注：近日，愛分析聯合創始人張揚在天堂硅谷信息技術閉門會上做了精彩發言，以下根據其講話實錄整理而成。
大家好！首先，我先簡單介紹一下愛分析，大部分人了解我們可能通過公眾號，我們日常工作主要是調研企業，調研的主要都是甲方，包括沃爾瑪，招商銀行，招行消費金融等，通過甲方的視角了解我們關注的上游企業真實的關鍵能力到底怎么樣，技術、研究落地到場景能力到底怎么樣，額外要對產業上的企業進行采訪和調研。楊娟總和艾小斌總也都是我們愛分析客戶。
在我之前演講安排的主題是金融科技領域各種各樣的場景，到我這里剛好稍微調整和過渡一下，第一方面主要分享的是未來2-3年新的一些技術路線，主要講我們看到的技術與用戶匹配度。第二個是講行業的應用，在金融方面，上午嘉賓大部分都在講銀行，銀行這個場景我們看了3-4年，從去年下半年開始儲備的行業是保險，待會主要跟大家分享保險。
首先，是技術，我們每年年初都會開一次創新大會，今年年初定位的主題是人工智能，其中一個核心是知識圖譜。大家能看到知識圖譜在2019年各個行業在快速的落地，今天下午的技術場就變成一個典型的標桿案例展示，包括公安和醫療領域。醫療叫醫療大數據，其實里面核心還是知識圖譜技術，今年在醫療領域中可以看到比較明確的一些進展，主要是國家行政機構有智慧醫療的政策，智慧醫院在建設的過程當中有等級的要求，因此推動了技術應用的快速落地。醫療的人工智能本質上是作為一個醫生在診療過程當中輔助的工具。
在醫療落地情況比較好是因為所有的醫療診療有明確的診療手冊，本質上是標準化，現在用IOT的技術能夠把數據標準化，把已經沉淀下來的知識代碼化，再算法化，是一個非常順利成章的過程。除了醫療行業，另外一個IOT做的比較多的是金融，是AI深入去落地很好的一個新方向，本身金融的結構化數據相對來是比較好的，但是它需要時間和實踐的積累，但是它并不如大家想的那么快。
今年我們主要講數字孿生，核心的原因是它是一個新的東西，在行業實際的情況中，我們會發現虛擬世界的數據在過往的2-3年里面大量的落地，基本上你能看到的小公司有原始數據相關的一些廠商基本上全都在做。電信運營商很早就開始做了，移動數據是最貴的，拿出來最慢，但是今年看到移動開始在匯集數據，尤其在金融行業里面。比方說保險領域，它跟招商銀行合作，基本上是把移動一個省一個省來開放，跟招商銀行聯合合作去做精準營銷。其實運營商的數據已經被開發的差不多了，互聯網公司的數據所有的能想到的，從原來做交易到做客戶端的信息流也被充分開發了，即使是頭條也在做各種各樣的貸款，對看到的所有的在線化結構化比較好的領域都拿出來做分析。
所以純粹虛擬世界的數據分析已經過了最大的爆發期，未來幾年核心的是看到一些新的數據分析可以支持這樣的服務。因此，落地的時候我們愿意去講保險，保險保的不光是保人，還有保物，在保物的過程當中，就是需要知道物體的狀態，物聯網是很核心和關鍵的一個基礎設施，所以保險是IOT很重要的一個領域。
另外一個很重要的應用領域是物流，物流的效率其實是很低的，我們看到我們大的兩個客戶都是60-70億的運費水平，但它的利潤只有2000-3000萬。用數據來提升效率運營水平的潛力很大，企業有很強的動力把物流的利潤往上提，長期來講他提升1%的利潤率還是非?？赡艿模晕锪饕彩俏锫摼W很大的應用領域。
還有一個是零售，現階段我們看到的MVP行業里第一個就是零售，核心的原因就是零售的品牌商和渠道商。在調研過程當中，我們能發現2019年他們對于數據的價值認知有很明顯的改變，最直接的原因是數據中臺的洗腦，現階段他們切數據中臺的時候主要是通過大數據。大數據技術企業很重要的出發點就是你要有數據源，因為大部分企業可處理可應用的數據源沒有你認為的那么多。舉個例子，比如說KFC百勝，其實它存的數據量是挺大，但基本上都是批注，不是流處理，但做數據分析和知識圖譜強調很強的數據實時性。這個過程當中你會看到很多時候線上的數據時間單位是秒，線下的數據是天，這個數據一致性差距是挺大的，最后去做模型，根據線下大量數據去考核模型，會發現很多不匹配的現象。通過數據的轉錄和壓縮，丟失了很多原始用戶畫像，這些數據去做模型，放到線上去推轉，放在一個實時的環境，其實會發現問題很多。這個過程當中，你要想用什么樣的方式幫它把原始的線下批處理的數據做得更好，需要有很強的用戶畫像數據，說白了就是你要有自己的數據源，然后用你的數據把用戶畫像做的很全，這也是數據中臺落地特別好的方式。
比如零售領域，靠技術去切其實是挺累的，因為數據治理這一塊如果你沒有自己的數據源，發現治理完了是不能用的，線上和線下的數據沒法掌控，所以最好的方式是與BATJ、SDK或者一些數據廠商的背景來去合作。
還有就是人工智能領域，剛才也提到了技術爆發的角度來說沒有那么大規模的成熟技術應用場景，包括語音，CV，文本處理等，這些技術的成熟的爆發期過了。AI這個領域在技術層面它到了一個相對來說比較平穩的階段，如果它沒有數據源補進來，它是一個滲透速度比過去2-3年要慢的領域。
所以基本上你可以看到企業間核心的差別是IOT線下的數據如何作為新的數據源補充進來，來幫助把業務做的更好，所以這個是IOT在未來2-3年核心要改變的事情。IOT技術本身沒有太大不足的問題，原來滲透的時候各種各樣的問題幾乎都是因為硬件設備成本的問題。舉個例子像貨車，貨車IOT其實無非就是兩個攝像頭，一個放在車里去看他的行駛路線，一個放在駕駛艙里做人臉識別，識別駕駛員是否駕駛疲勞。兩個攝像頭簡單的CV技術就能實現，它對于實時性要求沒那么高，所以這個過程中不是技術難度問題。比方說一個大貨車正常情況下，它裝了物聯網設備的投資大概在1000-2000塊錢，問題的關鍵是這個錢誰出不明確，因此導致滲透速度很慢。但現在貨車這個領域是政府有要求的來幫助政府解決問題，因為政府的配合推動，這個業務場景落地的很快。
另外就是對于物流企業，企業本身有很高的成本費率，利用數據技術幫助物流企業降低費用就能實現很大的利潤增長。本質上來講對物流卡車的司機去監控起來，監控他的行為，貨物的裝載量，油耗，保養，ETC，所以我們看到物聯網領域硬件已經包進去了，一旦進去以后就會有新的數據源，再結合新的技術這個領域會有爆發性增長。這個是未來2-3年核心的IOT給這個行業帶來一些不一樣的變革和改變。
數字孿生主要是工業領域，我們大概看了3-4年，每年來看總是會比較失望。核心的原因就是工業領域數據的閉塞和難以搜集。浙江省說自己的工業企業利潤是-2.7%，工業企業全部都在收入下降，你看過這些所有的大數據和工業AI企業沒有一個是幫助他們解決收入問題。你幫他解決的是設備，檢測和財產問題，解決的成本和效率的問題，但幫他解決不了訂單的問題，這個是導致在工業場景滲透比較慢的原因。所以企業做機器人，做設備排障，但你會發現它沒有到爆發點，因為幫他解決不了工藝的問題，解決不了材料的問題，解決不了基礎零部件的問題，這是數據沒辦法幫他去解決的。
未來有可能去解決的一個方式，就是所謂的工業領域的數字孿生，比方說像造一個大飛機，他們叫CPS系統，是進行虛擬和模擬空間中映射的過程，原來影響是單一的，相當于我建一個大飛機是線上和幾百萬的零部件應該怎么樣搭配和組合，但實際上他控制不了線下，線下是一個很多元化的網絡方式解決的，是最難的一個點。數字孿生解決的問題是線上虛擬環境的變化，怎么樣自動化會對應到線下供應商的體系，然后零部件的配件體系自動化去運營和調整，這個是未來長期工業領域有價值的一個應用場景，但還比較遠。
現階段實際上能做就是工廠內的領域，比方說家居行業，因為家居這個領域產品要高擴展性，柔性生產效率要比較高，A股家居上市公司索菲亞是一個代表，他們的柔性生產水平已經很高了，它能夠做到很高的非標的柔性生產一些要求。在這個過程當中有家公司叫三維家，把所有的圖紙前期設計都做好，相當于把CAD替代掉，然后到自己的社會化工廠去開展智能排產，是現在我們看到的最靠近數字孿生的應用。但這個應用還需要時間，因為你要保證社會化的工廠足夠多的訂單，而且要建設社會化的工廠，要能夠保證他產能做到一個億以上。所有可以在幾百個零部件，高級一些的領域內的加工工廠去進行滲透，這個其實是未來3-5年核心的一個新的領域。要把線下的數據基礎做好，加上它本身數據分析和人工智能數據分析的技術產品，能融合在一起去解決商業的問題。
我們其實核心看這三個技術，數字孿生，大數據，人工智能。
另外一個我把它叫數字生態，舉一個例子就是保險，數字生態是我們看到的很重要的一個趨勢。核心的原因就是IOT具備以后是一個完整的線上線下交融在一起的生態體系。金融領域講有螞蟻，微信，平安的金融生態，大家原來可能大部分認為是三四家合作的生態，但實際上不管是銀行也好，保險公司也好，一定都會去打這個牌。比方說我們前兩天在當代人和，當代人和是2017年成立的這樣一家兩年的公司，他的資本實力比較雄厚，兩個股東一個是中國銀行信息，另外一個是中國移動。兩年的一個公司為什么它要搭生態，它是一個壽險公司的一定要做各種各樣的渠道把人的生命周期全部搭出來，核心的原因就是大家已經很明確地意識到，我們金融行業不是財富驅動的，而是客戶驅動的。
其實銀行和消費金融公司要搭商城，核心是為了與客戶有互動，今天出去調研的時候，商城是不賺錢的，那商場的價值到底在哪？核心最后的結論其實不簡單，是第一個保證他不虧錢，然后第二個就是一定要保持商城，因為商城能夠幫助建立客戶畫像，所以這個生態其實是必須要建的，大到一個大的銀行小到一個小保險公司。
在生態的過程當中，今天我們重點會講開放銀行，我們投資人客戶講在開放銀行大生態里面，關注它扮演怎樣的角色，在一個銀行整個大的開放生態里面是一個什么樣的角色決定了未來的商業價值。今天上午華為講它供應商體系里面已經有五個過100億的企業，但如果過程銀行里面能出來5個過100億的，那就是個很大的市場。
