2020愛分析·中國人工智慧廠商全景報告

2.2.2.保險

2.2.2.1.營銷與銷售

終端使用者：

保險公司精算部門、銷售部門

核心需求：

在大健康產業鏈上，保險公司處於下游，傳統上扮演支付方的角色，在健康資料和醫療技術方面處於劣勢，風險管理與成本費用控制方面較為別動。保險公司亟需和第三方合作，獲得更多的資料優勢和技術能力。

首先，在獲客方面，保險公司傳統獲客方式是依靠保險經理人和代理人線下營銷，拓客方式成本高、效率低。隨著同業競爭加劇，保險公司亟需採取批次獲客方式降低獲客成本、提升獲客效率。

其次，實現批次獲客之後，保險公司需基於客戶資料，智慧分析客戶意圖，進行產品設計，打造覆蓋常見的多發疾病和對症藥品的保險產品組合，並將客戶需求與產品和服務進行匹配，採用精準定價方式，使低意願使用者逐漸成為高意願使用者。

廠商能力要求：

針對營銷場景，廠商需能夠提供豐富的客戶資源和較強的使用者觸達能力。此外，廠商需具備建立消費者資料庫和透過多維度標籤提取使用者畫像、提供精準營銷線索的能力，能夠依據資料分析與統計可掌握消費者的消費行為、興趣偏好和產品的市場口碑現狀，再製定有針對性的營銷方案和營銷戰略，輸出自動智慧保險服務；

針對產品設計領域，廠商需依託專業的疾病知識庫，利用醫療大資料和機器學習等技術處理患者疾病資訊，並由醫學專業人士完成資料質檢，實現資料深度結構化，為保險公司提供決策支援。

代表廠商：

2.2.2.2.智慧核保、承保與理賠

終端使用者：

保險公司理賠部門、精算部門和銷售部門

核心需求：

保險公司傳統核保、承保和理賠流程強烈依賴高度專業的人員進行稽核，人力成本高，不能適應網際網路延伸的新業務高併發需求，保險公司需將承保、核保和理賠流程自動化，提升稽核效率。

透過批次流量匯入的客戶質量分層比較明顯，容易出現逆向選擇等道德風險。保險公司需要將稽核流程智慧化，對使用者進行大量資料分析，判斷使用者是不是是風險使用者，做好客戶的風險控制。

廠商能力要求：

提供智慧核保、承保自動化、智慧保管理和智慧理賠服務，將稽核流程自動化、智慧化，降低人力成本，提升風險識別效率和效果。

智慧核保：利用AI基於大資料分析做定價和風險評估。資料來源可以是結構化資料，也可以是非結構化資料。結構化資料例如，透過審閱醫院的病歷記錄，獲取與保單關聯的體檢報告和以往的評估報告等材料。非結構化資料例如，透過感知和監測駕駛員駕駛行為習慣資料為車險動態定價，以及利用地理影像資料及影像識別技術對房屋和農場品等保險標的進行狀態監測和風險評估。進行資料分析之後，對接後臺建立好的知識庫，自動輸出核保結論，幫助核賠人員對大批次保單進行預篩。由此減少人力成本，提高核保準確率。

承保自動化：AI根據蒐集到的資訊自動執行核保流程。例如對醫療證明、病史等資料分析之後，對接後臺建立好的知識庫，計算索賠付款，協助保險公司降低成本，提高欺詐先出率。

智慧保管理：透過掃描和文件分析技術，自動處理，大量的客戶理賠檔案提升處理客戶理賠請求的效率，減少人力成本。

智慧理賠：利用無監督和有監督的機器學習演算法與網路分析相結合，更快速對無關聯資料庫進行平行計算，提高識別欺詐準確率；基於大資料建模，透過神經網路對海量內部、第三方和社交媒體資料進行分析，自動預測客戶索賠的嚴重性，提升理賠預測準確度；利用AI開展遠端理賠勘察。例如車險，AI可以對汽車損壞影像智慧識別，在大資料分析基礎上對汽車損壞程度進行評估、分類和定損，並分配至相應的工作流，以有效降低成本。

代表廠商：

2.3.消費品與零售

2.3.1.品牌商&零售商

2.3.1.1.營銷與銷售

終端使用者：

品牌商、零售商的市場部門、品牌部門

核心需求：

品牌商與零售商面臨拉新成本高、客戶流失等痛點，企業需要利用AI技術，基於客戶畫像資料增強對使用者的洞察、進行廣告投放後鏈路分析，實現精準營銷獲客，並增加使用者粘性，實現自動化營銷；

品牌商與零售商需要基於分析快速掌握細分領域內的市場發展動態，以指導企業調整營銷策略。

廠商能力要求：

能夠開發智慧演算法模型，賦能企業在營銷全流程中進行客戶洞察、客戶管理、市場洞察等；

在觸達使用者階段，能夠依據智慧線索提供精準篩選和線索畫像，幫企業快速鎖定目標客戶；

零售行業的標籤體系眾多、營銷體系靈活度高，為提升模型效果，在AI模型策略部署上需要廠商具有行業積累、對使用者業務深度理解。

代表廠商：

2.3.1.2.渠道管理

終端使用者：

品牌商&零售商倉儲管理部門、營運管理部門和銷售部門等。

核心需求：

渠道管理涉及倉儲管理、門店陳列管理和配送管理。

倉儲管理：主要涉及企業庫存管理、經銷商庫存管理和倉儲自動化。首先，消費者的購買方式、個性化需求日新月異，企業需要提前進行產品模組化企劃、設計與開發，為使用者提供零庫存下即需即供、虛實結合的一站式服務。此外，近年來快消品銷售額增速放緩，經銷商渠道收入佔比高達60-80%，快消品品牌商需要加強對經銷商的管理，實現渠道網際網路化。尤其是在疫情期間，經銷商普遍存在庫存積壓、商品滯銷的情況，快消品品牌商需要賦能經銷商運營，加強對經銷商訂貨、銷售、庫存等資料及時收集和監控；最後，大型企業需要利用機器人替代人工進行倉儲自動化，實現物料的存取、儲存、運輸和控制裝置，以及倉庫的帳目管理自動化、智慧化；

門店陳列管理：門店作為重要流量入口，面臨客流下滑困境。企業需要採集消費者線下行為資料，透過分析顧客拿放商品情況、以及競品門店陳列情況最佳化商品排面陳列，對經銷商鋪貨進行監控管理，從而提升銷量；

配送管理：隨著同業競爭加劇，企業需要利用AI技術對配送路線、車輛分配進行最佳化，縮短配送時間，解決“最後一公里”配送難題，提升使用者體驗。

廠商能力要求：

倉儲管理：為保證儘快到貨，廠商需要具備利用AI模型提前分析和預測各地商品需求量的能力，建立智慧補貨模型，提升效率、降低成本，且消費品與零售行業產品週轉率高，不同產品的倉儲管理要求不同，為提升模型效果，在AI模型策略部署上廠商需要具備行業積累。此外，為提升經銷商管理效率，廠商需提供線上訂貨商城，支援全渠道覆蓋的多種訂貨渠道，系統對接經銷商和其發展的終端商戶；併為企業提供提供渠道訂單、銷量等資料，實現對經銷商訂貨、終端銷售的統一管理；為實現倉儲自動化，廠商需要具備實現物流作業過程的裝置和設施自動化能力，如，建立自動識別系統、自動檢測系統、自動分揀系統、自動存取系統、自動跟蹤系統等。

門店管理：對於終端渠道的洞察，需要利用計算機視覺技術自動識別產品，對商品陳列進行洞察，提供商品銷售資料及競品對比等資料分析能力，最佳化終端渠道銷售。

配送管理：廠商需利用AI技術建立智慧配送路線最佳化模型，在人流密集區建立配送點解決最後一公里配送難題。

代表廠商：

2.4.政府與公共服務

2.4.1.政府&公共服務

2.4.1.1.政務服務

終端使用者：

政府辦公廳、大資料中心、城市大資料局等。

核心需求：

在政務監管、政務辦理、移動政務、城市運營等領域，普遍存在不同政府部門、不同區域、不同業務條線的系統分散獨立的情況，導致系統之間形成“資訊孤島”，難以為AI模型開發提供支援。為提升AI應用效果，政府首先應打通各部門、各業務條線資料，建立統一的資料庫，如監管平臺、政務平臺、網際網路政務服務總門戶和統一的運營管理平臺，形成統一的資料標準規範服務AI應用；

現階段，各級政府部門已形成海量資料資源池，但真正能服務於業務的資料應用卻較少。政府需要利用知識圖譜技術將各部門資料抽取融合形成知識，搭建政務領域知識中臺，為上層各業務部門工作提供知識支援。例如，在政務辦理方面，政務辦理具有專業性強、流程環節多、處理情形複雜等特點，需要多部門人力的配合、週期長。政府亟需根據具體政務流程和辦理特點梳理政務辦理規則，透過AI演算法賦能形成政務知識庫，降低人力成本，提高工作效率。此外，考慮到民眾在辦理業務時難以精準定位辦理視窗，政府需要基於政務知識庫建設的業務辦理系統介入，提供精準的政策推薦和視窗指引服務，提高政務辦理效率和民眾體驗；

城市運營需要多維資料支撐，以挖掘社會關鍵要素之間的隱性關係，輔助政府部門決斷。政府需要利用知識圖譜技術對各社會要素進行關聯分析與模型推算，在宏觀調控、社會管控、政策實施、災害防控等多方面為政府決策提供資料支撐。

廠商能力要求：

政務業務系統相對獨立，廠商應具備一定的整體規劃能力、系統對接能力和大資料治理能力，將各子系統打通，建立統一的功能性平臺；

政務監管、政務辦理、移動政務、城市運營等領域專業性強，廠商需要具備一定的行業經驗，有同型別案例背書，對各領域相應的政策、政務知識、監管規則、政務辦理流程等知識有一定了解，能夠深入理解各業務場景，幫助政府打造政務知識庫以及監管規則庫；

政務行業具有海量資料，需要廠商具備大規模知識圖譜構建能力：政務行業對於知識檢索有一定需求，要求廠商具備一定自然語言處理能力；政務行業對於圖譜視覺化應用較多，廠商應具備一定圖譜視覺化的最佳化能力；此外，由於各區域、各級政府之間存在一定需求差異，構建知識圖譜的過程中存在較多定製化需求，廠商需具備較強的服務意識與定製化能力。

代表廠商：

2.4.1.2.智慧園區

終端使用者：

政府部門、地方運營商等

核心需求：

產業發展與服務升級是智慧園區的核心需求，智慧園區需要利用AI演算法模型和資料平臺在更大範圍內提高園區招商引資以及吸引人才的競爭力，同時提高園區的綜合服務能力；

智慧園區需要保障人員和環境的安全。園區人員流動大、出入人員構成複雜以及對溫度、溼度、水/電系統的偶然問題和火種丟棄的意外情況敏感度高，導致園區安全管理難度高、效率低。因此，園區需要利用AI賦能的感測器、智慧攝像頭等裝置大規模覆蓋園區空間，實時監控環境，進行訪客安全管理、停車管理等，保證園區內的人員及環境安全；

傳統園區孤立系統多，智慧化水平低且大多依賴人力進行管理運營，存在著運營成本高，資產利用率低的現象，需要智慧園區解決方案建設統一平臺，最佳化園區配置、降低人力運營成本、並提升管理效率。

廠商能力要求：

廠商應具備針對智慧園區應用場景開發資料分析演算法與模型的能力，能夠賦能園區進行產業規劃，最佳化管理、商區服務等；

智慧園區對安防要求較高，廠商需要具備AI演算法能力以及硬體裝置能力保證人員及環境安全；

各園區數字化建設水平參差不棄，且使用場景需求不同，廠商應具備定製化服務能力、場景理解能力以及服務能力；

智慧園區涉及的功能模組以及業務領域較多，廠商應具備一定整體規劃能力和平臺對接能力。

代表廠商：

2.4.1.3.城市安全

終端使用者：

公安局指揮部、刑事部、治安防控部、支援部等部門、政府部門、社會企業等

核心需求：

城市安全主要包括智慧安防、智慧警務和應急管理。

智慧安防：傳統影片安防作用於事後追溯階段，系統聯動能力差、不能有效防範危險事件發生。公安局、政府部門需利用人臉識別等AI技術賦能攝像裝置：基於人臉識別、影片影像處理、危險動作識別以及AI演算法訓練平臺等功能，及時捕獲危險人員資訊，做到事前預警，並在危險事件發生時及時聯動警示；

智慧警務：違法犯罪活動本身具備隱蔽性、團伙性等特徵，在技術高速發展的背景下，又呈現網路化、智慧化、複雜化等新特徵，增加了公安人員的辦案難度。公安局需利用知識圖譜搭建公安領域知識庫，建立風險預測模型進行重點人員關聯分析、異常事件挖掘、重點場所關聯分析、物品關聯分析、團伙關係分析、相似案件推理等，對暴恐事件提前預警、挖掘潛在嫌疑人，提高辦案效率。

應急管理：針對消防安全管理，政府應急管理部門依託物聯網裝置採集海量多維資料，利用AI技術，對消防安全要素進行多維關聯分析，提高判斷準確率，輔助決策；針對各類事故災害預防，應急管理部可利用AI技術關聯關鍵影響因素建立事故災害預測模型，輔助預測事故災害發生；在災後的救援工作中積累的大量救援經驗知識難以做到經驗互享，應急管理部門可利用AI技術建立應急管理領域知識庫，為救援工作提供支援；此外，當災害事件發生時，應急管理部門利用大資料及AI技術，及時針對熱點事件反饋，以穩定民眾情緒。

廠商能力要求：

各地公安機關、政府部門具備各自特點，需要較多定製化服務，廠商需要具備AI演算法開發平臺或AI演算法定製服務能力；

安防領域涉及人臉識別的大多數應用場景需要一體化解決方案，要求廠商具備軟硬體解決方案提供能力；此外，由於場景特殊性，強調廠商的技術支援能力與售後反應速度，要求廠商具備較強的技術支援團隊與問題反饋能力；

在智慧警務領域，在構建知識圖譜過程中，需將公安實戰經驗需要轉換為公安知識圖譜中的應用模型，需要廠商具備一定行業模型積累；公安領域內對於知識檢索有一定需求，要求廠商具備一定自然語言處理能力；

在應急管理領域， 針對輿情分析、事故災害預測、災後救援等應用場景需要廠商具備相應演算法模型，並可根據各地實際情況進行模型最佳化；政府對於資訊保安的高度重視，廠商應滿足相應等保要求。

代表廠商：

2.4.1.4.智慧交通

終端使用者：

交通運輸廳（局、委）、公路局、水運局、運輸服務司、公安部（交警支隊、車管所等）、交通管理局、機場、航空公司等。

核心需求：

交通監管需要處理海量機動車資料，傳統監管模式依賴人工線下對影片或圖片稽核，稽核員之間標準不統一，人工精力有限導致稽核效率低。交通部門需利用機器代替人工，形成統一的道路交通安全監管標準，對車檢結果進行復核、開罰單，並實現實時違章報送，提升業務效率；

面對城市交通擁堵問題，交通部門需基於前端感知裝置採集的資料，基於動態知識圖譜等AI技術，形成人、車、道路的大交通關係圖譜，透過交通業務模型，實現對路口訊號燈的實時排程和道路規劃：針對突發情況導致的擁堵，交通部門需要快速響應、進行路徑規劃，指揮車輛規避風險路段；

天氣是影響航班執行和航班安全最重要的因素。民航局、機場和航空公司需要利用AI模型對天氣進行預測，分析氣象對航班流量的影響程度，將預測結果作為航班流量管控、航線設定、機場資源調配的依據。

廠商能力要求：

針對海量影片和圖片資訊，廠商需將AI技術應用於資料治理環節，以智慧化標註替代人工標註團隊；

交通管理場景複雜，要求廠商對行業有深入理解，將AI技術和業務場景深度結合，能夠針對不同場景選出最優的資料、演算法和訓練規則，提升模型開發效率和效果；

在智慧航空領域，廠商需能夠透過AI模型對天氣現象指標（如雲量、能見度等指標）進行精細化識別和預報，並把機場和航空公司的航班流量資料系統和氣象觀測資料融合，分析氣象對航班流量的影響程度，提供決策支援；

在構建智慧交通平臺的過程中有較多定製化需求，要求廠商定製化能力較強，具備較好的服務意識。

代表廠商：

2.5.工業與能源

2.5.1.工業企業&能源企業

2.5.1.1.智慧生產

終端使用者：

企業生管/資產部門、生產部門。

核心需求：

計劃排產：以離散型製造業為主的企業多品種、小批次的離散化生產趨勢明顯，排產的限制條件越來越複雜；且企業敏捷排產需求（如工業企業臨時補貨需求、國家電網電力排程）增加，傳統人工排產效率低下，缺乏敏捷的資源排程能力，導致執行計劃存在偏差，難以及時響應市場需求；

質檢與質量管理：傳統的人工檢查方法在缺陷判別上存在個體與個體間的差異，並且存在檢查員視力疲勞等因素，很多產品的微小瑕疵並不能被高效識別，且人口紅利消失，企業需利用智慧化方式替代人工質檢，提升質檢效率、解決用工難問題，加強對全流程質檢資料的分析和管理能力；

裝置監控與維護：工業裝置的巡檢、監控、維護需要消耗大量人力，傳統人工監控方式難以識別隱藏的裝置隱患，且裝置故障造成的產線停頓會給製造型企業帶來巨大損失。因此，企業亟需採用智慧化方式代替人工監控和運維，提升巡檢精細度，提前預測裝置故障，減少產線停頓機率；

安全生產管理：現場作業監管理人員有時會無法到施工現場監督監護，或者僅停留很短時間，難以滿足作業許可制度規範的要求；而攝像頭僅能監控到主要生產裝置及要害部位，難以對任一生產區域的不規範作業時進行監控。企業需要利用AI技術對生產全流程實現實時監控和管理；

廠商能力要求：

計劃排產：廠商需能夠基於最短交貨期演算法、最短工序演算法、神經網路、模擬退火法、遺傳演算法、禁忌搜尋法等生產計劃排程演算法，在資源、物料清單、流程、產能等多種限制因素下，實現精確計劃排產，將計劃排產工作壓縮至分鐘級，及時響應市場需求變化；

質檢與質量管理：廠商實時獲取產品外觀檢測質量資料，結合機器學習、深度學習演算法，對良品率異常、缺陷分佈異常、缺陷位置異常等資訊提供實時預警，以及多維度質量統計分析和質量追溯，以此提升質檢的精準度，解決人工效率低、傳統機器視覺技術通用性與智慧性不足等問題；

裝置監控與維護：廠商需能夠透過工控網路協議、感測器等方式，採集工業裝置的執行狀態資料，尤其是出現故障時的裝置資料，並結合機器學習、深度學習演算法，構建裝置故障預測模型、生命週期模型等，從而在故障出現之前或早期階段，對裝置進行預測性維護；

安全生產管理：廠商需能夠基於機器視覺、體態識別、異常行為分析預警等AI技術，在安全防範、監管實施、質量檢測和生產流程管理方面，實現實時監控、自動發現問題、主動預警；

代表廠商：

2.6.醫療與醫藥

2.6.1.醫院

2.6.1.1.AI影響輔助診斷

終端使用者：

影像科醫生、病理科醫生、臨床醫生。

核心需求：

隨著患者CT、超聲等診斷量增加，影像科醫生處於高負荷作業狀態，在一定程度上存在利用技術手段提升診斷效率的訴求；

很多縣級醫院的影像裝置雖基本配置滿足，但影像科醫生數量和水平不足，診斷能力難以支撐臨床診斷需求。

廠商能力要求：

廠商提供的AI影像技術需具備較高的病灶檢出率，能夠將假陽性控制在合理範圍內；且需覆蓋多病種，可對某一部位進行全面的輔助診斷，更加貼近臨床環境；

具備定位檢出、定量分析、定性診斷、智慧隨訪、結構化報告等影像工作全流程解決方案；

廠商系統需具備易用性、互動人性化的特點，無需改變醫生原本的工作流程；

廠商提供的影響裝置無需對影像裝置進行改動，與醫院PACS系統連線順暢，無需複雜設定。

代表廠商：

2.6.1.2.CDSS（臨床決策支援系統）

終端使用者：

臨床醫生。

核心需求：

國家政策要求二級以上醫院必須參加電子病歷應用水平分級評價，同時將評級結果納入三級醫院的績效考核指標中，並規定到2020年，所有三級醫院要達到分級評級4級以上，二級醫院要達到3級以上；電子病歷評級的4級、5級、6級均對臨床輔助決策支援提出明確要求，為了滿足過級需求，醫院需要採購CDSS系統；

除了評級以外，醫院在業務方面的需求在於為醫生提供臨床決策支援，改善臨床效率、提高臨床質量，同時能夠輔助醫務管理，對部分病歷進行質控；

對於醫療水平較弱的基層醫療機構而言，需求在於提高基層醫生的診斷能力，CDSS可以對基層醫生起到決策提示和帶教的作用。

廠商能力要求：

廠商提供的CDSS產品需要具備透過4-6級的功能，並協助醫院完成電子病歷評級的工作；

CDSS產品需以權威的醫學指南、臨床路徑、教材、藥典等作為知識庫的支撐，並基於實時的全量臨床資料建模，對醫生來說具有實用價值；

CDSS產品需要完全融入醫生的臨床診療流程，並與醫囑執行等緊密結合，同時，CDSS產品的定製化程度較高，需要廠商具備定製化能力，基於每家醫院的資料單獨建模。

代表廠商：

2.7.汽車與出行

2.7.1.汽車主機廠商

2.7.1.1智慧駕駛

終端使用者：

汽車主機廠商生產部門、研發部門。

核心需求：

自動駕駛系統可分為決策層、感知層、執行層。AI應用主要集中在感知層和決策層；

在感知層，自動駕駛場景不是簡單和標準化的，依據不同場景，企業需要基於攝像頭、雷達、速度與加速度感測器等感測器進行環境資訊和車內資訊的採集與處理，利用AI 演算法提升對環境的場景理解能力，如針對特別障礙物進行識別最佳化、識別道路標誌及標線、行車車輛的檢測等；

此外，在複雜的地市道路行駛，定位精度要求誤差不超過10 cm。企業需開發視覺增強的高精度定位技術，透過融合GNSS全球導航衛星、攝像頭、IMU慣性導航和輪速感測器等多個汽車部件的資訊，構建出環境地圖並在地圖中進行自我定位；

在決策層，由於人類駕駛過程中面臨的路況與場景多樣化，且不同人對不同情況所做出的駕駛策略也有所不同，為實現自動駕駛決策，企業需要基於模糊推理、強化學習、神經網路和貝葉斯網路等AI 技術確定適當的工作模型，替代人類做出駕駛決策，預測本車與其他車輛、車道、行人等在未來一段時間內的狀態。

廠商能力要求：

能夠提供環境感知、精準定位等自動駕駛技術，以及高精度地圖、V2X、自動駕駛汽車測試等關鍵技術。領先的廠商在感知層能夠提供“強感知+強智慧”技術路線；

提供常見的決策規劃體系結構，如分層遞進式、反應式、以及二者混合式；

能夠將各感測器之間的相互校準和資料融合輸出，提供覆蓋感知和決策全流程的軟硬體解決方案。

代表廠商：

2.7.1.2.智慧車載系統

終端使用者：

汽車主機廠商生產部門、研發部門。

核心需求：

隨著同業競爭加劇，車載智慧系統的效能優劣成為了消費者做購買決定時的加分項，甚至是核心選擇條件之一。汽車廠商需要最佳化車載系統，提升產品的競爭力。

總體而言，企業對於智慧車載系統最佳化的需求主要體現在三個方面：

一是視覺體驗最佳化，即對圖示、介面排版等進行美化，使得使用者能夠直觀快速找到想要的功能，減少使用者學習成本，提升使用者體驗；

二是多元視聽內容，增加系統支援的APP數量，如導航、影片、聽歌、聽電臺導航備美食智慧推薦、餐館訂位等功能。

三是語音互動最佳化，即提升語音啟用的響應速度、準確率，增加免喚醒功能等，提升使用者體驗。

廠商能力要求：

提供簡潔易用的智慧車載作業系統，對系統介面進行美化；

引入人臉識別、AR技術（擴增實境技術）等，支援OTA線上升級，便於功能擴充；

具備較強的語音識別和多輪對話互動能力，做到語音互動前可預判、互動中有反饋、互動後有結果。不僅能基於使用者需求找到最匹配的結果，而且能夠根據時間、地點、歷史記錄和使用者情緒捕捉，構使用者畫像，為使用者提供推薦備選方案，具備主動推薦能力；在對話過程中，能夠做到使用者無需喚醒詞語可打斷對話、提出新需求。

代表廠商：

3.人工智慧代表廠商