AI数字人才思维方式，实践思路，场景梳理

思维方式，实践思路，场景梳理 03 02 01 ai业务探索 AI应用搭建 ai数据分析 实践1:ai快速生成海报实践2:ai形成短视频营销实践3:ai协助项目管理实践4:ai进行电销提效实践5:ai助力舆情分析实践6:ai提升seo实践7:ai在LTC全链路的改进实践8:ai在私域运营的应用实践9:ai的内容营销实践10:ai的获客智能体 实践1：deepseek出数据分析报告实践2：在企业级数据里，有哪些帮助呢？实践3：如何进行数据问答实践4：一键生成分析报告实践5：一键生成仪表盘实践6：业务导向的探索分析实践7：数据导向的探索分析实践8：如何用ai进行数据课题研究 实践1：客户投诉分析 实践2：ai知识库应用实践3：ai提取会议待办实践4：危险物品入库，填错咋办实践5：手工登记信息麻烦实践6：人为填报效率低实践7：隐患上报要快实践8：AI助力销售日报实践9：AI助力简历评估实践10：AI辅助商机根进 问题1： AI对数字化工作有什么影响？ 趋势1：交付结果 趋势2：技术平权 一个特殊的例子：从工具到员工 趋势3：agent推进人机协同 Raas的限制条件 清晰可衡量的指标定义 你看applovin保障的下载量是明确可被定义的指标，清晰，无歧义，是共识。 指标能被实时监测 你说结果好，口说无凭，要不仅可监控，更要实时，下载量也满足这个条件。 要能明确的归因 从下载量而言，哪些人爱下载，在哪里下载这些因素是可以被明确出来的。 实时收集用户行为数据 用户下载后有没有注册，注册了有没有付费是可以被实时监控的，也就能对哪些环节，用户没做进行改进。 认识信息化发展的水平 帆软|研究院经验分享 问题2: 从数据分析出发，AI应用的第一步是什么？ 1，梳理业务流程 数据处理 定义问题 数据分析 决策应用 •智能生成SQL•智能SQL解释•智能数据编辑 •智能洞察•关键指标结论的分析文档 •确定业务问题•明晰分析期望 问题3: 如何把AI应用到数据分析 实践1：deepseek出数据分析报告 1.数据搜集 •外部数据分析：可在巨潮资讯网、新浪财经、同花顺等网站下载收集需要分析的上市公司财务数据； •内部数据分析：在内部财务系统下载自己公司内部的财务报表数据。 2.财务分析看板生成 将第一步收集的财务数据输入模型，自动生成财务分析看板。 (1)输入各年度财务数据 (2)生成财务分析看板 AI数据应用的局限性 当前AI模型的分析能力主要依赖于公开数据源及用户提供的结构化数据，在涉及业务场景深度融合与企业内部数据穿透分析方面存在局限性。 数据质量方面，由于互联网公开信息存在碎片化、非结构化及数据质量参差不齐等特点，AI在自动抓取上市公司财务数据时存在数据失真风险。因此建议：核心财务数据优先采用权威渠道（如交易所官网、巨潮资讯）的原始数据进行。 对于需要结合行业特性、企业战略及内部敏感信息的高阶分析需求，需人工进行补充完善。建议将AI输出作为方向性指引，重点关注其挖掘出的异常指标与潜在趋势，以此提升人工分析效率。 AI数据应用的局限性 实践2：在企业级数据里，有哪些帮助呢？ 智能洞察 简化操作 降低门槛 让用户从繁琐中解放，专注于数据分析的深入思考 AI助手自动提取关键信息与指标，智能输出分析文档 大幅降低使用门槛，无需用户精通每一个功能细节 某能源企业应用ChatBI具备“天时、地利、人和”，位于AI成熟度模型的“自主”阶段 地利（技术）：某能源企业依托FineBI提供的数据及规则模型，作为应用ChatBI的技术能力前提 叠加ChatBI形成企业级对话式BI 人和—组织&人才：某能源企业设计了适宜的组织架构，并对关键角色的重点能力进行提升，保障了ChatBI应用的顺利推行 FineBI能够覆盖某能源企业大部分职能线员工的数据需求，但其仍然存在一些使用痛点 传统BI工具使用时尚存一些痛点 挑战2:数据“千金难求” 用数者个性化的数据需求依赖数字化部门的供应，响应周期长，错失分析灵感 数据供需不匹配 挑战4:工具“体验钝涩” 用数者缺乏时间学习掌握BI工具的功能操作，导致数据应用体验不佳 …尤其针对某能源企业的一线销售和业务运营，FineBI存在的使用痛点导致他们的数据需求尚未被完全满足 但是仍有部分职能线员工的数据应用需求尚未被完全覆盖，使用FineBI时仍存一些痛点 FineBI未覆盖 某能源企业两类员工使用FineBI时的痛点 一线销售 业务运营 首先，ai不是神药，是现代医疗过程，也不是拿到啥工具，用一下；其次，找到成本有限，但是业务需要增长的团队； 项目背景 23年的技术支持一线问题总数（包含fr，bi，fdl的全量）是319254，最近几年的的问题数量也是逐年递增。“平均每天要花30分钟来总结和录入一线问题。” 目标 AI自动生成问题的准确率达到90%AI应用的稳定性要求在月度工作日中出现严重事故的天数<=1次；严重事故发生解决时效要求在24h内解决。 成果 投入：周期60天，开发成本16.68人天，软硬件3372元/年产出：提效> 2000小时/年；使用人数60+；采集问题1700条/天；AI认可率93.37% 评价 Lucy：一线同学每天都要花费二十多分钟来记录服务问题，我们的项目将这个时间缩短了50%。 项目背景 客户经常就一些产品使用问题来查询帮助文档，但是传统的关键词搜索有一些限制和不足（通过AI增强帮助文档的搜索体验），需要通过别的方案解决。 目标完成帆软文档知识库（小助手）正式版的上线。 服务用户数能够达到600人/日，问题数达到4000个/天 成果 投入：周期60天，开发成本53.78人天，软硬件5w元/年产出：提效> 5000小时/年；覆盖客户数14400+；对话3.5k次/天，搜索10k次/天。 评价 susie-：文档小助手可以帮助用户快速找到所需的产品知识，减少翻阅文档的时间。它还会横向对比不同的文档片段，给出更全面更关键的答案。 战略类：舆情分析&友商监控 •基于【业务需求+外部数据+AI分析】的思路将洞察能力产品化 •通过自动化、标准化、常态化地高效提供高价值的信息，满足业务方的洞察需求。 自动化、常态化地提供目标客户的实时舆情，让销售团队及时掌握客户舆情/动态 结合需求通过AI分析提炼舆情关键信息输出潜在机会，补足舆情方向的商机缺口 训练分析模型产出明确商机，支撑转化可执行的销售线索； 看5年评估中长期市场上行潜力 想3年评估中短期市场机会潜力 认认真真做1年短期要拿下的机会份额 如何驾驭好AI？ AI概念满天飞，企业该如何与业务精准结合？ 价值-研究院可以提供什么？ 场景研讨-参与流程 帆软专家作为引导者，与您和同行一起，围绕真实业务需求，聚焦于解决企业AI应用业务痛点，携手共同绘制出可行的、适合企业发展的AI应用场景蓝图。 一份共创研讨的“AI应用地图” 我们会要在AI场景应用实操方面经验丰富的专家及嘉宾，通过实际案例分享与方法论的解析，为参与者提供深具启发性的实践经验。您可以与专家面对面对谈，获得AI应用方面专业的解答和建议。 一次与帆软专家的“深度链接” 活动强调与来自不同行业的“AI实践圈子”中的决策者和实践者深入交流，帮助参与者了解AI技术应用的最新趋势、动态，高效拓展本地人脉资源。 一个高价值的“AI实践者圈子” 痛点-企业现状 价值-研究院可以提供什么？ 场景研讨-参与流程 实践-助力企业AI场景落地 企业AI场景落地实施路径 帆软研究院-AI Workshop助力 帆软专家提供建议+部分场景交付落地 第二阶段 AI应用全景图 AI诊断 场景优先级排序 实施计划 设计与交付 场景目标制定 评估场景业务价值和技 结合运营痛点与AI技术潜力，明确价值流提升机会与所需AI应用场景。 开展及普及核心流程负责人AI知识，以运营为痛点出发，挖掘运营流程痛点及AI提升方向。 结合公司战略及业务目标，明确AI的核心价值与目标（短期、中期、长期）与基础设施建设支撑需求。 规划短、中、长期阶段性部署方案，关键节点及里程碑。制定分阶段落地计划。 设计实施方案，包括硬件基础设施、接口规范、应用指导等。实现应用昌吉的成功交付及落地。 术可行性，筛选重点场景。结合贡献价值、运营痛点及整体效益确定场景优先级排序。 输出 输出 输出 输出 输出 语段、验收标准、效果跟踪 AI落地规划、里程碑、效益 输出 流程图、痛点提升方向 AI应用场景全景图 应用场景优先级排序 AI发展路径及目标 议程安排 •持续时长：半天•参与者:XXX•议程与内容 具体AI可落地场景 具体AI可落地场景 ①有系统②有在线数据③有预算④有管理压力： 离线检测报告→工序报告→需求值关键点干预：确认环节过程 预防：在线传感器 痛点-企业现状 价值-研究院可以提供什么？ 场景研讨-参与流程 实践-助力企业AI场景落地 生产计划分解至采购计划，可以通过Ai混合预测模型，预测未来采购需求 “通过Ai归因技术，了解质量故障发生的原因，并基于在线故障归因，生成维修解决方案以提升维修效率。” “3分钟精准预测需求，50+算法自动择优，零样本启动需求预测，助力企业提升预测准确率20%、降低存货成本20%。” 问题4: 你啥都做了，我到底干嘛？ 偏 见 数 据 导 致 不 公 平 L L M s从 大 量 数 据 中 学 习 ， 训 练 数 据 若 有 偏 见 ，模 型 可 能 在 输 出 中 重 现 甚 至 放 大 这 些 偏 见 。 例如 ，2 0 2 1年 一 项 研 究 显 示 ，G P T - 3在 处 理 争议 性 政 治 话 题 时 ， 生 成 的 文 本 中 有1 9 %存 在 偏见 。 偏 见 缓 解 策 略 采 用 数 据 清 洗 和 预 处 理 技 术 ， 减 少 训 练 数据 中 的 偏 见 。 开 发 偏 见 检 测 和 缓 解 算 法 ，对 模 型 输 出 进 行 实 时 监 控 和 调 整 。 偏 见 影 响 企 业 声 誉 数 据 偏 见 可 能 导 致 不 公 平 或 歧 视 性 结 果 ， 如 客户 画 像 或 市 场 分 析 偏 差 ， 损 害 公 司 声 誉 。 例 如 ，在 招 聘 场 景 中 ， 偏 见 可 能 导 致 对 某 些 群 体 的 不公 平 筛 选 。 建立透明和问责机制 •建立信任：用户需理解模型如何决策（如医疗诊断模型的依据）。 •明确角色分工（如数据科学家、运维团队、业务部门）的责任边界。•制定文档化流程（如记录模型开发、测试、部署各环节的责任人）。•制定内部AI伦理准则（如禁止模型用于高风险场景的自动决策）。•引入第三方审计（如定期检查模型是否符合行业标准）。 •在金融、医疗等关键领域，模型决策缺乏明确的依据和问责机制。 •合规性：确保决策过程符合伦理规范（如公平性、无歧视）和法律法规（如欧盟《AI法案》）•可解释性技术：使用特征重要性分析、决策树可视化等工具提升模型透明性。 •示例：若模型决策导致患者误诊或金融交易损失，责任归属难以界定（如开发者、部署者或使用者？）。 •责任模糊可能引发法律纠纷、用户信任危机，甚至阻碍AI技术的应用推广。 •用户沟通：通过简明报告或交互界面向用户解释决策逻辑 控制合规风险 •定期审计：通过合规性监测工具（如自动化审计系统）检查数据处理流程。 •核心挑战：在商业智能（BI）中使用大型语言模型（LLMs）时，可能涉及处理个人敏感信息或商业机密等受严格监管的数据。 •潜在后果：违反数据保护法规（如GDPR）可能导致企业面临法律处罚或声誉损失。 •数据保护机制：•建立数据分类与加密机制（如对敏感数据