AI赋能业务增长与科学决策——从获客到利润的经营闭环实战

我要预订

咨询电话：027-5111 9925 , 027-5111 9926手机：18971071887邮箱：Service@mingketang.com

课程背景：

数字化转型进入深水区，AI已从“要不要用”变为“怎么用出效果”。

大量企业在AI投入上面临共同困境：工具买了、团队建了、模型跑了，业务增长却未见起色。究其根源，问题不出在AI技术本身，而出在切入方式上——绝大多数企业是从“技术”出发：有什么工具、能跑什么模型、精度能达到多少；而不是从“业务”出发：要解决什么业务问题、能带来多少营收增长、ROI是否合算。这种技术导向的落地模式，导致大量AI项目停留在“技术验证”阶段，始终未能穿透到业务层，产生可量化的商业结果。

市场上现有的AI培训课程，绝大多数偏重算法原理、代码实现和工具操作，管理者听完后依然回答不了那个最核心的问题：“我的业务，到底应该从哪里切入AI？如何衡量AI带来的业务价值？”

本课程正是为解决这一关键断点而设计。回归商业本质，围绕企业最关心的命题：如何获得更多客户、留住客户、提高客户价值、业务可持续增长。按“找对人→留住人→做大单→提利润”这一真实业务增长路径展开，每一环节都提供可落地的AI方法论，并以讲师在高科技大厂的真实项目案例为支撑。课程不讲代码、不讲算法原理，只讲管理者能听懂、能带走、能落地的业务赋能方法论。

课程收益：

掌握AI赋能业务的全局方法论：从业务角度评估AI机会，用“四象限法”精准筛选高价值、高可行场景，避免在错误方向上投入资源

学会用AI驱动精准获客：掌握客户画像构建、高价值客户识别、线索优先级排序的系统方法，提升获客效率

掌握客户流失预警与挽留的完整方法：学会用AI预测哪些客户即将流失、如何精准挽回，提升客户留存率

学会用AI提升客户价值：掌握客户价值分层、需求预判、交叉销售与精准推荐的系统方法，推动存量客户“买更多、买更频”

掌握AI驱动的供应链与运营优化方法：学会用数据预测替代经验判断，提高销售预测准确率，降本增效

建立数据驱动决策思维：在全链路的业务环节中，学会用数据做决策、用数据衡量结果，让每一分AI投入算清ROI

带走一套可立即使用的AI项目落地工具包：包括场景评估、客户画像、线索评分、流失预警、价值分层、需求预判、运营优化、项目计划等8个核心工具模板

课程对象：

企业高管（CEO、总经理、事业部负责人）、业务部门负责人（销售总监、市场总监、运营总监、供应链负责人）、数字化转型负责人、CIO/CDO及数据团队管理者等

课程方式：

讲师讲授+案例分析+小组研讨+实战演练

课程大纲

导入篇：从纸上谈AI到AI出业绩——为什么你的AI项目落不了地？

一、管理者困惑的场景

1. 业务报表没出现明显改善

2. 获客难度没下降

3. 客户依旧在流失

4. 供应链积压仍严重

你的疑问：AI到底有没有用？还是我们不会用？

二、AI落地失败的核心原因

1. 场景选择不合适：选了AI不擅长或数据不具备的场景

2. 有数据不会用：数据沉睡在数据库，从未被用于业务

3. 有AI不会落地：模型建好了，业务部门不知道跟自己有什么关系

4. 有投入没回报：投入了资源，算不清产出

互动提问：你中了哪一条？举手示意

核心结论：先有业务问题，后有AI技术方案

正确顺序：业务问题→数据支撑→方法选择→落地验证

错误顺序：方法选择→数据准备→跑出结果→找业务场景

评估工具：四象限法

功能用途：在动手之前先选对战场

——帮助管理者从众多业务问题中，精准筛选“最值得用AI解决”的那个

评估维度：业务重要性+落地紧急度

案例场景：某B2B企业用四象限法，判断客户流失为“双高”场景，优先启动AI项目，挽回数千万营业额

实战练习：四象限法的应用

第一讲：找对人——AI帮你从“大海捞针”到“精准锁定”

一、销售负责人困扰的问题

1. 市场给了线索，销售说没用

2. 销售不知道先跟谁

3. 新客户开发靠运气和感觉

核心问题：有客户数据/CRM系统，就是不知道——谁才是“好客户”

二、传统获客的三大困境

1. 销售靠人脉、靠运气

2. 获客成本越来越高

3. 市场部和销售部信息断层

核心洞察：缺乏一套科学的方法来定义和识别“好客户”

三、AI精准获客三步法

第一步：谁是“好客户”——构建客户画像体系

画像举例：客户属性、业务特征、决策特征、行为特征、其他

1. 实施步骤

1）数据准备：提取过去2-3年所有成交客户的全维度数据

方法：CRM/ERP系统导出

2）客户分组：用聚类分析将客户分成若干群组

算法：K-means聚类算法

3）找关键因子：用决策树找出区分好客户和一般客户的关键维度

方法：决策树/逻辑回归

4）输出画像卡：将分析结果整理成结构化画像卡

工具：《客户画像构建卡》模板

示例：画像卡输出

2. 效果评价标准：

1）找的全不全：画像覆盖率>80%（符合画像的高价值客户占比）

2）判的准不准：画像精准率>70%（被标记为符合画像的客户中实际高价值占比）

案例场景：某头部基金公司构建了客户画像体系，实现好客户的精准识别

第二步：好客户在哪——潜在客户挖掘

核心逻辑：有了客户画像体系后，用它去匹配和寻找更多类似客户

1. 从内部挖掘——激活老客户

1）已流失客户中，有没有符合画像的？（召回机会）

2）现有客户中，哪些符合画像但只买了入门产品？（增购机会）

3）休眠客户中，哪些符合画像但长期未活跃？（激活机会）

2. 从外部挖掘——开拓新客户

1）用外部数据源（企查查、行业数据库等）

2）按照画像卡的特征标签进行批量匹配

3）用相似度算法从海量数据中圈定目标客户清单

AI匹配逻辑：计算每个潜在客户与好客户画像之间的相似度分数，分数越高越值得跟进。AI工具/方法：余弦相似度/K近邻算法/Jaccard相似度

效果评价标准：挖掘出的好客户中，符合画像的比例（目标>60%）

第三步：先联系谁——好客户排序

核心逻辑：挖掘出的好客户很多，哪些现在有购买意向，用AI给好客户的线索打分排序

1. 实施步骤

1）确定评分维度：价值潜力×购买意向×紧迫程度

方法：业务规则+历史分析

2）构建评分模型：用历史数据训练线索评分模型

方法：逻辑回归/XGBoost

3）输出评分结果：每条线索输出成交概率分（0-100）

算法：模型预测

4）分级应用：按分数段分配不同跟进策略

方法：评分卡规则

2. 评分结果应用

1）80-100分：立即跟进（最高优先级）

2）60-79分：培育跟进（中优先级）

3）40-59分：放入培育池（低优先级）

4）0-39分：暂不跟进（不投入）

3. 效果评价标准

1）高分段客户实际成交转化率（相比盲推提升2倍）

2）评分准确性（高分段与低分段成交率的差距）

三、AI如何改变决策

1. 谁是好客户：从拍脑袋到AI自动学习

改变本质：主观判断→客观标准

2. 好客户挖掘：从凭运气到AI批量匹配

改变本质：大海捞针→按图索骥

3. 先联系谁：从凭感觉到AI打分排序

改变本质：从凭感觉→看优先级

案例场景：某科技公司的AI线索生成项目，排序后转化率提升4倍

小组研讨：你的企业在获客上，目前最大痛点是什么？如果用AI来解决应该从哪步入手？

第二讲：留住人——AI帮你提前“截住”即将流失的客户

一、CEO睡不着的问题

1. 没人能回答，哪些客户可能流失

2. 客户提出解约才去挽回，大部分救不回来

3. 流失原因是什么，全靠感觉猜

核心问题：有没有方法，在客户流失之前就提前预警，并且采取行动

二、客户流失的黑洞

1. 值得记住的数字

1）新客户获客成本是留住老客户的5-10倍

2）客户留存率每提升5%，企业利润可提升25%+

3）向老客户销售的成功率是60%+，新客销售只有5%

2. 管理现状

1）没有统一流失定义

2）没有量化数据跟踪

3）挽留成功率不足20%（客户提出解约才做）

三、AI流失预警四步法

第一步：流失定义

关键原则：可量化，可监控——不同业务模式，定义不同

示例：SaaS订阅服务：连续3个月未登录

第二步：流失归因

1）数据探索：流失VS留存的维度差异比较

方法：描述性统计

2）相关性分析：找出流失相关变量

算法：相关性分析/特征选择

3）业务验证：发现的数据规律与业务交叉验证

方法：业务评审会

示例：客诉次数上升，服务不满意

第三步：AI建模预警

1）数据准备：提取过去2-3年客户数据

算法/方法：CRM/ERP/客服系统

2）特征工程：提取流失相关因子

算法/方法：相关性分析+业务经验

3）模型训练：训练AI流失预测模型

算法/方法：XGBoost/Random Forest

4）模型输出：每个客户的流失概率+预计流失时间

算法/方法：模型预测

效果评价标准：Precision（精准率）、Recall（召回率）、AUC、PSI

技术选型说明：

1）在流失预测这类结构化数据预测任务中，传统AI模型表现优于LLM，是首选方案

2）LLM更适合处理工单、沟通记录等非结构化文本，产出特征后由传统AI模型最终打分

第四步：制定挽留策略

1）价格敏感型：提供专属优惠/灵活付款方案

2）服务不满意型：安排专属客户经理上门

3）竞品吸引型：展示产品差异化价值

4）需求消失型：推荐替代方案/保持关系以待时机

效果追踪：用数据追踪每种策略的ROI——挽留成本VS挽留收益，持续优化

四、AI如何改变决策

1. 找出流失客户：从经验猜测到AI输出流失概率+流失原因

改变本质：从猜测→数据

2. 制定挽留策略：从统一模板到AI按流失原因差异化定制

改变本质：从一刀切→差异化

3. 挽留效果评估：从凭感觉到AI追踪量化每种策略的ROI

改变本质：从经验→量化

案例场景：某B2B企业实施客户流失预警AI项目，成功识别流失客户并挽留，挽回营业额数千万

小组研讨：每组选择一个业务场景，设计客户流失预警AI方案

第三讲：做大单——AI帮你让老客户“买得更多、买得更频”

一、让销售负责人头痛的问题

1. 不知道哪些客户还有潜力、哪些已见顶

2. 每次给客户推荐新品，回复率低，甚至被反感

3. 销售更愿做新单提成高，老客户增购周期长

核心问题：谁会买更多？什么时候买？买什么？

二、老客户没挖的原因

1. 分不清谁有价值

2. 不知道客户还需要什么

3. 不知道什么时机推荐

三、AI挖掘三步法

核心认知：向老客户销售的成功率是60%+，新客户只有5%

第一步：构建客户价值评价体系

1）当前价值——客户现在贡献多少

指标：消费金额、消费频次、利率贡献

2）未来订单价值——客户未来还能贡献多少

算法：历史数据分析、线性回归/时间序列、NRMS<10%（预测偏差）为优质

3）未来非订单价值——客户除了钱还带来什么

案例场景：某头部金融公司构建的客户价值评价体系，为后续的精准营销和产品推荐打下了坚实的基础

第二步：需求预判——客户还需要什么

方法一：关联规则分析——发现产品组合规律

1）数据准备：从CRM/ERP导出数据

2）算法挖掘：Apriori

3）规则输出：AI算法输出

4）业务验证：业务评审

输出示例：提升度一般>2.0才有价值

方法二：协同过滤——找到“相似客户买了什么，他没买”

1）全量客户相似度计算：余弦相似度

2）找出Top10相似客户：User-CF协同过滤

3）挖掘未购买产品：差集计算

4）排序推荐：相似度加权求和（可结合提升度/置信度二次修正)

案例场景：某金融企业通过AI需求预判，实现按客户类型和风险偏好的需求预测和产品推荐

第三步：精准触达——什么时机推

两个关键判断：

1）购买意向识别——客户想买了吗？

信号类型：主动行为、使用变化、组织变化、时间信号

基于多个信号的AI意向识别：业务评分卡→逻辑回归→梯度提升树 (XGBoost/LightGBM)

2）购买窗口预测——什么时候推最有效？

窗口预测的AI方法：分析历史周期→识别窗口信号→预测下次购买时间

效果评价标准：高意向分客的实际转化率；推荐后30天内实际成交比例（相比盲推）

二、AI如何改变决策

1. 谁值得投入：从凭感觉到AI构建客户价值评价体系

改变本质：从主观→客观

2. 推荐什么产品：从统一模板到AI做需求预判、个性化匹配

改变本质：从盲推→精准

3. 推荐效果评估：从凭感觉到AI追踪成功率、转化率提升

改变本质：从模糊→量化

案例分析：某B2B企业的AI增复购项目，实现了需求预判和精准触达别，转化率提升4倍

小组研讨：你的企业在老客户运营上，最大的挑战是什么？

第四讲：提利润——AI帮你“用数据替代经验”降本增效

一、CEO的经营困境

1. 销售规模提升，库存同步积压

2. 订单持续扩大，交付履约承压

3. 团队持续扩编，人力成本走高

核心问题：为什么营收涨了，利润没跟上来？

二、成本黑洞

1. 库存呆滞——备多了占资金，备少了失机会

2. 交付延迟——预测不准导致采购滞后，客户满意度下降

3. 人工低效——关键决策依赖老师傅的经验，无法规模化

核心原因：凭经验做决策，而不是凭数据做决策

三、AI运营四步法

第一步：识别高成本环节——钱花在哪里最多

1）自问三个问题——业务视角

问题1：成本结构是什么样？

问题2：哪个环节成本占比高？

问题3：哪个环节成本波动大？

2）三个AI适应性原则——技术视角

原则1：有没有历史数据

原则2：能不能被预测

原则3：优化价值大不大

案例场景：某企业评估供应链的AI预测项目时发现该环节三个条件全满足，项目迅速启动

第二步：评估AI优化空间——能省多少

快速预估ROI：从历史数据做一次快速分析，评估ROI是否满足要求

1）当前浪费：库存呆滞/缺货损失/紧急补货成本

2）可提升空间：用历史数据做初步AI测试

3）年化收益：浪费金额×可提升百分比

第三步：AI建模预测——用数据替代拍脑袋

核心逻辑：用AI时序预测模型，将“凭经验估计”升级为“基于数据预测”

时序预测的本质：“回答一个问题：未来某个时间点，这个东西大概需要多少？”

1）数据准备：从ERP/CRM系统导出

2）数据清洗：数据统计+业务规则

3）规律识别：Tableau/PowerBI等

4）AI模型训练：ARIMA/Prophet/LSTM等

5）模型调优：预测准确率

6）输出结果：未来N个月的预测值

效果评价标准：业务采纳率

案例场景：某B2B企业实施AI销售预测项目，大幅降低库存成本和呆滞损失

第四步：业务流程嵌入——让AI自动跑、自动出结果

1）固化预测流程：产出预测日历

2）构建系统平台：产出平台/看板

3）自动输出与推送：产出自动化报表

4）结果可视化：产出可视化看板

5）持续迭代：产出监控平台

迭代标准（示例）：预测准确率、业务环境变化、数据质量

四、AI如何改变决策

1. 对业务的预测：从凭经验到AI做时序预测

改变本质：从人工→算法预测

2. 处理的方式：从出问题救火到AI做异常预警

改变本质：从被动响应→主动干预

3. 优化效果的评估：从算不清到AI做量化评估

改变本质：从模糊→量化

案例场景：某企业的供应链AI预测项目，提高了预测准确率，年降低成本几千万

小组研讨：你的企业在供应链/运营上，是否适合AI做优化

结语：学习总结与落地行动

1. 课堂回顾：核心知识点（找对人→留住人→做大单→提利润），科学决策心法（用数据替代感觉、用模型替代猜测、用闭环替代断点）

2. 落地行动：30天行动计划（学员分享）

3. Q&A：学习寄语、课程预告、自由交流

张老师

张闻川老师 AI+企业智能提升实战专家

20+年AI算法研究应用和实战经验

国防科学技术大学 计算机科学与技术/博士

海军大连舰艇学院 信号与信息处理/硕士

高校特批引进的高层次AI人才

曾任：深信服科技（上市）丨高级数据科学家

曾任：腾讯科技（世界500强）丨高级研究员

曾任：北京奇虎360科技有限公司（上市）丨AI专家

曾任：宽拓科技（前高盛CTO带队的金融量化科技）丨数据科学家（北京团队负责人）

→主操推进落地30+AI智能化提效落地项目：包括【大模型问答系统】、【AI销售预测】、【AI商业线索生成及企业客户流失AI预警】、【金融云脑项目】等核心AI战略项目，在企业战略管理、营销管理、财务、人力资源等多场景覆盖，累计为企业提供有效线索5万/年，降本增效超5000千万元；

擅长领域：数智化转型、数智化营销、AI办公应用、知识库搭建、智能体应用、工作流自动化、大数据与人工智能解决方案、数据可视化、数据安全……

>>>>>20+年专注数智化研究和应用，更懂AI底层原理<<<<<

→以第一作者发表高水平AI国际期刊论文，包括SCI论文2篇，EI论文5篇（英文），EI论文1篇（中文），撰写专著1部《海洋纪事》，博士论文获明评通过；

论文题目类型

Real-time navigation of nonholonomic mobile robots under velocity vector control《非完整约束移动机器人在速度矢量控制下的实时导航》SCI

Real-time path planning of multiple robots in a dynamic certain environment《确定性动态环境下多机器人的实时路径规划》SCI

On-line centralized path planning of multiple mobile robots in dynamic environments《动态环境下多移动机器人的在线集中式路径规划》EI

A new path tracking approach for a mobile robot under velocity field

《速度场下移动机器人的一种新路径跟踪方法》EI

A real-time path tracking approach for a wheeled mobile robot

《轮式移动机器人的一种实时路径跟踪方法》EI

An improvement approach based on linear navigation law for mobile robot

《基于线性导航律的移动机器人改进方法》EI

Real-time trajectory tracking of a wheeled mobile robot with kinematic and dynamic constraints《运动学与动力学约束下轮式移动机器人的实时轨迹跟踪》EI

实战经验：

张闻川老师拥有20+年AI算法研究与大型企业数智化应用实战经验，是国防科技大学博士科班出身的AI专家。曾任职腾讯、360、深信服等世界500强及上市企业，主导落地30+AI提效项目，涵盖大模型、销售预测、客户预警等核心场景，善于从0到1搭建数智化体系，助力企业实现显著降本增效。

①〖数智化工具全景应用落地〗——从顶层设计到底层落地闭环，业务场景全维覆盖

【01】-主导深信服公司的数智化战略项目规划与落地，涵盖从顶层设计到流程标准化建立，主导落地4个高效能AI数智化工具，实现业务场景全覆盖：

工具1：【产品】-大模型问答系统&：利用LLM提升销售产品查询效率与准确性，基于GPT-3.5构建LLM知识库，提升销售查询效率300%，缩短新销售查询耗时50%；

工具2：【需求】-AI销售预测系统：用AI算法替代人工预测供应链销量，提前备货降库存、提高交付及时率，预测正确率从51%提升到70%，效率从3人/天提升到5分钟，覆盖公司所有在销产品，节约资金3000万/年；

工具3：【线索】-AI商业线索生成系统：预测未来3个月即将增复购客群，生成AI线索辅助销售拜访，新建AI线索线上下发系统形成数据闭环，每月新增AI线索4000条（复购3K、增购1K），全年线索5万条/年，促成转化率从6%提升到24%；

工具4：【客户】-企业客户流失AI预警平台：分析流失现状，对即将流失客户建模并提前预警，创新客户流失预警AI新范式，预计挽回营业额8千万+，挽回营收损失3千万；

【02】-从0→1组建宽拓科技北京数据团队，搭建多个数智化平台，规划数据分析挖掘流程，基于数据统筹业务对接与需求管理，帮助客户公司业务从经验驱动向数据驱动转型：

工具1：【营销】-线上营销体系&客户全景BI系统：从0到1构建起客户公司的完整客户画像体系，业务分析体系，实现了客户公司的数字化转型；

工具2：【决策】-金融产品推荐系统：设计了新的推荐策略（二级匹配），解决近100万券商产品购买数量无法支撑协同过滤推荐码以及业务专家推荐结果存在严重偏向性问题，实现金融产品的人工推荐到智能系统推荐的跨越，推荐精准率提升50%；

工具3：【运营】-券商数据平台：建立统一的企业级数据管理平台和分析平台，有力支撑上层的数据应用，推动券商向数据驱动式运营转变，数据管理应用和客户运营效率的大幅提升；

②〖AI算法模型商业化项目落地〗——海量数据深度分析，构建智能决策体系驱动业务增长

【01】-主导腾讯科技公司数万维度的金融数据治理与智能风控模型体系建设，覆盖信用评估、反欺诈、质量监控等核心风控场景：

案例1：【信用评估与反欺诈项目】：规划设计基于数万维度的支付数据、身份特征，建构信用模型、反欺诈建模，应用于现金贷、供应链金融、消费金融等场景，从微信10亿+客群中精准挖掘出有相应需求的客户，赋能内外部客户，开拓了业务新增量；

案例2：【质量监控项目】：对2000+风控标签进行质量监控，对入模特征、模型分进行波动性环比同比、稳定性PSI等质量监控并可视化，支持特征和模型问题的排查定位，从数据基座保证了质量，奠定了模型的可用性可靠性；

案例3：【数据源应用系统】：支撑数据源接入和使用管理，高效地从数万外部字段中选择有效的字段进行特征构建和规则构建，有效补充了内部数据的不足，从更全面的角度审查客户的风险；

【02】-主导360科技公司【智能风控与反欺诈项目】，基于数亿级的客户数据，从0到1搭建金融智能风控与反欺诈体系，涵盖风控建模、反欺诈识别、智能营销等全链路能力：

案例1：【金融风控模型项目】：利用自有数据和外部数据分析挖掘逾期客户的特征，同时利用APP行为数据进行反欺诈识别，构建用户金融画像，基于渠道用户事件分析进行渠道反欺诈分析挖掘，提高贷款量3000万/天，降低逾期率至0.1%；

案例2：【金融云脑项目】：主导安全信用分和智能营销项目，探索对外输出智能金融技术，将集团内部成熟的金融风控能力产品化，面向外部数十家金融机构提供智能风控SaaS服务，拓展了技术变现的新业务模式。

部分授课案例：

序号企业课题

1深信服科技《AI算法原理与企业落地应用》

《供应链销售预测的AI实战应用》

《企业数字化转型的整体思路和框架》

2腾讯科技《金融信贷风控中的算法应用实战》

《基于多源数据构建客户完整画像》

3360科技《金融反欺诈模型的构建和应用》

4酷友会《AI在数字化转型中的应用实战》

主讲课程：

《AI办公10倍效率提升——从认知到实战、场景落地》

《AI智能体数据分析实战——人人可用的WorkBuddy实操课》

《AI赋能业务增长与科学决策——从获客到利润的经营闭环实战》

《AI工作流自动化实战——用WorkBuddy打造7x24小时无人值守办公》

《AIAgent从入门到实战：从工具使用到自主开发——不会代码也能打造智能体》

《AI智能体办公实战工作坊——用Workbuddy打造你的数字员工，让重复工作自动化》

项目：

【AI信用评估】、【AI反欺诈】、【AI销售预测】、【AI线索生成】、【AI客户流失预测】

授课风格：

真实案例讲透AI价值：精选销售预测、线索转化、流失预警等30+实战项目，用“痛点→方案→结果”一条线讲清AI怎么落地

复杂技术拆成简单步骤：国防科大博士出身，把算法模型翻译成业务人能听懂、管理者能决策、执行者能上手的方法

带业务来，带成果走：现场搭智能体、做应用、练数据分析，用自己的真实问题产出可用结果，不搞纸上谈兵

从战略到执行形成闭环：帮企业找到AI与增长的最佳结合点，从顶层规划到落地推广，让AI真正变成生产力

——一句话总结：听得懂、学得会、带得走、用得上。

部分客户评价：

课程让我挺意外的，贴近业务实际情况，AI线索生成这个案例，把我们怎么找客户、怎么判断谁要复购讲得很有条理。原来AI不是啥玄学，是真能帮到我们的。已经让团队重新梳理思路了，几个模糊的画像现在清晰多了。

——深信服科技 营销总监 王总

我们供应链做销量预测一直靠老经验，经常备错货。老师用AI的方法告诉我们，还可以这么做，很惊喜，不是必须要靠堆人才能提高准确率。整个数据清洗、模型选型、效果评估的流程讲得很清楚，解决了困扰团队很久的老大难

——深信服科技 供应链总监 杨总

一直有个疑问，就是不知道怎么把数据更好的变现。课程把怎么选特征、怎么平衡准确率和召回率、怎么和业务方一起在优化AI模型，讲的很好。还有模型上线后的监控体系，这块我们以前做得不够，回来团队要补上。

——极光科技 信贷风控业务负责人 李总

课程把业务和技术融合的很好。从数据接入到模型上线的全链路都走了一遍，还特别强调数据质量监控这种容易被忽略的环节。讲技术时也会讲清楚业务考量，帮我解决了不少纠结。

——阳光保险 数据部负责人 张总

AI线索生成和客户流失预警这两个案例，就像专门给我们销售团队准备的一样。以前我们判断客户基本靠感觉，AI可以提前三个月可能增购的客户圈出来，转化率还提升了好几倍，AI赋能确实不错。

——传音控股 销售部负责人 高总

数字化转型的课程很受益。老师在大厂主导数字化转型的完整经历，很有共鸣感。顶层设计、流程标准化、AI切入点选择、效果量化评估等关键环节讲得很好，解答了我们很久的疑惑。既有战略高度又有落地细节。

——酷友会 战略部负责人 何总

我要预订

咨询电话：027-5111 9925 , 027-5111 9926手机：18971071887邮箱：Service@mingketang.com