2025年AI数字人才报告：思维方式-实践思路-场景梳理-帆软（luke）

第 1 页帆软 | 研究院经验分享AI数字人才思维方式，实践思路，场景梳理第 2 页帆软 | 研究院经验分享主要目标实践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01ai数据分析02AI应用搭建03ai业务探索第 3 页帆软 | 研究院经验分享欢迎大家多提问010203一次培训一次操作一次交流01第 5 页帆软 | 研究院经验分享问题1：AI对数字化工作有什么影响？第 6 页帆软 | 研究院经验分享趋势1：交付结果第 7 页帆软 | 研究院经验分享趋势2：技术平权第 8 页帆软 | 研究院经验分享一个特殊的例子：从工具到员工第 9 页帆软 | 研究院经验分享趋势3：agent推进人机协同第 10 页帆软 | 研究院经验分享人机协同的思考第 11 页帆软 | 研究院经验分享趋势4：信息化跃迁第 12 页帆软 | 研究院经验分享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。Raas的限制条件第 13 页帆软 | 研究院经验分享认识信息化发展的水平02第 15 页帆软 | 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？第 16 页帆软 | 研究院经验分享1，梳理业务流程数据处理•确定业务问题•明晰分析期望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•智能生成公式•智能生成图表•智能美化布局•智能洞察•关键指标结论的分析文档第 17 页帆软 | 研究院经验分享问题3:如何把AI应用到数据分析第 18 页帆软 | 研究院经验分享实践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)生成财务分析看板第 19 页帆软 | 研究院经验分享贵州茅台的利润表分析第 20 页帆软 | 研究院经验分享当前 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。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。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。AI数据应用的局限性第 21 页帆软 | 研究院经验分享AI数据应用的局限性第 22 页帆软 | 研究院经验分享简化操作让用户从繁琐中解放，专注于数据分析的深入思考降低门槛大幅降低使用门槛，无需用户精通每一个功能细节智能洞察AI助手自动提取关键信息与指标，智能输出分析文档实践2：在企业级数据里，有哪些帮助呢？0304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”阶段参考：IDC《中国企业AI成熟度研究报告》局部推广 （落地）单点实验 （探索）​战略​组织​&人才AB扩展复制 （自主） C运营管理 （规模）D优化创新 （转型）E组织对于用AI做什么以及怎么做尚未达成战略共识无清晰的AI管理和应用组织架构，也无专职角色负责AlAI对组织的价值贡献获验证，获得了一些资源投入业务、IT和数据科学等部门配合促成了AI项目成功落地Al在战略中得到明确阐述，管理层强调 AI优先文化设立了有限规模的AI团队以保障对AI技术应用的自主可控根据业务真实需求，能够识别一定数量的AI场景应用并落地Al提升了组织业务创新智能化程度，实现众多场景落地AI战略与数字化转型、创新研发、人力资源等战略高度协同实现全面业务AI化，Al是所有业务战略和技术创新的关键员工普遍具有很高AI素养，建立了统一面向AI的卓越中心（CoE）​运营组织尚在寻找启动AI项目的应用场景和业务领域找到单个AI应用真场景，并首次跑通AI落地流程AI团队人员齐全，与业务和IT部门协作有成熟机制保障AI无缝融合到每一个业务过程、产品和服务中参考：IDC《中国企业AI成熟度研究报告》​数据​技术组织不懂哪些数据可用于AI没有规范的采集和治理机制对AI的探索和尝试主要依靠外部现成的开源技术组织尚无法正确定义AI的数据要求首次实现了不同技术的结合，但缺乏标准的架构支撑组织较好定义了AI的数据要求，建立了数据质量标准方法论组织有能力开发一些技术工具，支持自主实现AI的开发部署形成成熟的面向AI应用的数据采集、治理体系和方法论组织搭建了统一的AI技术中台面向AI的数据获取及整合的基础架构和工具实现高度自动化构建了以AI为核心，融合业务系统、IT系统，能实现自动化调度的架构AI成熟度阶段天时地利人和地利（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ChatBI： 问答取数 、分析 、检索智能预警、分级分类 风险库设计进度工效分析项目管理风险监控生产统计分析动态费用监控分析收支失衡风险、风险国家出差等数据存储数据服务数据同步全量/增量/实时风险预警&处置信息 异常点 数 据 同 步 反 哺 系 统 建 设外部数