在数字化转型浪潮下，某零售品牌面临客户分散、营销效果难追踪、数据孤岛等痛点，直到引入SCRM系统后实现了质的飞跃：全域数据打通后，导购通过 移动端查看客户全景画像，转化率提升40%;营销动作全链路埋点使效果归因效率提升60%;社群分层运营使复购率增长35%。这一转变揭示了SCRM软件已成 为企业精细化运营的核心引擎。 渠道分层：通过活码技术识别客户来源(如抖音广告vs线下海报)，某美妆品牌为不同渠道客户定制专属话术，引流转化率提升28% 传统CRM仅管理结构化数据，而SCRM系统的突破在于整合社交互动、线上行为等多维数据，构建360°客户画像。以企销客SCRM为例，通过AI算法分析客 户在微信、微博等平台的交互轨迹，精准识别消费偏好与潜在需求，使客户洞察从"模糊推测"升级为"精准预测"。 核心落地步骤包括： 全域数据打通：SCRM对接企业数据中台，通过UnionID融合线上线下行为数据，使客户属性标签数量平均增加5倍 实时动态更新：SCRM平台集成企业微信，客户保单浏览、理赔申请等行为实时触发服务提醒，响应速度缩短至5分钟 合规化管理：敏感信息加密存储与权限分级，满足GDPR等法规要求，如企销客采用区块链技术 ...

公司调研情况 - 小商品城日均人流达20 01万 同比增长4 3% 日均外商达3448人 同比增长4 9% [1] - 公司战略转型方向为从传统商业物业管理服务商向国际贸易综合服务商转变 提出"以市场为主业 以数字为纽带 以平台为支撑"的发展战略 [1] - 实地调研显示义乌市场贸易全球化特征明显 商品涵盖玩偶 气球 冰箱贴 进口红酒 火腿 雪地靴等多样化品类 [1] 行业发展趋势 - 商贸零售行业数字化转型五大共性特征：全链路数据整合 人工智能驱动运营优化 渠道生态全域融合 与高价值用户深度绑定 跨界生态整合 [2] - 行业变革受效率革命与消费分层双重驱动 线上线下全渠道融合加速 形成"高频即时消费+低频电商"联动模式 [2] - 消费趋势呈现折扣化与性价比主流化 健康产品 智能化产品等细分市场增长显著 [2] 投资者关注点 - 投资者重点关注小商品城差异化优势 境外支付手段及招商现状等议题 公司高管进行详细回应 [2] - 调研活动旨在帮助投资者深入理解优质公司的竞争优势与发展潜力 [2]

Siemiatkowski 表示，公司几年前确实曾计划停止招聘人工工作人员，并推出了 AI 代理，这不仅降低了 客户支持成本，还提升了每位员工的收入。他补充道，两年前公司员工人数为 5,500 人，而现在大约为 3,000 人；随着薪资成本的下降，Klarna 现在希望将大部分节省下来的资金重新投资于员工的现金奖励 和股权激励。 "我妻子教会了我一些东西，"Klarna CEO Sebastian Siemiatkowski 在伦敦 SXSW 的观众面前说道。他回 应了此前有报道指出该公司曾表示利用 人工智能完成相当于700名工人工作的消息，而如今又有消息称 公司将招聘人工工作人员。"两件事可以同时成立，"他说。 但他也意识到，AI 不仅仅与员工有关。他提到了诈骗案件的上升，以及这种情况对像他本土瑞典这样 高信任度社会带来的影响。最近，《金融时报》报道了金融科技诈骗案件的增加，并指出，例如，新加 坡居民因天生容易信任各类机构，因此更容易成为目标。 "而且 AI 显然在加速这一趋势，"Siemiatkowski 说道。 Siemiatkowski 还再次解释了为何公司停止使用 Salesforce和 Workd ...

财务数据和关键指标变化 - 企业私募市场收入在2024年增长约21% [28] - 移动业务去年增长8.4%，利润率达39% [15] 各条业务线数据和关键指标变化 评级业务 - 全年评级业务指导假设会有起伏，预计全年发行与去年持平，2025年到期债券将全部再融资，2026年提前再融资的情况会减少，并购活动大致持平 [23][24][25] 市场情报业务 - 第四季度和第一季度年度经常性收入（ACV）增长超过收入增长，第四季度是最大续约季度，是收入加速增长的良好指标 [42] - 团队注重商业执行，客户留存稳定，管道稳定，预计下半年表现强于上半年 [43] 各个市场数据和关键指标变化 - 全球债务市场今年波动，企业有一定基础理解投资者和发行人行为，发行人会选择合适时机进入市场 [22][23][25] 公司战略和发展方向和行业竞争 - 未来三到五年，公司将围绕核心业务，如基准、分析、平台和数据等领域，继续在各部门寻找增长机会，关注私募市场、生成式AI等战略增长主题 [9][10][11] - 决定剥离移动业务，因其与公司其他业务协同有限，作为独立公司发展能更好释放价值，预计12 - 18个月完成剥离 [17][18][19] - 整合企业数据组织，将所有数据团队合并为一个组，以便整合数据并大规模应用生成式AI [6] - 资本分配上，对市场情报业务投资谨慎，该业务多元化，部分投资产生的能力可用于其他业务 [37][38][39] 管理层对经营环境和未来前景的评论 - 公司业务大部分收入为经常性收入，受短期市场波动影响小，目前客户行为无重大变化，各部门管道良好，留存稳定 [12] - 评级业务受市场波动和市场稳定程度影响，公司提供的全年评级业务范围反映了业务的起伏 [13] - 市场情报业务团队专注商业执行，客户参与度高，与首席客户办公室合作达成大交易，业务势头良好 [43][44][45] - 生成式AI方面，公司积极整合，不同业务受影响方式和时间不同，公司将利用Kensho能力提升自身，通过合作加快发展 [47][52][53] - 未来三到五年，公司将在“深池”领域（技术、数据、研究、分析、商业）建模端到端流程，整合生成式AI，有望提高效率、改善利润率、促进有机增长 [57][58][59] 其他重要信息 - 公司正式设立首席商业办公室或首席客户办公室，与各部门合作赢得了一些好交易 [5] - 市场情报业务的Visible Alpha集成今年年初推出，获得客户良好反馈 [40] - 公司部署SparkAssist，超30000人使用，员工可将模型或提示存入Spark库供他人使用，第一季度末超1600个火花被发布到库中 [65][66][67] - 公司出售奥地利业务预计获得14亿欧元，用于股票回购，移动业务预计100%免税剥离 [72] 问答环节所有提问和回答 问题: 作为CEO，对公司的看法是否有演变，与上一管理团队相比有哪些改变 - 公司在各部门和整体企业层面有增长机会，与客户关系良好 公司在道格领导的基础上，正式设立首席商业办公室或首席客户办公室，整合企业数据组织，以应用生成式AI [4][5][6] 问题: 对S&P Global未来三到五年的愿景 - 公司业务在市场上具有吸引力、全面且深入，覆盖多资产类别和行业，未来将围绕核心业务和战略增长主题发展，相关细节将在11月投资者日公布 [9][10][11] 问题: 鉴于宏观波动，业务是否有增量收入压力或销售周期延长 - 公司大部分收入为经常性收入，受短期波动影响小，目前客户行为无重大变化，市场驱动业务受市场波动和稳定程度影响，公司提供的市场业务评级和指数范围反映了全年业务的起伏 [12][13] 问题: 为何现在决定剥离移动业务，战略理由是什么 - 移动业务是基于SaaS的垂直业务，70%与二手车市场相关，最大客户是经销商，与公司其他业务协同有限，作为独立公司发展能更好释放价值 [15][16][17] 问题: 剥离移动业务对公司其他业务有何影响 - 协同效应非常有限，移动业务部分独立运营，数据提供可通过独立协议处理，剥离预计需12 - 18个月 [18][19] 问题: 移动业务在S&P全球治理下有哪些限制，作为独立业务有哪些运营优势 - 移动业务创新能力强，能快速将投资转化为产品，作为独立业务，在有机和无机增长方面有更好的发展空间，能根据自身战略投资和增长，为股东创造更大价值 [20][21] 问题: 如何描述全球债务市场现状，活动是否比预期好或差 - 今年市场波动，但公司有经验理解投资者和发行人行为，年初预计今年有3% - 5%的到期债券再融资，2026年提前再融资情况减少，并购活动大致持平，全年评级业务指导考虑了业务的起伏 [22][23][25] 问题: 评级业务中私募信贷的规模、受欢迎产品及增长轨迹 - 公司未按部门细分私募信贷收入，但整体增长强劲，今年企业私募市场收入增长约21% 私募信贷评级不仅针对单个公司或贷款，还服务整个生态系统，包括LP、GP、银行等，公司评级方法和定价在公私市场相同 [28][29][35] 问题: 私募信贷与公募信贷的货币化和定价思路 - 定价在公私市场相同 [35] 问题: 市场情报业务资源分配的理念 - 市场情报业务多元化，公司资本分配谨慎，该业务不仅能带来自身投资回报，还能为其他业务创造能力，如Capital IQ Pro的可组合服务架构用于评级工作流程和Platts Connect平台 [37][38][39] 问题: 市场情报业务ACV与收入增长差距及收入加速增长时间 - 第四季度和第一季度ACV增长超过收入增长，第四季度是最大续约季度，是收入加速增长的良好指标 团队注重商业执行，留存稳定，管道良好，预计下半年表现强于上半年 [42][43] 问题: AI对S&P Global市场情报平台是否有长期风险 - 公司在整个企业层面整合生成式AI，市场情报业务多元化，不同业务受影响方式和时间不同，市场情报业务的价值在于整合数据集和在大规模流程中应用AI的难度，公司将利用Kensho能力提升自身，通过合作加快发展 [47][48][53] 问题: AI在未来三到五年推动运营效率的机会 - 公司部署SparkAssist，员工从中受益，但难以衡量整体生产力 公司将在“深池”领域建模端到端流程，整合生成式AI，有望提高效率、改善利润率、促进有机增长，今年已将生成式AI整合的效益和生产力纳入计划 [55][57][62] 问题: 市场情报业务的结构性运营杠杆及提高利润率的机会 - 2025年中点利润率指引意味着自合并以来利润率提高约300个基点，生成式AI整合有望为市场情报业务带来利润率改善，11月投资者日将公布更多中期增长轨迹信息 [63] 问题: 如何在S&P Global培养创新和敏捷文化，吸引和留住顶尖人才 - 公司通过SparkAssist实现企业级创新，员工可将模型或提示存入Spark库供他人使用，公司还设立季度和年度认可机制 公司将提升特定技能领域（如Kensho）的能力，确保有合适的人才循环机制 [65][67][70] 问题: 对新面貌S&P的最优资本结构的早期想法和资本分配优先事项 - 公司坚持85%的资本回报指引，出售奥地利业务预计获得14亿欧元用于股票回购，移动业务预计100%免税剥离 公司将严格管理股东资本，Eric将带来资本分配和投资表现的透明度 [72][73]

行业竞争格局 - UGC平台日均生产内容量高达2000万条，成本仅为PGC模式的十分之一 [6] - 抖音月活跃用户达10.01亿，日活跃用户约7亿至8亿，基本触及增长天花板 [16] - 微博2024年月活跃用户为5.9亿，日活跃用户2.6亿，规模趋于稳定 [16] 法律案件影响 - 百度胜诉字节互动百科数据侵权案，获赔800万元（500万经济损失+300万合理开支） [1][3] - 判决确立"平台数据整合权益"法律地位，划定互联网数据使用边界 [8] - 类似案件包括小鸡词典诉微博侵权案，反映行业对优质内容的争夺 [3] 内容生态挑战 - UGC平台陷入"内容透支"危机，低质量同质化内容占比上升 [10] - 热点生命周期从数周缩短至数天，平台被迫冒险抓取现成内容 [13] - 创新成本与侵权成本失衡，优质创作者流失影响生态可持续性 [13] 平台战略转型 - 头部平台开始突破原有定位，长短视频/赛事版权/头部主播成争夺重点 [22] - 微博过度娱乐化导致内容独立性丧失，用户对"打榜"等形式产生抵触 [22] - 抖音等新兴平台面临基础内容建设难题，"拿来主义"存在法律风险 [27] 行业发展趋势 - 内容平台竞争重点从流量增长转向质量与合规能力 [27] - 需构建"创作者获益-平台发展-用户共享"的价值共同体 [24] - 技术流量不应成为垄断工具，需建立公平竞争环境 [19]

行业定义与核心特征 - AI生命组学整合基因组学、转录组学、蛋白质组学等多组学数据，利用机器学习、深度学习解析生物机制，推动精准医疗、药物研发和个性化治疗 [1] - 关键特征包括数据智能处理（自动降维、去噪、特征选择，加速生物标志物发现）、多组学整合分析（融合DNA测序、RNA表达谱等揭示基因调控网络）、疾病与药物研究赋能（识别分子标志物、支持靶点发现）、个性化医疗应用（定制化治疗方案） [2] 市场分类与产业链布局 - 市场分为五大核心领域：AI队列数据中心解决方案（智能化管理临床数据）、AI-BT软件平台（生物样本库与实验室信息化管理）、多组学分析与AI模型开发（整合多层次数据解析疾病机制）、医工转化与药物研发支持（贯穿药物研发全流程）、AI医学技术服务（覆盖疾病诊断与疗效评估） [2][3][4][5][6] - 产业链涵盖上游数据搜集与样本库建设、中游靶点筛选与药物设计、下游临床数据分析，但存在协同性不足和数据孤岛问题 [6] 发展历程与市场规模 - 行业发展历经四个阶段：基因组学起步期（2000-2010年，高通量测序技术应用）、蛋白质组学扩展期（2010-2020年，AlphaFold突破）、多组学融合期（2020-2023年，深度学习驱动整合）、AI生命组学成长期（2023年至今，数据整合深化） [7][8][9] - 市场规模从2020年164亿元增长至2023年241亿元（CAGR 24.79%），预计2028年达703亿元（CAGR 17.12%），新冠疫情加速临床数据队列建设与技术应用 [9] 应用场景与未来机遇 - 主要应用场景包括致病机理研究（空间转录组学绘制细胞分布图）、药物开发（3D分子模型加速靶点发现）、疾病早筛（多组学数据精准诊断） [10] - 未来机遇聚焦疫苗与兽药研发（优化疫苗设计降低人畜共患病风险）、中药与菌药科学化（解析中药复方机制）、临床与慢病管理（动态监控疾病进展） [11][12] 技术支撑与挑战 - 技术层面依赖深度学习、云计算和物联网成熟度，政策层面受"健康中国2030"等规划推动 [13] - 行业面临数据异质性、跨机构协作壁垒、技术开发成本高等挑战，需加强数据标准化与生态闭环建设 [13][74] 市场驱动因素 - 核心驱动包括精准医疗需求（个体化治疗）、药物研发效率提升（缩短周期降低成本）、中药国际化（科学化标准化）、医疗器械迭代（智能诊断设备） [75] - 技术创新（AI算法进步）与政策支持（国家战略性新兴产业规划）共同推动市场增长 [76] 产业链具体环节 - 信息搜索与整合环节通过自然语言处理构建靶点数据库，样本库与队列建设环节提供标准化生物样本资源 [71] - 靶点筛选环节运用机器学习定位疾病相关靶点，药物设计合成环节利用AI生成候选分子，临床数据分析环节优化试验设计加速上市 [72]

AI生命组学市场概述 - AI生命组学融合生命科学与人工智能技术，通过机器学习与深度学习算法解析基因组、转录组、蛋白质组等多组学数据，推动疾病机理研究、药物研发和个性化医疗 [5] - 核心特征包括高效数据管理、多组学整合分析、疾病机理解析及药物开发优化，例如AlphaFold预测蛋白质结构加速靶点发现 [5][8] - 2020-2023年市场规模从164亿元增长至241亿元，年复合增长率24.79%，预计2028年达703亿元 [1][27][29] 市场发展历程 - **基因组学起步期（2000-2010年）**：人类基因组计划完成，高通量测序技术兴起，AI应用于简单序列比对 [17] - **蛋白质组学扩展期（2010-2020年）**：AlphaFold实现蛋白质结构预测突破，研究从基础科学转向应用化 [17] - **多组学融合期（2020-2023年）**：深度学习推动多组学数据整合，AI应用于癌症分型与罕见病诊断 [17][18] - **成长期（2023年至今）**：AI深化多组学数据融合与临床队列管理，加速精准医学落地 [18] 应用场景分析 AI队列数据中心解决方案 - 通过AI优化临床试验流程，提升患者招募效率与依从性，降低成本和风险 [31][32] - 纵向多组学数据整合可构建疾病进展轨迹模型，支持早期筛查与疗效评估 [34][35] AI-BT软件平台 - 智能化管理生物样本库与实验室信息（LIMS），实现数据全流程自动化处理 [37][38] - 多模态数据整合支持疾病分子机制研究与生物标志物发现 [39][40] 多组学数据分析 - 整合基因组、转录组、蛋白质组等数据，揭示复杂生物交互网络与调控机制 [42][46] - AI技术克服数据异质性挑战，应用于药物优化、抗体设计及疗效评估 [46][48] 医工转化与药物研发 - 贯穿药物研发全周期，缩短从靶点发现到临床验证的时间 [51][52] - 面临科研转化意识不足、供需匹配困难等挑战 [56] AI医学技术服务 - 赋能疾病诊断、个性化治疗及药物研发，整合多模态数据提升精准度 [57][58] - 生态系统涵盖制药公司、医院、数据提供商及AI科技公司 [58][60] 产业链分析 - 上游：信息搜集与样本库建设（如UK Biobank）提供数据基础 [64][65] - 中游：靶点筛选（如Exscientia）与药物设计（如Atomwise） [65][67] - 下游：临床数据分析（如Medidata）优化试验效率 [65][67] - 当前痛点：数据孤岛与协同性低，需推动标准化与生态闭环 [68] 市场驱动因素与未来机遇 驱动因素 - 精准医疗需求增长，药物研发降本压力（如中药国际化需科学化验证） [70] - 技术进步（云计算、深度学习）与政策支持（如"健康中国2030"） [71] 未来机遇 - **疫苗开发**：AI预测病原体靶点与变异路径，优化接种策略 [72] - **兽药与中药**：解析分子机制推动标准化，降低抗生素滥用 [72][73] - **菌药与慢病管理**：微生物组学应用助力益生菌研发 [73] - **临床诊断**：高通量组学技术提升早期筛查精度 [74]

FDA政策调整 - 美国FDA计划逐步取消单克隆抗体疗法和其他药物研发中对动物实验的强制性要求，转向智能计算模型、类器官与器官芯片、跨物种数据整合三大替代方向 [1] - 2022年《FDA现代化法案2 0》已提倡寻找动物实验替代方案，但最新政策更加具体，引发医药行业震动 [1] - 政策发布后，传统CRO公司股价受冲击，查尔斯河股价单日下跌28 13%，昭衍新药股价下跌9 98% [1] 行业反应与技术挑战 - 业内人士认为完全替代动物实验需更多临床数据证明类器官在毒性预测方面的有效性，监管态度审慎，替代将分步推进 [2] - 单抗药物对动物是"外来蛋白"，易引发免疫反应，干扰毒性判断，TGN1412事件凸显动物实验局限性 [2] - 动物实验成本高昂，单抗开发需144只非人灵长类动物，每只成本近5万美元，总成本6 5亿至7 5亿美元，耗时9年 [3] - 2022年中国暂停实验猴出口后，美国NIH削减30%动物实验项目，加速推动替代技术 [3] 替代技术进展 - 类器官和器官芯片技术已存在十余年，能模拟人体组织功能，微生理系统可实时监测药物效应，预测性优于动物实验 [4] - 肝脏芯片技术成功识别87%临床肝毒性药物，已被纳入FDA创新药物促进计划 [5] - 器官芯片技术结合AI可突破药物研发"死亡之谷"，提高成功率，方舟投资报告显示其具备高通量测试优势 [5] - 希格生科利用胃类器官+AI开发的胃癌靶向药SIGX1094进入Ⅰ期临床，节省40%~50%时间及约2000万元成本 [6] 市场动态与商业化 - 全球器官芯片市场由Emulate、TissUse等头部企业主导，Emulate累计融资近2 25亿美元 [8] - 国内类器官公司多成立于2015-2021年，融资集中在天使轮到A轮，科途医学等已进入B轮阶段 [8] - 强生、罗氏等20余家跨国药企通过合作或投资布局类器官领域，罗氏成立人类生物学研究所推进相关研究 [9] - 昭衍新药、药康生物等上市公司加码类器官研究，药康生物计划投资2亿元建设AI驱动类器官平台 [9] 技术局限性 - 类器官数据与临床数据相关性缺乏系统研究，体外实验替代动物实验仍需全面认证 [6] - 复杂疾病如癌症的多器官交互模型需进一步优化，AI模型需更多高质量数据训练 [7] - 英矽智能CEO指出类器官模型对小分子疗法评估仍有局限，需结合动物实验 [7] - GLP毒理研究成本是非GLP的7到8倍，取消部分步骤可显著简化流程降低成本 [7] 行业未来方向 - 全球新药研发失败案例中50%因药效不足，33%因临床前毒性问题，类器官+AI模式有望成为新底层技术 [10] - 提高药效预测准确率和降低毒性筛查失败率是新药研发升级的关键切入点 [10]