公司财务表现 - 2025年上半年营业收入达4.29亿元，同比增长123.98% [4] - 归属于上市公司股东的净利润为-1.09亿元，较去年同期亏损扩大 [4] - 研发投入占营业收入比例为14.69%，同比下降22.83个百分点 [4] - 经营活动产生的现金流量净额为-2.06亿元，现金流状况承压 [4] 行业发展趋势 - 中国网络安全硬件市场规模2024年达210.2亿元，预计2028年将增长至350亿元，年复合增长率5.6% [5] - 86%的中国客户将在未来1-3年内采购安全大模型产品和服务 [8] - 全球AI总投资2024年达3,158亿美元，预计2028年增至8,159亿美元，五年复合增长率32.9% [10] - 中国安全智能体相关应用市场规模预计2028年达16亿美元，年复合增长率超230% [12] 战略布局与业务拓展 - 公司战略从"网络安全可视化技术创新者"升级为"AI时代安全算力生态构建者" [15] - 成立"鲁班"AI研究院并发布"溢彩"AI交付架构，构建三位一体AI交付体系 [15][16] - 香港子公司安博通国际开展信息与通信基础设施模组业务，形成新业绩增长点 [31] - 成为低空经济专委会首批成员单位，拓展低空经济算力网络与安全支撑业务 [16] 技术创新与研发成果 - 累计获得发明专利264项，软件著作权598项，新申请专利24项 [35] - 五款核心产品入选信通院AI+网络安全产品能力图谱 [16] - 合规智能体与安全检测智能体入选IDC《中国安全智能体市场概览》报告 [16] - 研发重点包括云网策略一体化运维、资产攻击面管理平台、生成式AI行为检测系统等 [38] 产品体系与解决方案 - 安全网关产品全面适配国产化生态，实现信创产品规模化供货应用 [7] - 安全管理产品线涵盖晶石、墨影、SOAR、元溯等平台，聚焦安全运营与可视化 [25][26][27] - 推出超静音液冷智算一体机和便携式边端推理平台，支持边缘AI私域部署 [29] - 异网异构编排调度平台实现跨架构、跨云环境的多元异构计算资源统一纳管 [29] 政策与市场环境 - 2025年《政府工作报告》首次将"人工智能+"列为独立政策章节 [11] - 三项生成式AI国家标准（GB/T 45654-2025等）将于2025年11月1日实施 [12] - 《网络安全法》修订草案公开征求意见，进一步增强法律科学性和导向性 [30] - 国产化替代从党政领域延伸至各行业，释放产业链需求 [5]

财务表现 - 2025年上半年实现营业收入17.47亿元，同比增长10.55% [1] - 扣非归母净利润5217万元，同比增长47.33% [1] - 创新业务销售收入达3.68亿元，同比增长8.96%，占总营收比重21.07% [1] 业务板块 - 金融科技业务收入8.90亿元，同比增长6.06% [1] - 智能物联业务收入6.06亿元，同比增长23.85% [1] - 智慧能源信息化收入2亿元，同比增长4.65% [1] 战略定位 - 公司为面向物联网、边缘智能、数据治理及人工智能应用的专业服务商 [1] - 三大传统业务领域为金融科技、智能物联与智慧能源 [1] - 创新业务包括鸿蒙、欧拉及人工智能平台，并与华为生态合作 [1]

数据治理体系构建 - 菏泽市住房公积金管理中心通过构建科学的数据治理体系 采用"规划引领 源头治理 长效赋能"的系统性方法 建立覆盖数据采集 核验 整改的全流程管理机制 [3] - 形成分管领导牵头 业务科室分解任务 技术部门提供支撑的协同工作格局 通过建立数据质检 动态跟踪和长效管理三个台账 实现数据问题闭环管理 [3] 数字化转型成效 - 开发专门解决方案解决信息缺失 重复账户等问题 通过与公安 市场监管等部门数据对接 解决"一人多户"和单位信息不全难题 [5] - 业务系统新增21项数据校验规则 使缴存 贷款等业务办理缺项率大幅下降 实现贷款审批与缴存信息实时联动 减少材料重复提交 [5] - 推出"购房提取住房公积金无证明办理""偿还商业贷款自动审批"等智慧服务场景 全面推进数字住房公积金建设 [5] 服务效能提升 - 每月发布《数据质量分析报告》持续推动服务优化 将数据治理成果转化为群众获得感 [5][6] - 构建"治理驱动服务 数据创造价值"创新模式 计划深化数字化转型 推出更多智慧服务场景 [6]

四种不同类型的所有者 - 业务流程所有者负责特定业务流程从始至终的整体绩效、合规性和改进，确保流程中数据的来源正确、使用符合政策和标准并以符合治理要求的方式创建或更新数据 [4] - 系统所有者负责特定应用程序或平台的整体运行、性能和合规性，实施访问控制、支持数据质量检查并确保维护运营和技术元数据 [5] - 数据产品所有者负责数据产品如精选数据集、分析平台输出或机器学习特征存储，定义产品愿景、确定功能优先级并确保产品易于发现、可用且可靠 [7][8] - 数据所有者负责确保一组定义数据的质量、合规性和正确使用，制定并执行有关数据创建、维护、共享和淘汰方式的政策、标准和规则 [10][11] 应用所有权角色的一个简单例子 - 客户入职流程所有者确保客户数据的正确来源和验证，应用"创建或更改即拥有"原则以维持质量 [14][19] - CRM系统所有者维护CRM系统的技术健康、安全性和集成，实施验证规则和控制但不负责数据的含义或质量 [16][19] - 客户360数据产品所有者管理下游客户360数据产品，确保其可发现、可用、可信并持续改进以用于分析和业务用途 [18][19] - 客户域所有者负责整个客户域，设定和执行客户数据定义、捕获和使用标准，确保跨流程、系统和产品的数据质量符合用途 [19] 常见的误解 - 数据所有权职责可能已非正式存在多年，治理将其正式化并明确责任而非引入全新任务 [21] - 数据所有者拥有决策权并制定策略，而数据管理员专注于执行日常活动和应用策略，两者在规模较小数据域中可能由同一人担任 [22] - 系统是技术平台而产品是打包数据的服务，系统负责人关注技术健康而产品负责人关注产品价值，两者可能由同一人担任但成功标准不同 [23] 小结 - 明确业务流程、系统、数据产品和数据所有者的职责分工可有效管理数据，避免职责缺失或重叠并确保数据得到妥善治理和创造价值 [24] - 需要为每个角色指定具体人员，记录职责范围并赋予行动所需的工具和权限以实现责任落地 [25]

行业增长动能与趋势前瞻 - 零售消费由高速增长转向存量竞争，企业需通过数字化技术重塑"人、货、场"，稳固流量池、提高转化率与库存周转率 [2] - 消费者购买理性上升，企业关注点由流量经济转向会员经济，需构建精细用户画像提升终身价值 [4] - 2024年全国社会消费品零售总额约49万亿元，线上销售占比提升，企业需借助AI技术赋能精准获客与运营提效 [7] 细分行业现状与趋势 美妆行业 - 国货品牌市场份额从2022年43.7%增至2024年55.7%，通过KOL测评与UGC内容建立营销闭环，并加速拓展东南亚、中东等海外市场 [10] - 同质化竞争加剧，企业通过整合肤质检测、购买记录等多维数据生成定制化产品方案，虚拟试妆等AI互动塑造品牌差异化 [39] 鞋服行业 - 市场规模增速放缓，供应链成熟导致同质化商品泛滥，领先企业转向产品研发前置与品牌价值观输出提升复购率 [13] - 生成式AI辅助实时追踪流行趋势，快速生成设计草图，缩短新品上市周期 [43] 家居行业 - 受房地产周期影响，国内市场进入以旧换新阶段，企业加速出海并转向自有品牌建设 [16] - 出海过程中整合线上线下数据分析全球需求，AI优化供应链管理以应对大件物流高成本问题 [46] 生成式AI+数据应用全景 - 71%企业加强数据驱动决策，生成式AI优先落地营销客服场景，91%企业实现内容成本降低 [25][58] - 94%企业已应用AI Agent，智能客服渗透率超90%，客服效率提升50% [33][60] - 93%企业构建知识库覆盖多场景，生成式AI助力供应链效率优化10%-30% [63][71] 海外市场拓展 - 93%企业布局海外业务，亚太、欧洲、北美为主要目标市场，RCEP政策红利助推品牌出海 [74] - 生成式AI突破语言文化壁垒，云服务商提供本地化运营支持，加速销售链路打通 [75] 重点增长引擎实践 - 营销环节AI渗透率超90%，广告创意生成与客服问答应用最广 [55] - 数据治理与AI协同推动决策智能化，ChatBI缩短供应链响应时间 [63][71] - 海外拓展中，国货美妆与家居品牌通过数字化经验复制快速抢占市场 [10][74]

零售消费行业现状与挑战 - 零售行业从高速增长转向存量竞争阶段 企业亟需通过数字化技术重塑人货场关系[1][2] - 2024年全国社会消费品零售总额约49万亿元 线上销售渠道占比持续提升[6] - 消费者购买理性与专业度上升 企业关注点由流量经济转向会员经济[4] 细分行业竞争格局 - 美妆国货品牌市场份额从2022年43.7%增长至2024年55.7% 通过KOL测评与UGC内容种草快速占领市场[9] - 鞋服行业进入存量博弈阶段 呈现"速生速朽"特征 同质化商品快速充斥渠道[11] - 家居行业受房地产周期影响 从增量开发转向存量优化阶段 加速打造全渠道运营系统[14] 生成式AI应用现状 - 71%的企业将加强数据驱动决策 生成式AI率先在营销客服类场景落地[22] - 营销环节是生成式AI落地最快领域 已采用企业中营销内容生成和智能客服渗透率均超90%[46] - 94%的零售消费企业已应用AI Agent 智能客服和营销内容生成渗透率最高[29] 生成式AI实施模式 - 近90%的企业倾向于引入外部服务商 74%的企业存在多模型调用需求[27] - 模型架构与算法研发环节73%企业选择与厂商合作 仅9%独立负责[28] - 企业更关注能提供多样化模型选择的厂商 74%企业在底层能力构建时选择两种及以上模型方案[28] 生成式AI价值体现 - 91%的企业通过生成式AI实现内容成本降低 降本比例主要集中在30%左右[49] - 超50%企业利用生成式AI与数据精准定位客群 用户沉淀比例多数提升10%到30%之间[57][58] - 生成式AI赋能供应链效率优化约10%-30% 在库存周转环节52%企业已部署相关技术[60] 行业特定应用链路 - 美妆行业整合消费者肤质检测数据等多维度数据 生成定制化产品方案[33] - 鞋服行业通过大数据采集分析实时追踪流行元素变化 生成式AI快速生成契合潮流的设计草图[35] - 家居行业整合线上浏览数据与线下体验反馈 分析消费者家居风格偏好等需求[38] 数据治理与决策优化 - 数据质量是生成式AI落地关键痛点 两者协同实现AI价值最大化[19] - 93%的企业构建知识库并覆盖多场景 生成式AI助力数据治理提质增效[54] - 生成式AI显著强化自然语言理解能力 能深度挖掘多源异构数据间隐含关联[40] 出海拓展战略 - 93%的零售消费企业布局海外业务 亚太、欧洲、北美洲为主要目的地[64] - 生成式AI成为突破语言与文化壁垒的关键工具 通过智能翻译等实现本地化营销[67] - 家居企业加速拓展海外市场 从过去代工模式转向建设海外自有品牌[14] 云服务支撑体系 - 公有云服务商提供从基础资源到开发平台的全面赋能 降低生成式AI应用门槛[24] - 云厂商依托算力规模与算法迭代优势 可高效满足企业多模型调用需求[27] - 综合型云服务商具备电商渠道资源和平台搭建能力 全方位满足企业出海需求[67]

"保险行业AI转型并非一蹴而就的工程，而是技术、数据、组织与人才的协同进化过程。"钟惠馨强调， 只有将AI深度融入业务战略与组织能力之中，才能实现从"技术应用"到"价值创造"的跨越，在行业变革 中抢占先机。 在数字经济加速渗透的当下，人工智能正以前所未有的力度重构保险行业的生态格局，如何借AI（人 工智能）转型实现效率跃升与价值深挖，已成为各大保险机构的核心议题。 近日，麦肯锡全球资深董事合伙人钟惠馨（Violet Chung）在接受《每日经济新闻》记者专访时，就保 险公司AI转型的路径选择、能力建设及实践策略等焦点问题发表见解，深度剖析行业智能化变革的关 键逻辑。 "AI转型绝非盲目铺开的'撒网式'投入，而是要锚定企业核心战略目标，精准识别能产生最大价值的领 域进行重点突破。"在钟惠馨看来，若保险公司将"提升理赔效率"作为战略核心，那么智能定损、自动 化审核等AI技术在理赔环节的应用应置于优先推进序列；若战略重心在于"优化客户全流程体验"，则需 聚焦销售分销、保单服务等环节的AI赋能，实现资源的精准投放。 数据治理需采取分步策略 生成式AI迅猛发展，为保险行业智能化转型注入了全新活力。钟惠馨表示，生成式AI ...

行业AI转型核心观点 - 人工智能正在重构保险行业生态格局，AI转型成为保险机构核心议题[1] - 生成式AI为行业带来多维度变革，其核心价值在于高效处理非结构化数据和填补信息缺口[3] - 数据治理需采取系统化策略，包括数据资产盘点、搭建统一平台和推动遗留系统现代化改造[4] - AI转型成功关键在于构建与战略匹配的运营模式，需"软能力"与"硬技术"同步建设[5] - 专业人才是AI落地依赖，需通过资本吸引力和人才来源两大支柱构建良性循环[6] - 变革管理是决定AI能否重塑运营的关键，需让员工从被动接受转变为主动参与[8][9] AI技术应用场景 - 销售分销、定价承保、理赔处理及保单服务等核心环节均存在AI创造增量价值空间[1] - 生成式AI可深度分析理赔报告、客户问卷等非结构化数据，提升数据利用效率[3] - 财产险领域AI可结合外部数据精准识别气候相关损失等新型风险[3] - 健康险领域AI能预测客户健康趋势，为个性化产品定制与精准定价奠定基础[3] - 自然语言生成技术可优化客户互动，提供个性化建议增强客户黏性[4] 数据治理策略 - 第一步开展数据资产盘点，重点打破"数据孤岛"，将碎片化数据标准化[4] - 第二步搭建具备跨部门共享能力的统一数据平台，满足大规模数据处理需求[4] - 第三步推动遗留系统现代化改造，部署混合云架构提升系统扩展性[4] - 必须建立清晰的数据治理框架，确保全流程合法合规处理敏感信息[4] 运营模式构建 - AI转型需锚定企业核心战略目标，在能产生最大价值的领域重点突破[5] - 若战略为提升理赔效率，应优先推进智能定损、自动化审核等技术应用[5] - 若战略为优化客户体验，需聚焦销售分销、保单服务等环节AI赋能[5] - 需重构运营流程、培育专业人才、推动组织变革，确保AI嵌入业务全流程[5] 人才体系建设 - 亚洲金融业快速发展及新兴市场崛起为AI人才提供发展空间与回报潜力[6] - 中国内地、中国香港、新加坡等地区可有效补充保险行业科技人才短板[6] - 应以经验丰富的技术人才为核心，建立"吸引—培养—留存"的良性循环[6] 转型推进路径 - 采取"领域级方法"，先在单一领域积累经验再逐步复制推广[7] - 通过"实践—总结—迭代"循环快速积累可复现的技术与组织经验[7] - 需从文化、能力、激励三层面发力，让员工主动参与AI转型[8][9] - 管理层需以身作则传递AI赋能价值，缓解员工焦虑情绪[8] - 系统化培训让员工掌握AI工具使用方法，增强认同感和应用信心[8] - 将AI应用纳入绩效管理，设立明确目标与奖励措施鼓励探索[9]

数据治理的核心问题 - 数据治理的最大问题在于技术决定了优化目标，这一过程可能是公开或间接的 [1] - 组织启动数据治理的常见触发因素包括合规要求、人工智能驱动或数据质量需求 [1] - 供应商工具倾向于优化自身功能而非组织实际治理需求，导致策略执行优先于战略支持 [2] 工具优先模式的弊端 - 以工具为中心的数据治理会延续"垃圾进，垃圾出"陷阱，在AI时代放大风险 [2] - 供应商主导的实施会转移焦点至元数据标记、规则执行等技术层面，偏离业务目标 [4] - 工具优先框架易导致合规性压倒可用性、政策遵守压制创新、清单替代数据文化 [8] 数据治理的本质定义 - 数据治理应定义为以人为本的体系，指导企业信息系统中的数据资产使用方向 [5] - 治理框架需包含数据总监、数据主管和数据审计三大角色，独立于执行层面 [7] - 工具应作为实施手段而非定义手段，服务于人为建立的治理系统 [12] 有效治理的实施路径 - 必须从组织目标出发，明确数据愿景、风险管理需求和价值实现路径 [10] - 需建立包含决策权、分歧解决和问责追踪的监督机制，与公司治理结构对齐 [11] - 治理系统需保持动态演进，适应商业模式、法规和技术（如AI）的变化 [13] 治理构建的关键警示 - 定义数据治理涉及艰难沟通、利益权衡和文化变革，不可外包核心决策 [14] - 供应商工具无法逆向工程治理体系，必须由了解组织使命的团队设计 [14] - 外包治理等同于交出企业价值观和监督权，将核心能力转化为供应商依赖 [14]

平台技术升级 - 自主研发并升级对外数据共享平台 实现行业资源高效整合和运行领域数据流通桥梁搭建 打造覆盖全场景和产业链上下游的数据流通中枢 [1] - 平台将原有分散式系统对接模式升级为统一接口标准化对接 提高代码复用率 显著降低开发成本并提升外部对接效率 [1] - 平台构建覆盖民航业务的外部数据资源目录 涵盖26类业务数据的标准化整合 包括机场资源、保障节点、代理航班、旅客安检登机、空管协同决策和行李等 [1] 数据覆盖范围 - 平台数据对接已覆盖国内171家机场和99.8%的国内进出港航班 [1] - 整合16家机场代理航班数据 [1] - 数据共享单位涉及局方、机场、航油、空管、联检单位等大量单位 [1] 应用场景生态 - 在航班保障领域通过提前共享机位分配、行李转盘、值机柜台、登机口等核心资源数据 协助一线单位提升保障效率 [2] - 在代理航班运营场景深度整合代理航班动态数据 面向东航食品、东航技术等保障单位开放数据接口 支撑智能化资源调度与保障进程跟踪 [2] - 在旅客服务方面构建"数据+服务"双驱动模式 实现登机口变更、航班延误等特殊情况时自动触发多渠道智能推送机制 [2] 数据质量管理 - 构建全链路数据质量管理体系 建立多维度质量检核方案确保数据质量 [2] - 发现数据异常时可进行根因溯源 实现问题节点的精准定位与及时整改 保障数据资产全生命周期安全 [2]