400亿的业务决策智能市场，何时诞生千亿AI公司

01

业务决策智能市场规模增速明显

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。

图3：业务决策自动化工具平台

山景智能具备“数据+AI+业务”端到端一体化服务能力

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。