政策法规 - 财政部发布《企业数据资源相关会计处理暂行规定》，明确数据资源会计处理标准，自2024年1月1日起施行 [1] - 规定采用"强制披露加自愿披露"方式，企业需在资产负债表增设数据资源项目，同时可自愿披露应用场景等补充信息 [3] - 政策适用采用未来适用法，施行前已费用化的数据资源支出不再调整 [4] 行业实施情况 - 98家上市公司2024年年报披露数据资源入表总金额21.4亿元，其中无形资产占比63%（13.49亿元），开发支出占比36%（7.7亿元），存货占比1%（0.21亿元） [1] - 数据资产占企业总资产比例普遍低于1%，仅7家公司超1%，最高为卓创资讯（3.52%） [1] - 典型企业数据资源入表情况：中国移动5.83亿元、中国联通1.89亿元、拓尔思3910万元、卓创资讯3205万元 [26][27][72] 会计处理标准 - 符合无形资产定义的数据资源应确认为无形资产，用于出售的数据资源符合存货定义的应确认为存货 [2] - 外购数据资源成本包括购买价款、税费及加工处理费用，不符合资产条件的支出计入当期损益 [2] - 开发支出资本化需满足5项条件：技术可行性、开发意图、市场/用途证明、资源保障及可靠计量 [5][6] 企业实践案例 - 每日互动：形成1150亿设备数据积累，开发DiOS系统实现数据资产化管理，数据资源采用5年加速摊销 [16][17][18] - 中国联通：构建"算网数智"产品体系，开发经济大模型等核心产品，数据资源按7-5年摊销 [30][31][32] - 拓尔思：采集5000亿条多模态数据，建立7层数据治理体系，研发投入3910万元开发数据平台 [45][46][47][57][58][59] - 卓创资讯：大宗商品数据资源采用年数总和法5年摊销，年收入占比超70%，覆盖368万注册用户 [76][77][78]

纪要涉及的公司 新点软件 纪要提到的核心观点和论据 1. **财务表现** - 2025年一季度营收2.77亿元，同比下降5.94%；归母净利润0.41亿元，同比上涨23.2%，亏损收窄约1200万元[3] - 分业务看，智慧财务下滑7.47%，智慧政务下滑2.83%，数字建筑下滑7.59%，但整体情况逐步改善，订单逐步恢复[3] - 费用管控提升，期间费用同比下降10.13%，净利率持续提升；毛利率基本持平；信用减值损失2776.58万元，比上年同期增加1700多万元[5] - 一季度销售回款4.42亿元，与去年基本持平；经营净现金流净额为负2.2亿元，比上年同期增加6900多万元[5] 2. **AI进展** - 智慧政务业务推出“交易大脑”，包括AI智能辅助评标等创新产品和服务，升级AI智能客服；数字建筑业务加快新点造价大模型迭代研发和应用推广；去年AI订单总额约6700万元，今年一季度有上海奉贤等标杆项目落地[6] - 推出DS后，叠加行业大模型及知识库构建使产品快速落地；已推出深圳和徐小爱等政务AI agent，识别度达90%-95%[4][10] - 政务领域推进应用场景、平台构造能力、行业知识支撑三个层次研发新形态产品；建筑行业AI产品规划与政务领域思路一致，已与20多个政府客户交流推动项目落地，部分预计2026年完成[11][16] 3. **业务展望** - 内部考核订单毛利增长目标30%，有信心完成；预估全年收入转正，利润快速增长，提高利润率水平，但受季节性和项目验收周期影响，收入确认有不确定性[2][7][8] 4. **利润增长措施** - 推出Deepseek R1提高人效，招聘面向双一流及985高校应届毕业生[9] - 加大高毛利产品推广，如招采运营维护服务类产品，通过AI赋能增加投标人付费意愿；维护服务需求存在，SAFRAN SA满足需求，去年维护类同比增长12.17%，今年一季度同比增长19.24%，政务类35%收入来自维护服务[2][9] - 加强应收账款回款工作，有成熟管理体系，预计在化债政策影响下有良好结果[9] 5. **AI领域布局规划** - 细分垂直大模型探索，接入通用大模型效果一般；今年目标加速向市场推进，各类Edition融合AI技术应用于业务场景[10] 6. **数据层面升级** - 从智能问数或智能BI角度升级获取与分析数据能力，结合传统BI系统集成融合；基于开源主流agent平台框架扩展能力，增加多场景数据预集成及上下级agent级联能力[14][15] 7. **数据要素与治理** - 国家出台数据要素规定，地方落实转化效果不佳；公司两手准备，取得上海大数据中心三目录服务授权[18] - 采取体系化公共数据归集和治理策略，在住建、交易领域合作开展项目，聚焦企业制造领域数据管控，获得国能等行业客户[19] 8. **AI研发投入** - 2024年度总研发费用支出约4.55亿元，近三年AI相关研发总投入约7亿元；2024年新增专项预算1.62亿元；预计2025年毛利率改善2至3个百分点[20][21] 9. **政务IT与客户投入趋势** - 2025年政务IT支出略有回暖，全年态势平稳或略增长；政府客户IT投入更务实，注重实际效果，对新技术尝试积极[22][23] 10. **政务领域现状与问题** - 政务领域软件应用进入平稳发展期，但服务不均衡，存在企业群众办事信息弱势、基层服务资源分布不均、工作人员解决业务难题能力不足等问题[24] 11. **扩展客户群体与收入构成** - 将目标客户群体从大型项目扩展到中小客户、分散式营销和基层需求，通过SaaS方式增加客户数量和市场空间[26][27] 12. **应收账款管理** - 成立专门应收账款管理部，细分收款期，专员协调，采取催收机制，将营收回款作为考核指标；2024年经营性现金流指标优于营收下降程度，预计未来保持良好回款周期[28] 13. **产品进展与市场空间** - 政务热线坐席市场空间大，全国约1.6万个坐席，每个坐席每年收费5000 - 1万；政务服务解决信息鸿沟需求大；协同和数据业务面向内部工作人员，空间不小[29][30] - 2024 - 2025年一季度维护服务费增速显著，去年15%，今年20%；政务服务收入占比提升，今年达40%约8800万，其中3000多万来自维护服务，增速25%；12345热线坐席省市级年收入100 - 200万，总市场空间估计10 - 20亿[31] 其他重要但是可能被忽略的内容 1. 政府推进事项分政策制定、实施和评估三个阶段，各阶段文件侧重点不同[13] 2. 企业用户在建筑行业AI应用包括行政办事和施工企业内部项目管理等场景，新点云组价算法已通过国家算法服务备案并在安徽、江苏等地推广[17] 3. 利用公司行业优势与AI结合可提升政务服务质量，如深圳“孙小爱”项目[25] 4. 预测未来交互式智能体可能替代现有政务服务网，可对话式政府市场空间广阔[32][33]

欧盟人工智能大陆行动计划 政策松绑 - 欧盟委员会推出"人工智能大陆行动计划"，旨在通过政策松绑、算力基建和行业应用三大支柱扭转AI领域落后局面 [1] - 新计划减少行业监管负担，确保《人工智能法案》简单且有利于创新，标志着欧盟AI政策从"监管先行"向"监管与创新并重"转变 [1][2] - 《人工智能法案》按风险等级分类管理AI应用，禁止"不可接受风险"技术，但对严苛条款可能阻碍创新的担忧存在 [2] 算力基础设施建设 - 欧盟将在现有13座"人工智能工厂"基础上，建设配备约10万枚先进AI芯片的"人工智能超级工厂"以弥补算力短板 [2] - 2023年全球AI服务器出货量中欧洲份额不足10%，远低于北美60%和亚洲30%的占比 [3] - 欧盟本土半导体企业如Graphcore和SiPearl尚未形成规模替代能力，计划与《芯片法案》联动扶持本土生态 [3] 行业应用与数据优势 - 计划重点推动制造业、医疗、交通等战略领域AI应用，利用德国"工业4.0"和法国"未来工厂"积累的制造业数据 [3] - 欧盟《通用数据保护条例》使欧洲在医疗等敏感数据治理上更具公信力，可能在工业AI、绿色AI等垂直领域超越 [3] 投资与人才挑战 - 2024年欧盟AI私人投资额约80亿美元，远低于美国1091亿美元，风险资本匮乏导致初创企业被中美收购 [4] - 欧盟AI人才总量较2016年增长124%，但在整体劳动力中占比仅0.41%，计算机科学学士学位获得者每百万居民仅128人 [4] - 欧盟61%企业因数字技能短缺遭遇经营困难，26%企业将AI应用滞后归咎于人才储备不足 [4] 内部协同阻力 - "人工智能超级工厂"选址悬而未决，德国与瑞士等国的博弈拖延关键基础设施布局 [5] - 欧盟《数据治理法》生效后，75%跨国企业仍因合规风险或知识产权担忧拒绝共享工业数据 [5] - 成员国间数据壁垒存在，落实战略的能力滞后于制定速度 [5][6]

核心观点 - 餐饮行业面临"数据洪流"与"决策饥渴"的双重困境，生成式BI技术成为解决这一问题的关键工具 [3] - 公司以"四个正确"为核心目标：在正确的时间、以正确的方式、把正确的数据推送给正确的人 [4] - 数据治理是生成式BI实施的前提条件，公司已花费一年半时间提升数据质量 [9] - 公司从高频刚需场景切入，如门店智能客服与活动效果预测，逐步探索生成式BI的应用 [10] - 未来计划构建"营销活动库"和"运营AI系统"两大智能中枢，实现活动ROI预判和实时策略建议 [16] 数据治理 - 数据治理的首要挑战是业务数据的标准化问题，例如同一菜品在不同场景下的销售方式需统一标准 [9] - 数据治理不仅是技术问题，更需要流程与工具的协同优化，公司成立跨部门项目组梳理业务标准 [9] - 公司采用试点推广策略，先在北京单店试点，逐步拓展到5-10家店，再覆盖整个大区 [9] 用户画像与数据推送 - 公司建立三级用户画像体系，针对不同角色设计差异化推送策略，重点服务门店经营层和区域管理层 [7] - 店长更关心经营相关数据如客流量与翻台率，厨师长更关注菜品制作效率、沽清情况及顾客评价 [7] - 信息密度的动态平衡是核心难点，过多会造成干扰，过少则不足以支撑决策 [5] 应用场景与挑战 - 现阶段聚焦门店智能客服与活动效果预测等场景，与火山引擎、豆包等厂商成立专项试验小组 [10] - 最大挑战是标准的落地执行，例如门店盘点环节需定义食材存放位置并设定"先进先出"规则 [11] - 需将操作规范深度嵌入业务流程，形成可量化的执行评估体系，确保工具的有效使用 [12] 技术合作与未来计划 - 选择合作伙伴时考量三大能力维度：基础数据解析精度、多维分析灵活度、自动化替代效能 [13] - 大模型目前尚不能完全理解业务需求，还需不断打磨 [15] - 未来计划构建"营销活动库"实现活动ROI预判，"运营AI系统"提供实时策略建议 [16] 行业建议 - 切忌盲目追新，先解决数据准确性再谈大模型，测算投入产出比 [17] - 建议以线上高频刚需场景（如自动报表）为突破点，建立小步快跑试点机制 [17] - 生成式BI或将成为餐饮企业的"数字大脑"，推动行业从经验驱动转向数据驱动 [17]

AvePoint, Inc. (NASDAQ:AVPT) Q4 2024 Earnings Conference Call February 27, 2025 4:30 PM ET Company Participants Jamie Arestia - Vice President of Investor Relations Tianyi Jiang - Chief Executive Officer Jim Caci - Chief Financial Officer Conference Call Participants Jason Ader - William Blair & Co. Max Gamperl - Goldman Sachs & Co. Nehal Chokshi - Northland Securities, Inc. Chirag Ved - Evercore ISI Cole Erskine - TD Cowen Brett Knoblauch - Cantor Fitzgerald Operator Good day and welcome to the AvePoint In ...