2022爱分析 · 智能决策厂商全景报告 爱分析报告

　　经济新常态下，精细化运营成为企业增长的关键动力，对决策质量提出了更高要求。同时，复杂多变的商业环境使决策约束条件不断增多，并对决策敏捷性提出了更高要求。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，企业需要对决策方式进行升级。

　　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，对相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。

　　12月23日，爱分析正式发布《2022爱分析·智能决策厂商全景报告》。综合考虑企业用户需求、最佳实践落地进展等因素，爱分析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解决方案和国防军工行业智能决策解决方案3个特定市场进行重点分析。

　　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、国防军工行业智能决策解决方案

　　FiboAI、九章云极DataCanvas、数势科技、同盾科技、渊亭科技

　　注：本文为报告精简版，扫描下图二维码或左下角“阅读原文”，可下载完整版《2022爱分析· 智能决策厂商全景报告》。

　　经济新常态下，精细化运营成为企业增长的关键动力，对决策质量提出了更高要求。同时，复杂多变的商业环境使决策约束条件不断增多，并对决策敏捷性提出了更高要求。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，企业需要对决策方式进行升级。

　　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，对相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。

　　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。

　　洞察三：智能决策与业务场景深度结合，持续围绕行业Know-how打造核心竞争力

　　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。

　　洞察四：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。

　　定义：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。

　　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。

　　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。

　　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。

　　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。

　　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进行集中管理。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　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。

　　定义：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。

　　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。

　　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。这些头部企业需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”。

　　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。

　　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。

　　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。

　　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：为门店选择合适的商品，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。

　　定义：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。

　　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。

　　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。

　　国防军工行业对智能决策有两方面的可信需求。一方面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。

　　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。

　　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。

　　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。

　　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。

　　爱分析厂商全景报告面向数字化市场的甲方用户，由爱分析定期撰写并公开发布，为甲方采购旅程中的数字化规划、厂商选型等环节，提供决策依据和支撑。

　　报告提供所覆盖领域的数字化市场全景地图、特定市场分析与入选标准，以及入选厂商列表、代表厂商评估等研究成果。

　　甲方用户可以依据入选厂商列表，拟定潜在供应商名单，并通过爱分析第三方评估，了解厂商在特定市场的产品服务优势，选择合适的厂商进行选型。

　　注：点击左下角“阅读原文”，下载完整版《2022爱分析·智能决策厂商全景报告》。