作用，因此对数据治理能力有较高要求，比如建立数据规则、打通数据孤岛、数据集中管理等。当前，较多有实施智能决策项目意向的金融机构不具备优良的数据治理能力，以至于难以满足智能决策需求，边治理数据边推进智能决策项目进程已成为现实。因此甲方需要得到来自厂商的数据治理赋能。
甲方对信创有显著需求。近几年，信创（信息技术应用创新）浪潮正在席卷整个数字化领域。根据行政规划，信创事业推进具有鲜明的行业特征。推进节奏可以总结为“2+8”，“2”指党政，“8”指金融、医疗等八大关乎国计民生的重点行业，金融行业属于信创重点推进行业。金融机构包括银行、保险、券商、消费金融等多个细分类型，其中银行是智能决策市场的核心客群。相较于其他金融机构，相关部门对银行有更高的信创要求。
智能决策需要具备可解释性。智能决策在金融行业的诸多应用场景中，有些应用场景看重效果，不太需要决策背后的解释，例如营销场景，而有些场景不仅看重效果，还需要背后的解释，例如风控场景。在风控场景下，银行根据智能决策结果，决定不给某个客户提供贷款，则需要出具相应的解释。随着人工智能解决复杂问题能力的提升，其解释性持续减弱。对于金融机构而言，需要厂商提供具有可解释性的智能决策解决方案，对于“黑盒”则较难接受。
全局决策能力体系重要程度持续提升。金融机构的较多场景对智能决策有需求，包括管理层面和营销、风控、反欺诈、核保等运营层面，致力于提升决策效率和准确率，最终实现人效和用户体验提升。厂商在满足甲方需求时分为单点式、单线式和全局式三种形式。单点式指在某个细分应用场景实现智能决策，比如某金融机构推出新产品，需要在老客户名单中寻找购买意向最高的群体，此时可以借助智能决策的力量。单线式指实现某一类细分场景的智能决策闭环，比如信贷风控可以分为贷前、贷中、贷后，可以借助智能决策的力量实现甲方整个信贷业务的智能决策。全局式指实现多个大类场景的智能决策，以银行为例，包括营销、风控（含交易监控、反洗钱、反欺诈等）、运营等。随着智能决策在金融领域的价值释放，金融机构对全局决策能力体系的偏好逐渐加强。
甲方需要解决动态决策类问题。主流的智能决策解决方案主要应用于偏静态的决策环境，面对动态环境则较为吃力。金融行业智能决策相关的动态环境包括但不限于竞争对手的反应、最新的金融政策、客户的反应等因素。随着静态决策环境下自身需求得到较充分满足，金融行业的甲方开始关注“如何在动态环境中持续、快速找到最优决策”的问题。
金融行业的甲方核心需求对厂商能力提出多项要求，分别是数据治理能力、信创能力、决策结果解释能力、丰富的金融项目经验、行业Know-how和“强化学习+环境学习”能力。
厂商需要具备数据治理能力。良好的数据治理能力是实施智能决策解决方案的前提，但受限于金融机构数据治理能力难以满足需求，因此需要智能决策厂商亲自上阵向甲方输出数据治理能力。基础要求：厂商具备建立数据平台的能力，将分散于各个系统的、对智能决策有价值的数据来进行集中管理。
厂商需要符合信创资质。厂商需要向甲方证明自身的信创实力。在项目实践中，厂商主要通过信创组织身份、底层国产软硬件产品互认证书、信创项目案例、信创环境测试报告和国家信创产品名录（非公开）五种方式来证明。
信创工委会是重要的信创组织，“信创”一词便由其提出，厂商加入其中获得成员身份对厂商参与有信创要求的项目较为重要。底层国产软硬件产品互认证书指智能决策厂商需要和国产芯片、操作系统、数据库和中间件厂商进行适配工作并取得证书，比如龙芯、麒麟操作系统、达梦数据库等厂商。信创环境测试报告指智能决策厂商将产品置于信创环境，取得相关测试报告，以证明可用性。
厂商应具备智能决策的结果解释能力。智能决策有多条技术路径，包括机器学习、深度学习、强化学习、规则引擎、运筹优化等。深度学习可解释性较差，更适用于图像识别，人脸识别等不需要解释的场景，若厂商仅具备深度学习能力，并且甲方需要智能决策解决方案具备较强的可解释性，则二者不匹配。
为了增强结果解释能力，主要有两种方法。第一种方法，采用“专家经验+模型”的体系增强可解释性，引入专家的先验知识，作为建模和调优的依据。第二种方法，引入“因果学习”，通过因果学习可以找到决策的驱动因子，从而提升可解释性。
深厚的行业Know-how是构建全局决策能力体系的必备条件。从能力禀赋出发，可以将智能决策厂商大致分为两类，一类是通用型算法公司，提供算法建模工具，技术积累深厚但行业Know-how通常相对较弱。另一类是行业性公司，他们先运用行业专家经验确认场景所需方向，再结合算法把场景落地，行业Know-how积累深厚但技术Know-how通常相对较弱。
智能决策厂商应该实现价值交付，而不是模型交付。不仅要能够提供智能决策模型的能力，还要提供模型构建、管理、投放、分析到产生模型的业务报告这一套完整流程。厂商需要对智能决策的金融业务场景足够熟悉，才能设计金融场景智能决策全局体系。相较于技术Know-how，行业Know-how是厂商更为重要的能力，它是厂商构建金融机构全局决策能力体系的必备条件。
厂商需要具备“强化学习+环境学习”能力。“如何在动态环境中持续、快速找到最优决策”是甲方逐渐关注的问题，机器学习、深度学习、运筹优化等典型技术路径较难应对，厂商需要用新解法应对新需求，而“强化学习+环境学习”具备相应能力。
强化学习善于应对复杂化、精细化决策场景，通过智能体与决策环境持续地交互和反馈，在动态环境中找到最优决策。但强化学习的落地存在阻碍，一方面是数据需求大，即使金融机构数据沉淀较为丰富，在满足强化学习数据需求方面仍较为吃力；另一方面是存在试错阶段，金融机构相较于交通运输、制造业企业更能接受试错，但仍然存在一定的落地阻碍，明知有错而为之对于CIO或者业务领导而言不是明智之举。强化学习存在的问题，在引出环境学习后，可以迎刃而解。环境学习综合了专家知识、机理模型和数据驱动的机器学习能力，能够构建更为精准的虚拟环境，可以帮助强化学习做低成本试错和策略迭代。强化学习+环境学习是解决“如何在动态环境中持续、快速找到最优决策”问题的有效手段。
上海斐波那契人工智能科技有限公司(简称FiboAI)成立于2020年11月，核心团队成员来自上海交通大学，并拥有在FICO、广发、平安、人保等知名科技公司和金融机构的从业经验。FiboAI聚焦智能决策领域，采用“规则引擎+机器学习”技术路径，助力企业发掘数据背后的规律，全方位提升决策能力。目前，FiboAI已服务银行、保险、零售、医疗等行业的多家客户。
数字决策平台（DDP）是FiboAI自主研发的智能决策产品体系，包含EngineX-智能决策引擎、ModelX-机器学习平台和DataX-数据分析平台三款产品，它们分别为数字决策平台（DDP）提供专家决策、模型决策及数据决策支持。FiboAI既提供标准产品，也提供定制化解决方案、行业模型开发和咨询服务。
厂商评估： 在技术方面，FiboAI采用“规则引擎+机器学习”技术路径，其决策结果先天具备较强解释性。在产品与交付方面，FiboAI具有轻量化且标准化的产品和较快的交付速度，是智能决策市场的“轻骑兵”，尤其适合需求简单、明确，周期短的智能决策项目。除标准产品外，FiboAI还可以提供可兼容企业现有系统架构与业务流程的定制化智能决策解决方案，有利于金融机构减少费用投入。
FiboAI采用“规则引擎+机器学习”技术路径，决策结果具备较强解释性。智能决策在金融行业的诸多应用场景中，有部分场景对解释性有要求。FiboAI采用“规则引擎+机器学习”技术路径，其中规则引擎输出的决策结果先天具备较强解释性。另外，规则引擎技术路径有利于解决企业冷启动需求，比如银行开辟一条新业务线，缺乏相应数据，其他技术路径在缺乏数据的情况下容易陷入“巧妇难为无米之炊“的困境，而规则引擎依托专家经验，通过共建规则库，可以顺利渡过冷启动阶段。
FiboAI是智能决策市场的“轻骑兵”，尤其适合需求简单、明确，周期短的智能决策项目。相较于其他智能决策厂商而言，FiboAI的产品更加轻量化和标准化，更适合贴近细分场景的单点式需求。例如，某保险公司有42个各自为政的业务系统，因发送策略混乱导致消息重发、漏发、误发、频发、无效发送等情况，引起较多客诉，该企业与FiboAI合作后，与此相关的客诉率下降90%以上，并节省了75%的消息发送费用成本。再比如，在国家防范电信诈骗和反洗钱的大背景下，某银行需要对客户的账户交易情况进行监控以便及时发现异常用户，并需要有专业实时计算能力和关联分析能力的厂商，该银行与FiboAI合作后，从单一的事后分析变成实时拦截和事后分析相结合，更精准地实现防范电信诈骗和洗钱。
FiboAI规则引擎使用门槛较低，不需要要代码知识，业务人员可以自行通过规则集、评分卡和决策表等个性化的配置页面，实现不同金融业务场景下的规则配置，学习成本比较低。另外，在项目的试运行阶段，规则引擎相较于其他路径有更快的迭代速度，因为规则引擎更加灵活，调整单独的指标即可，而模型则需要重新训练。轻量化且标准化的产品，低学习成本以及更快的迭代速度，使得FiboAI拥有更短的交付周期，平均交付周期只有一周左右。因此，FiboAI比较适合需求简单、明确，周期短的智能决策项目。
FiboAI可以提供不颠覆企业现有系统架构与业务流程的定制化智能决策解决方案，有利于金融机构减少费用投入。FiboAI可以提供与金融机构各类系统灵活交互，可兼容现有系统架构与业务流程的定制化智能决策解决方案。金融机构无需耗费高额的时间成本和资金成本改造现有系统，即可实现智能决策产品的顺利落地。
北京九章云极科技有限公司（简称九章云极DataCanvas）成立于2013年，是中国数据智能基础软件领军者。九章云极DataCanvas通过自主研发的一系列企业级AI应用所需的平台软件产品及解决方案，助力用户实现数智化升级，推动政府和企业AI规模化应用，致力于实现AI普惠。当前，九章云极DataCanvas自主创新的产品和解决方案已在政府、金融、通信、制造、交通、航空、能源、教育、地产和互联网等十大行业落地应用。
DataCanvas APS机器学习平台是面向数据科学团队的一站式数据分析平台，集数据准备、特征工程、算法实现、模型开发、模型发布、模型生产化管理于一体，帮助企业快速构建数据分析应用。
DataCanvas RT 是企业分布式流数据实时处理、分析和决策的中心，能够接入多种数据流进行实时处理和分析，是将ETL、业务模型、机器学习、人工智能、可视化扩展到实时数据分析的软件产品，加速了“实时智能”在政府和企业各类业务场景的落地应用。
DataCanvas BAP面向业务自动建模平台是面向业务人员的低门槛、全流程、一站式决策分析自动建模平台，提供从数据加工管理，模型训练评估，到决策分析可视化的完整业务闭环数据科学综合平台。
厂商评估： 九章云极DataCanvas的产品化程度高，以一站式数据分析平台为抓手显著缩短数据和智能决策模型之间的距离。对于金融机构的“动态问题”、“低解释性”等行业痛点，九章云极DataCanvas依托深厚的人工智能技术积累可以有效解决。并且，九章云极DataCanvas广泛覆盖智能决策应用场景，具备构建金融机构全局决策能力体系的实力。
九章云极DataCanvas推出一站式数据分析平台，显著缩短数据和智能决策模型之间的距离。九章云极DataCanvas的核心产品之一DataCanvas APS机器学习平台，是面向数据科学团队的一站式数据分析平台，集数据准备、特征工程、算法实现、模型开发、模型发布、模型生产化管理于一体，帮助企业快速构建数据分析应用，显著缩短数据和智能决策模型之间的距离。DataCanvas APS机器学习平台为数据科学家、应用程序开发人员和业务专家提供了一套高效的工具，可以实现跨组织、跨部门人员的相互协作、资源共享，轻松地处理和使用多元数据来大规模地构建、训练和部署模型。
九章云极DataCanvas为了降低建模人员门槛，推出DataCanvas BAP面向业务自动建模平台，这是一个面向业务人员的低门槛、全流程、一站式决策分析自动建模平台。DataCanvas BAP打造建模新范式，让业务人员也具有成为数据科学家的潜力，有利于金融机构降低对数据科学人才的依赖程度，有效解决招聘难、人力成本高等问题。
九章云极DataCanvas融合多条智能决策技术路径，实现优势互补。九章云极DataCanvas成立于2013年，聚焦数据智能，在AI技术方面具有深厚积淀。九章云极DataCanvas坐拥比较完备的“AI武器库”，包括机器学习、深度学习、时间序列、因果分析、运筹优化、强化学习和环境学习等，可以从容应对智能决策场景的诸多需求和行业痛点。例如，金融机构作为智能决策实践的领头羊，愈发关注“如何在动态环境中持续、快速找到最优决策”的问题，九章云极DataCanvas可以通过“强化学习+环境学习”的技术组合来解决。再例如，金融机构在一些场景需要智能决策具有较高解释性，九章云极DataCanvas可以引入因果分析来解决，通过因果学习找到决策的驱动因子，从而提升可解释性。
九章云极DataCanvas具备构建金融机构全局决策能力体系的实力。九章云极DataCanvas已服务浦发银行、兴业银行、中原银行等多家金融机构，助力金融机构在智能信贷风控、智能反欺诈、实时推荐、精准营销、量化投研、投后预警、网点运营分析等场景实现智能决策。九章云极DataCanvas当前的金融机构客户以单一场景智能决策需求居多，例如贷后风控预警、营销线索挖掘等，但九章云极DataCanvas已具备构建金融机构全局决策能力体系的实力典型客户：
北京数势云创科技有限公司（简称数势科技）成立于2020年4月，是一家数据智能平台与技术服务提供商。数势科技凭借丰富的金融和消费领域业务Know-how及技术沉淀，通过包括数据资产云、经营分析云、智能营销云在内的一系列智能决策产品，助力金融、零售等行业公司实现数字化升级。
数势科技的企业数字大脑，是一个由AI和知识驱动的一站式智能决策平台，包括数据资产云、经营分析云和智能营销云三款核心产品。
数据资产云：为企业提供指标规范标准定义、口径统一的加工过程、灵活自助的指标应用和服务。
经营分析云：基于统一口径指标体系的经营分析平台，除驾驶舱的全面追踪外，还有智能决策诊断、目标what-if测算、部门系统对齐能力。
智能营销云：以用户全生命周期管理为核心，基于客户数据、客户分析和客户旅程三大产品模块，满足企业用户资产沉淀、用户识别、用户洞察、需求预测、策略制定与优化等智能营销需求。
厂商评估： 数势科技可以提供“技术咨询诊断+数据治理+隐私计算+场景级智能决策建模+陪伴式运营服务“的用户运营端到端智能决策服务。数势科技核心技术团队具有京东和平安金融科技的从业经历，擅长基于高并发环境设计解决方案，能够胜任金融机构高频次决策的场景需求。数势科技产品技术自主可控，不仅是北京信创工委会会员单位，同时获得了麒麟操作系统、达梦数据库和人大金仓数据库的信创适配认证，满足金融机构信创要求。
数势科技提供专业的数据治理服务，为高效、高质量地输出决策结果打好基础。数势科技创始人黎科峰博士曾在平安金融科技担任CTO，推动了集团用户数据的全面打通，并对外进行金融科技赋能；曾在京东作为零售中台负责人和技术委员会主席，推动了京东零售的数字化转型。数势科技以数据中台为抓手，具备出色的数据治理能力，为智能决策系统高效、高质量地输出决策结果打好基础。面对数据治理能力较弱的金融机构，数势科技掌握将数据治理项目与智能决策项目同步推进的方法论，有利于智能决策效果快速验证和缩短整体项目周期。
数势科技具备隐私计算技术，在保障数据安全的前提下有利于增强模型精准度。除了内部数据，金融机构还需要行外数据支持决策，例如信用卡申请场景需要和银行外企业合作，通过可用不可见的隐私计算，在保障合规性的条件下引入更多数据，有利于增强模型精准度。数势科技具备隐私计算技术，可以有效帮助金融机构扩散数据来源口径，助力输出高精度决策模型。
通过场景级智能决策建模和陪伴式运营服务，数势科技为金融机构提供好用的用户运营端到端智能决策服务。数势科技脱胎于京东和平安金融科技，基于大型互联网企业的用户数字化运营实践经验，可为金融行业用户运营智能决策体系实现全链路赋能，用以解决精细化分层分群策略缺失、客群识别不精准、策略覆盖时效性低等一系列痛点。面对业内常出现的“智能决策模型跟业务场景结合度不高，难以落地”弊病，数势科技有成熟的应对策略：不直接提供通用模型，而是依托丰富的金融行业Know-how，聚焦贴近场景的模型。例如预流失客户的识别模型、信用卡向财富管理导流的决策模型等，模型价值一目了然，便于应用落地。智能决策项目正式上线之后，数势科技可以为金融机构提供陪伴式服务，支持驻点和远程等多种方式。
具备“高并发、低耦合、信创”特点，数势科技智能决策解决方案贴合金融机构技术要求。数势科技核心技术团队具有京东和平安金融科技背景，擅长基于高并发环境设计解决方案，能够胜任金融机构高频次决策的场景需求。数势科技产品之间可以解耦，产品里的微服务之间也可以解耦，金融机构不需要把现有平台推翻，只需补齐欠缺的功能即可实现平台升级，有利于金融机构快速且较低成本地建设用户运营全链路决策能力。因为金融行业在诸多行业中数字化转型比较靠前，金融机构的相关产品、系统较多，较难接受颠覆性的智能决策解决方案。金融行业属于信创重点推进行业，数势科技重视信创，现已加入北京信创工委会，成为会员单位。同时还获得了麒麟操作系统、达梦数据库和人大金仓数据库的信创适配认证，满足金融机构信创要求。
同盾科技有限公司（简称同盾科技）创立于2013年，是中国领先的人工智能科技企业，专注决策智能先进技术研发和应用。同盾科技坚持自主科技创新，形成了“基于隐私计算的共享智能平台-智邦”和“基于人工智能的决策智能平台-智策”两大平台，聚焦于金融风险、安全风险、政府治理风险三大场景，帮助客户提升风险管理能力，优化决策效率，释放数字生产力的价值，至今已有超过一万家客户选择了同盾科技的产品及服务。
同盾科技围绕决策智能主线，搭建了“基于隐私计算的共享智能平台智邦”和“基于人工智能的决策智能平台智策”，在两大平台的基础上，同盾科技不断完善智能决策相关软件产品体系，包含：大数据平台、决策引擎平台、指标平台、模型平台、智能运营平台、知识图谱等，致力于打造一整套基于知识洞察的决策体系，涵盖数据收集、治理到模型训练、自动化决策、模型自动调优等环节，实现决策闭环。
厂商评估： 同盾科技在数据治理能力、隐私计算技术、金融行业风控模型、定制化服务等四个方面具备突出优势。同盾科技依托专业的数据治理能力，助力金融机构打造智能决策所需的数据底座，提升决策效率和质量；同时积极探索隐私计算，通过提升数据流动性来扩展智能决策可用的数据资源；在此基础上，通过机器学习、 决策引擎、知识图谱等技术的组合应用，构建多业务、多场景的规则、策略及AI模型，实现营销、反欺诈、信贷风控等各业务链条的智能化决策体系。如今，同盾科技已服务400+银行客户，拥有丰富的金融项目经验，凭借深厚的行业Know-how，同盾科技完成对营销、风控、运营等多个场景的覆盖，具备构建全局决策能力体系的能力。在交付方面，同盾科技提供紧贴场景需要，可为有个性化需求的金融机构提供定制化的产品解决方案。
同盾科技具备专业数据治理能力，助力金融机构打造智能决策所需的数据底座。良好的数据治理能力是实施智能决策解决方案的前提，但受限于金融机构数据治理能力难以满足需求，因此需要智能决策厂商能够输出数据治理能力。
同盾科技的产品矩阵包含星河大数据平台和极溯指标平台，星河大数据平台具备海量数据存储、加工及分析处理一站式服务能力，可以将金融机构分散于各个系统的、对智能决策有价值的数据进行集中管理，极溯指标平台是包括实时指标、离线指标和特征工程的一体化平台。
同盾科技探索隐私计算技术并推出相关产品，通过提升数据流动性来扩展智能决策可用的数据资源。金融机构数据敏感，即使在内部部门、分支机构间也有流动限制，因此需要借用隐私计算的“数据可用不可见”能力，降低数据流动限制。同盾科技基于联邦学习、多方安全计算等隐私计算技术推出了共享智能平台智邦，该平台定位于支撑数据安全交互与知识共享、实现数据价值的基础设施。
同盾科技拥有丰富的金融项目经验，覆盖场景广泛，具备构建全局决策能力体系的能力。金融行业包括多个子行业，同盾科技已经实现较大范围覆盖，包括银行、保险、汽车金融、互联网金融等。银行是智能决策市场的核心客群，也是同盾科技的核心客群。目前，同盾科技已为累计400多家银行提供了包含零售信贷风险管理、小微信贷风险管理、交易反欺诈、营销及客户价值管理、数据安全管理、智能运营管理等解决方案，帮助银行优化决策效率，改善用户体验。在银行类型方面，同盾科技的客户涵盖国有大行、全国性股份制银行、城商行和农商行等多种类型。在标杆客户方面，同盾科技已与六大国有银行均建立稳定的合作关系。
金融机构的较多场景对智能决策有需求，包括管理层面和营销、风控、反欺诈、核保等运营层面。厂商在满足甲方需求时分为单点式、单线式和全局式三种形式。随着智能决策在金融领域的价值释放，金融机构对全局决策能力体系的偏好逐渐加强。同盾科技在金融领域覆盖场景广泛，涉及精准营销、智能风控、智能运营等多个大类场景，并且同盾科技在场景丰富度方面持续深耕，未来将向量化分析、风险传导、营销安全等方面拓展。
同盾科技提供紧贴场景需求，可为金融机构提供定制化的产品解决方案。考虑到金融机构的个性化需求，同盾科技根据反欺诈和风控、信用贷款申请、汽车租赁场景、收单和支付等场景，分别推出交易版决策引擎、信贷版决策引擎、商户版决策引擎等。此外，对于个性化需求更为强烈的客户，同盾科技推出“咨询+系统”的服务模式，凭借拥有深厚技术背景、业务背景及咨询背景的综合性业务专家资源，同盾科技根据客户的实际需求，结合客户数据禀赋、业务渠道、产品特性等情况，为客户提供定制化的产品解决方案，对单元化的智能决策产品体系进行可零可整的灵活配置以及二次开发。
应用于消费品与零售行业的智能决策解决方案，消费品与零售行业包括零售商超、品牌商、电商等，解决方案主要被用于满足智能营销、智能定价、智能补配调等需求。
头部零售商超是消费品与零售行业智能决策解决方案市场的的核心客群。专家经验面对海量SKU和消费者愈发捉襟见肘，难以高效且正确地做出决策，这是驱动智能决策在该行业落地应用的主要因素。消费品与零售行业的甲方有两项常规核心需求，分别为数据治理赋能和决策结果可解释性，属于跨行业的共性需求。该行业的甲方也有自己的独特需求，分别为供应链优化和用户运营，致力于打造涵盖“买”与“卖”全流程的智能决策体系。
甲方需要数据治理赋能。金融机构作为数字化转型的排头兵，尚需补足用于智能决策的数据治理能力，其他行业则更加需要。在消费品和零售行业，除头部电商之外，其他企业的数据质量和完整性普遍存在缺陷，若直接应用智能决策将会出现明显偏差。智能决策解决方案需要站在“数据巨人”肩膀上发挥作用，因此对数据治理能力有较高要求，比如建立数据规则、打通数据孤岛、数据集中管理等。当前，较多有实施智能决策项目意向的消费品和零售企业不具备优良的数据治理能力，以至于难以满足智能决策需求，因此甲方需要得到来自厂商的数据治理赋能。
甲方通过智能决策实现更加精准的用户运营。智能决策在消费品与零售行业渗透率较低，主要应用于头部企业。这些头部企业要通过智能决策实现更加精准的用户运营，主要体现在两个方面。首先是智能人群圈选，当前的意向人群圈选方式主要依赖运营人员的经验，随着用户运营的深入，传统方式愈发吃力，会出现较多的误判和遗漏。智能决策可以实现智能圈选，不但可以准确快速地圈选出意向人员，而且可以根据营销效果进行自动调优。其次是个性化运营，当前甲方大多在用户整体运营方面已经非常成熟，但能做到个性化运营的非常稀少。甲方大多在全国用一套策略，往往难以贴合实际情况，导致效果打折扣。甲方需要个性化运营，致力于做到“门店级差异化运营”。
甲方通过智能决策实现供应链优化。供应链对于消费品与零售行业至关重要，甲方对此非常重视，但仍然存在缺货、高库存、SKU臃肿、门店个性选品策略缺失等问题。例如SKU臃肿问题，该问题在商超业态非常明显。商超倾向追求大而全，导致SKU数量骤增，当甲方意识到一些SKU并非必要且不盈利的时候，试图做“减法”。可面对数万乃至数十万SKU时，如何快速准确地挑选出需要剔除的商品成为一个难题，专家经验失灵，智能决策因此受到较多关注。
消费品与零售行业的甲方核心需求对厂商能力提出多项要求，分别是数据治理能力、顶级行业Know-how、构建供应链全链路决策体系的能力和决策结果解释能力。
厂商需要具备数据治理能力。良好的数据治理能力是实施智能决策解决方案的前提，但受限于甲方数据治理能力难以满足需求，因此需要智能决策厂商亲自上阵向甲方输出数据治理能力，包括数据汇聚、统一口径、数据清洗和数据维护等方面。
厂商需要顶级行业Know-how。智能决策在消费品与零售行业渗透率较低，主要应用于头部企业。这些头部企业希望能够通过智能决策实现更加精准的用户运营，难点不在于技术，而是行业Know-how。从表明来看，精准用户运营主要体现在智能人群圈选和个性化运营两个方面，往更深层次分析，这些需求的实现需要建立在“更精细人群标签体系”之上。如此，才能发挥智能决策的价值，进而实现根本性的用户运营能力升级。面对行业头部企业，一般的行业Know-how难以在人群标签体系方面指导他们，智能决策厂商需要站在更高的维度向下输出，才能全方位地、根本性地助力甲方提升用户运营能力。
厂商需要具备构建供应链全链路决策体系的能力。结合甲方在供应链优化方面的需求分析，单点式的能力难以满足其需求，厂商需要具备构建供应链全链路决策体系的能力。供应链全链路决策体系至少包括品类结构优化、预测补货和智能选品三部分。品类结构优化：缩减商品数量，需要商品结构优化，在采购端有利于品类管理，在销售端也不需要频繁更新商品。预测补货：降低缺货率，提高库存周转率，提高资金使用效率。智能选品：为门店选择正真适合的商品，提升资金使用效率，减少库存占用。
北京数势云创科技有限公司（简称数势科技）成立于2020年4月，是一家数据智能平台与技术服务提供商。数势科技凭借丰富的金融和消费领域业务Know-how及技术沉淀，通过包括数据资产云、经营分析云、智能营销云在内的一系列智能决策产品，助力金融、零售等行业企业实现数字化升级。
数势科技的企业数字大脑，是一个由AI和知识驱动的一站式智能决策平台，包括数据资产云、经营分析云和智能营销云三款核心产品。
数据资产云：为企业提供指标规范标准定义、口径统一的加工过程、灵活自助的指标应用和服务。
经营分析云：基于统一口径指标体系的经营分析平台，除驾驶舱的全面追踪外，还有智能决策诊断、目标what-if测算、部门系统对齐能力。
智能营销云：以用户全生命周期管理为核心，基于客户数据、客户分析和客户旅程三大产品模块，满足企业用户资产沉淀、用户识别、用户洞察、需求预测、策略制定与优化等智能营销需求。
数势科技基于数十家客户的最佳实践，总结出“GASO”智能决策模型，并在京东零售方法论加持之下，以智能决策为切入点，助力消费品与零售行业数字化升级。数势科技聚焦服务大型零售商超和品牌商，帮助其构建“买卖”两端的高效决策体系。“买”端，即构建供应链全链路决策体系，实现企业在品类结构优化、预测补货和智能选品三方面的核心需求。“卖”端，即用户运营，企业不但能深耕垂直用户群体，还能实现“千店千面”的个性化运营。
数势科技基于丰富的最佳实践提出智能决策方法论GASO（目标Goal、分析Analysis、策略Strategy、优化Optimization）智能决策模型。GASO模型以数据为基础，将战略目标层层拆解到可被一线执行的业务目标；并匹配相应的量化指标体系，找到阻碍目标达成的问题，进行归因和预测；之后再做出相应的策略设计与实施；最后根据监测的数据，对策略进行持续优化。比如在一次促销活动中，首先需要先确定活动目标，比如拉新；然后收集相关数据，并进行潜在用户、用户需求洞察、商品偏好、定价等分析；然后基于分析洞察的结论，制定和实施相关的选人选品定价等策略；并在活动过程中去实时监测活动数据，及时调整相关策略。数势科技基于数十家客户的最佳实践，总结出“GASO”智能决策模型，对于消费品与零售行业客户具有较高的普适性。
数势科技专注零售指标平台，帮助企业沉淀“全面、统一、易用”的数据资产，为高效、高质量地输出决策结果打好基础。数势科技在消费品与零售领域的核心客群之一是零售商超，已经服务了包括永辉、沃尔玛、中百在内的多家头部零售商超。数势科技创始人黎科峰博士曾在京东作为零售中台负责人和技术委员会主席，推动了京东零售的数字化转型，在零售领域拥有行业头部经验。数势科技认为数据底座是智能决策的重要基础，其中指标平台更是重中之重。
指标平台是企业的指标资产中心，包含指标体系管理、加工和服务产品能力，帮助企业沉淀“全面、统一、易用”的数据资产。指标平台向上灵活支撑业务需求，响应企业领导、业务部门、分析师等角色不同领域、粒度、时效的数据需求；向下深度连接数据仓库，梳理、记录、优化企业数据治理过程中的资产，优化数仓模型，并建立数据运营规范。数势科技指标平台具有“标准设计、统一加工；一次定义、随处使用”的优点。同时，经过和永辉、沃尔玛等头部零售商超的合作之后，数势科技指标平台在丰富度和专业度方面有一定优势。
数势科技整合京东、阿里等互联网平台用户运营方法论，结合线下及全渠道零售的最佳实践，助力消费品与零售行业的用户运营能力再上新台阶。智能决策在消费品与零售行业渗透率较低，主要应用于头部企业。面对行业头部企业，一般的行业Know-how缺乏指导价值，智能决策厂商需要站在更高的维度向下输出。京东、阿里等互联网平台用户运营方法论加持的数势科技具有先天优势。在用户运营方面，数势科技的方法论主要包括三个方面。首先，数势科技为企业构建更加精细的用户标签体系；其次，数势科技赋予企业智能人群圈选能力，企业不但可以准确快速地圈选出意向人员，而且可以根据营销效果进行自动调优；最后，数势科技可以支持企业个性化运营，做到“千店千面”。
数势科技的用户运营方法论不仅适用于零售商超，也适用于品牌商。品牌商距离终端门店距离较远，难以透过层层渠道商对终端门店施加影响。数势科技基于算法模型，可以帮品牌商寻找高潜力门店。然后通过智能决策，数势科技助力品牌商为高潜力终端门店提供个性化运营策略建议，提升效率和业绩，为自身发展注入新动力。
数势科技具备构建供应链全链路决策体系的能力，尤其擅长品类结构优化。供应链全链路决策体系包括品类结构优化、预测补货和智能选品三个核心部分，数势科技均具备相关能力。由于SKU过多，企业往往需要进行品类机构优化，删除盈利不足的单品。在分析各单品盈利能力时，分析模型尤为重要，每一个单品需要考虑进货价、出货价、履约成本、库存损耗、营销成本，商家返利，以及各项成本的分摊逻辑。分析模型较为复杂，很多头部消费品和零售企业也难以输出专业、严谨的分析模型。数势科技基于京东零售的能力沉淀，以及和北京航空航天大学在智慧供应链方面的研究结果，在品类结构优化方面具有领先优势，并在多家行业头部企业落地应用。
应用于国防军工行业的智能决策解决方案，国防军工行业包括军委各部委、海军、陆军、空军、战略支援部队、军事科学院、国防军工相关大学、国防军工相关企业等，解决方案主要被用于作战综合博弈、兵棋推演、无人机作战规划、军事物流调度、目标识别、行为预测、危机预警、装备维修时机判断等需求。
高超音速飞机、高超音速导弹等“速度型”装备的出现，加快了战场节奏，瞬息万变的战场强调决策时效性；无人机等无人装备的加入，改变战争构成要素、作战观念、组织形态和保障模式，增加了作战编排难度；对假想目标全方位监控产生的海量信息，靠人力难以找到威胁点，阻碍决策推进。这些是驱动智能决策在国防军工行业落地应用的主要因素。军委各部委、海军、陆军、空军、战略支援部队、军事科学院、国防军工相关大学、国防军工相关企业等角色对智能决策均有需求，核心需求包括以下四项。
甲方需要得到来自厂商的情报治理赋能。甲方基于开源数据对假想目标进行全方位监控，会产生大量数据，如果没有强大的情报治理能力，数据价值将难以体现，例如无法识别威胁信息，无法评估假想目标各方面能力情况等。
甲方需要有国防军工行业Know-how的厂商。国防军工行业敏感性高，厂商不容易做行业积累，并且行业人才难以在社会面流动，招聘难度大。导致智能决策厂商大多不具备国防军工行业Know-how，如果不能够结合业务理解去做国防军工项目，成功率通常比较低。
甲方需要具备多场景智能决策解决方案的厂商。国防军工行业在多个场景对智能决策有明确需求。相关场景包括作战综合博弈、兵棋推演、无人机作战规划、军事物流调度、目标识别、行为预测、危机预警、装备维修时机判断等。甲方通常更倾向与能应对多个场景的厂商进行合作。
甲方需要可信智能决策。国防军工行业对智能决策有两方面的可信需求。一种原因是决策结果可解释性，例如对无人装备打击逻辑的解释；另一方面是自主可控，强调产品信创以及国产生态适配能力。
国防军工行业的甲方核心需求对厂商能力提出多项要求，分别是情报治理能力、相关项目经验、技术丰富度、决策结果解释能力和信创能力。
厂商需要具备情报治理能力。甲方基于开源数据对假想目标进行全方位监控，会产生大量数据，甲方需要通过强大的情报治理能力，利用模型对数据来进行加工、筛选、归纳等处理，充分发挥数据价值。例如识别易被忽略的威胁信息、解析条令法规等。
厂商需要有丰富的国防军工项目经验。国防军工行业并非“为了智能而智能”，而是以解决实际业务问题为导向。国防军工行业的甲方对厂商项目经验非常看重，不仅仅看重数智技术。这就要求厂商必须有耕耘国防军工行业的决心并且取得一定效果。
厂商需要具备多种技术路径，来应对甲方的多场景需求。国防军工行业的多场景智能决策需求通过需要多技术融合才能满足，要求厂商有丰富的技术积累。例如偏装备级的博弈场景需要强化学习，意图识别厂商需要深度学习，军事物流规划需要运筹优化和强化学习。
厂商需要具备决策结果解释能力以及信创能力。为了满足甲方对可信智能决策的需求，厂商需要在决策结果解释和信创能力两方面下功夫。“可解释性”在国防军工行业的大部分场景不是刚需，厂商需要与甲方沟通了解到哪些个别的场景对可解释性有需求，通过引入专家经验协助解释或者采用解释性比较高的技术路径针对性地满足甲方需求。在信创方面，厂商需要减少对开源软件和组件的使用，并积极融入国产信创生态之中，与国产芯片、操作系统、数据库进行适配。
厦门渊亭信息科技有限公司（简称渊亭科技）成立于2014年，专注认知决策智能领域，在知识图谱、图计算、强化学习、机器学习和深度学习等领域拥有核心技术优势与领先的工程化能力。渊亭科技聚焦国防军工、金融、政务、工业互联网四大行业，为客户提供包括DataExa-Sati认知智能平台、DataExa-Nash多智能体协同决策平台、DataExa-Karma智能决策平台在内的30余款自主研发产品。在国防军工行业，渊亭科技已服务诸多单位，并斩获过多个军委、军种级别智能博弈类赛事冠军及重要奖项。
渊亭科技致力于打造“一站式AI+国防军工”产品体系，以多智能体强化学习、认知推理、数字孪生等技术为基础，针对情报分析、装备体系、仿真推演、指挥控制等方向，提供面向全角色和全生命周期、贯穿军事作战各个要素和环节的智能化解决方案。
渊亭科技有四款面向国防军工行业智能决策方向的核心产品，它们分别为：DataExa-Karma智能决策平台、天衍作战仿真推演系统、天衍智能任务规划系统与天衍多智能体协同决策平台。DataExa-Karma智能决策平台是综合型的智能决策平台，整合了机器学习、深度学习、强化学习、运筹优化、规则引擎等原子智能决策能力，定位为多种智能决策能力生成和融合运用的中枢；天衍作战仿真推演系统是以多兵种联合作战、全域作战为背景的作战仿真推演平台；天衍智能任务规划系统则是基于DataExa-Karma支撑国防领域的融合决策产品，它产出的决策能力，可以应用在战斗筹划、智能调度等场景；天衍多智能体协同决策平台是一个面向作战指挥、无人系统集群协同、策略仿真等智能决策场景的高性能智能体生成系统。
渊亭科技作为国内少有的同时具备认知智能和决策智能双能力体系的人工智能厂商，深耕国防军工行业多年，凭借丰富的项目经验和行业专家资源，以成熟的产品体系为依托，为国防军工行业提供一站式AI解决方案。其完善的国防军工智能决策产品线，可满足甲方多元化场景需求。在自主可控方面，渊亭科技始终坚持走自主研发路线，所有产品均已完成国产化兼容适配认证，符合信创要求。
“认知+决策”双重核心，一站式AI赋能国防军工行业。渊亭科技是国内少数在人工智能领域同时具备“认知智能”和“决策智能”产品线的厂商。其中认知智能方向产品覆盖知识图谱构建与分析、高性能分布式图数据库、自然语言处理、大规模搜索引擎和智能问答。决策智能方向产品覆盖综合智能决策、AI全生命周期建模训练、多智能体强化学习、运筹优化等，深度融合联结主义和符号主义的优势，提供完整的一站式AI赋能。这些产品在金融、运营商、制造、能源等民用领域都有广泛的应用，且产品的健壮性、灵活性、可靠性久经验证，为国防军工行业推广应用奠定了扎实的基础。
横纵向深耕垂直赛道，战略聚焦规模化落地。渊亭科技深耕防务领域，积极参与国防数智化建设，公司具有完备的军工资质，与多所军事院校、科研院所建立了长期深入的战略合作关系。公司已服务包括军委多部委、海军、陆军、空军、战略支援部队、国防科技大学、中国兵器、中国船舶等单位，逐渐成为军事智能领域的践行者和领导者。多年“前沿探索+一线落地”的双重模式不断加深渊亭科技对业务理论和军事需求的认知与理解，为持续服务国防信息化、智能化、无人化打下了坚实基础。
产品力+场景力+服务力，构建多元化国防产品布局。基于深厚的智能技术储备，渊亭科技推出4款国防智能决策方向核心产品：DataExa-Karma智能决策平台、天衍作战仿真推演系统、天衍智能任务规划系统以及天衍多智能体协同决策平台。除此之外，还有多款应用产品作为渊亭国防产品能力地补充或延伸，例如“数据中台”与“数字战场图谱”，它们具备海量数据处理能力，能够提升甲方的情报治理和运用能力。总体来讲，渊亭智能决策产品能力覆盖多智能体强化学习、语义推理、专家系统、机器学习、深度学习和运筹优化等多个技术领域，完善的技术储备和管理，有效应对甲方的复杂场景决策需求，为智能决策能力在国防军工行业各场景的落地扫清技术阻碍。
坚持自主可控，打造可信智能决策。随着国际体系、秩序、力量的变化，国防工业的自主可控成为各国掌握战略博弈主动权的重要抓手。渊亭科技从成立开始就坚持自主研发，其核心产品代码自主率超过95%，并且所有产品均完成操作系统、芯片等在内的国产化兼容适配认证，力求核心关键技术的自主和供应链的可控。比如，在数据知识化的过程中，需要引入知识图谱类产品，较多厂商的知识图谱类产品底层是基于开源图数据库，而渊亭科技则是在其自主研发的分布式图数据库产品DataExa-Seraph上完成的，在突出的安全性、扩展性之上，针对国防典型场景开展优化，提供出色的性能。值得一提的是，在今年信通院组织的《2022年“可信 AI”评测》中，渊亭科技智能决策平台DataExa-Karma通过了“智能决策系统和工具”地评测，成为国内唯一一家在策略开发、测试发布、运维管理、分析评估和底层支撑等五个模块均达到4级标准的厂商。
五大军种、国防大学、军事科学院、国防科技大学、八个军工集团的诸多下属院所
报告编委黄勇爱分析合伙人&首席分析师李进宝爱分析高级分析师兰壹凡爱分析分析师目录1 研究范围定义2...
（文 方彬晗）企业在发展的进程中，伴随着规模的不断壮大，制度化管理显得尤为重要，除了借鉴其他优秀...
近年来,我国医工融合领域的创新成果不断涌现,为医疗健康产业的发展注入新的动能,但目前医工融合仍面临一...
近日，全球领先的IT市场研究和咨询公司IDC发布了2022年度《MarketScape：全球通用计算机视觉厂商评估》...
12月23日，由人民网主办的2022国民消费大会在北京举行。本届大会邀请政产学研的各界嘉宾共聚一堂，围绕...
照片的意义不仅在于影像的记录，同时也是承载美好记忆的一种方式。比如，宝妈可以用照片记录孩子的成长...
12月28日，坐拥1600万+粉丝的知名数码博主Marques Brownlee（以下简称MB）再度推出年度手机点评奖项。...
2022年8月28日至29日，北京市工商业联合会第十五次代表大会在北京举行，会议选举产生北京市工商联第十五...
近日，IDC发布《2022上半年人工智能及软件市场追踪报告》，报告显示，商汤科技位居中国AI软件市场第一，...
12月28日，光明日报社和经济日报社向社会联合发布了第十四届全国文化企业30强名单。包括完美世界股份有...
报告编委黄勇爱分析合伙人&首席分析师李进宝爱分析高级分析师兰壹凡爱分析分析师目录1 研究范围定义2...
近日，中国质量协会公布2022年用户满意等级评价结果，海信视像科技股份有限公司获评用户满意五星级企业...
2022年金融界中国上市公司创新发展高峰论坛于今日召开。作为金融界领航中国年会周期间的重磅活动，本次...
2022年12月27日是我国数据库学科奠基人萨师煊教授诞辰100周年纪念日。为缅怀萨师煊先生对我国数据库...
据相关数据统计，我国平均每1分钟就会发生一起心源性猝死，其中60%发生在医院外，80%由恶性心律失常引起...
儿童是新冠病毒的易感人群，感染风险比较大。随着身边阳性感染者多起来，家长们开始陷入紧张和焦虑的情...
北京时间12月17日，为期12期，陪伴网友近1个月的抖音世界杯个人观赛脱口秀节目《依然范志毅》圆满收官。...
七十多年发展历程中，知名燃热品牌能率以科技硬实力，频频推动燃热行业升级转型，赢得了消费市场的高度...
2022年是中国净水行业高歌猛进的一年。一方面后疫情时代大众对于饮水健康的重视大幅提升，市场需求升级...
双碳目标发布后，建筑行业节能减排任重道远。其中，占据建筑总能耗50%的暖通系统更是重中之重。那么，到...
时值寒冬，因时防病。白癜风没有精准检测，便没有科学有效治疗。白癜风冬天在全面精准检测基础上，持续...
大家在购买MPV的时候，都会研究MPV销量排行榜，选择销量比较好的车型。而很多人在MPV销量排行榜里都曾经...
年味渐浓，为了让消费者们轻轻松松办年货，以过年还得是京东为主题的2023年京东年货节将于12月29日晚8点...
（文 方彬晗）企业在发展的进程中，伴随着规模的不断壮大，制度化管理显得尤为重要，除了借鉴其他优秀...
报告编委张扬爱分析联合创始人&首席分析师文鸿伟爱分析高级分析师曹凤娟爱分析分析师目录1 研究范围定...
随着科技的进步,电子产品已经很普遍。孩子刚出生几个月就开始接触电子产品了。所以,现在戴眼镜的孩子...
7月5日，华宝证券正式提交主板IPO首发申请。华宝证券作为中国宝武旗下的唯一证券公司，其携带的国企全资...
年末岁尾关键时期，装备制造集团各单位全力抓好安全生产工作，突出薄弱环节、重点区域管理，强化现场管...
中华保险集团终生认养大熊猫华宝 开启大熊猫公益保护计划近期，中华保险终生认养了一只来自中国大熊猫...
文章转载于财经故事荟采写／万天南编辑／陈纪英卷王金领冠：最高增长，最快通关，让中国孩子赢在起跑线
