核心观点 - 拥有大量资金的投资者对Snowflake采取了看跌立场 今日监测到30笔不寻常的期权交易 表明可能有知情人士预期将有事件发生 [1][2] - 这些大额交易者的整体情绪分化 23%看涨 60%看跌 在全部特殊期权中 8笔为看跌期权 总金额609,765美元 22笔为看涨期权 总金额1,354,158美元 [3] 期权交易活动分析 - 过去三个月 主要市场推动者关注的价格区间在150.0美元至280.0美元之间 [4] - 今日交易中 Snowflake期权的平均未平仓合约为1316.35 总交易量达到2289.00 图表描绘了过去30天内 执行价在150.0美元至280.0美元区间内的高价值交易的看涨和看跌期权成交量与未平仓合约的进展 [5][6] - 部分值得注意的期权交易活动包括：一笔执行价为200.00美元、到期日为2028年1月21日的看跌期权 总交易价格为217.5千美元 未平仓合约313 成交量104 一笔执行价为180.00美元、到期日为2026年12月18日的看涨期权 总交易价格为199.5千美元 未平仓合约139 成交量30 [9] 公司概况与市场表现 - Snowflake成立于2012年 是一个完全托管的平台 整合不同公有云上的数据以进行集中分析和治理 其云原生架构允许用户独立扩展计算和存储层 以较低成本提供优化性能 公司的数据湖和数据仓库产品支持多种用例 包括商业分析、数据工程和人工智能 被财富2000强中的金融服务、媒体和零售公司广泛使用 [10] - 过去一个月 有5位专家发布了该股票的评级 平均目标价为294.4美元 具体包括：Evercore ISI Group维持“跑赢大盘”评级 目标价300美元 BTIG将评级下调至“买入” 新目标价312美元 Piper Sandler将评级下调至“增持” 目标价调整为285美元 Keybanc维持“增持”评级 目标价285美元 Wells Fargo维持“增持”评级 目标价290美元 [12][13] - 当前Snowflake股价为219.06美元 下跌0.7% 成交量为1,675,255股 RSI指标暗示标的股票可能正接近超卖区域 下一次财报预计在70天后发布 [15]

公司合作与战略举措 - 埃森哲与Palantir Technologies共同成立了“埃森哲Palantir业务集团”，旨在加速为全球客户部署人工智能和数据解决方案 [1] - Palantir已将埃森哲指定为其企业转型的首选全球合作伙伴 [1] - 该业务集团将汇集Palantir专职的前沿部署工程师以及超过2000名掌握Palantir技术并拥有行业和职能专长的埃森哲专业人员 [2] - 这些团队将直接与客户合作，利用Palantir平台，从孤立的数据系统转向集成的、基于人工智能的决策 [2] 合作目标与行业应用 - 合作旨在帮助企业利用Palantir平台实现快速、大规模的转型 [3] - 计划为多个行业的客户提供支持，现有活动已涉及政府、能源和油气行业 [3] - 计划在医疗保健、电信、制造、消费品和金融服务等领域开发更多应用案例 [3] - 该集团的一个核心重点是数据中心和人工智能基础设施运营，埃森哲认为这对经济韧性至关重要 [4] - 将支持客户使用Palantir Foundry和人工智能平台，并在复杂的商业和关键任务环境中获取安全的计算资源 [4] 领导层观点与战略协同 - Palantir首席执行官认为，此次扩大的合作伙伴关系将帮助企业实现快速、大规模的转型 [3] - 埃森哲首席执行官表示，通过此次生态系统合作伙伴关系的重大扩展，客户可以加速在整个企业部署先进人工智能，并更快实现业务成果 [5] - 结合埃森哲广泛的行业经验与Palantir强大的平台，将帮助组织构建人工智能和数据解决方案，开发可扩展的企业人工智能系统，以推动变革、创造价值并促进增长 [5] 埃森哲的补充收购 - 埃森哲已同意收购美国人工智能数据中心工程和咨询公司DLB Associates及其关联公司65%的股份，交易财务条款未披露 [5] - 此次交易将拓宽其端到端数据中心能力，以帮助软件和平台以及高科技客户加快上市速度并满足人工智能赋能的需求 [6] - DLB成立于1980年，业务涵盖数据中心选址、尽职调查、设计工程、调试、施工质量管理和能源优化服务 [6] - 其客户包括超大规模运营商、新兴超大规模运营商、新型云公司和托管服务提供商，通过加快上市速度和交付数据中心项目为其提供支持 [7]

文章核心观点 - 数据系统在过去五十年经历了从处理日常交易到支持智能分析的演变，其核心驱动力是解决记录事件与理解其意义之间的根本张力 [1] - 技术架构的演进路线图是从OLTP系统发展到AI驱动的OLAP平台，目标是使数据转化为洞察变得更加便捷、快速和经济高效 [1][45] OLTP与OLAP的根本区别 - **OLTP系统** 专注于处理企业的日常运营事务，如在线订购、转账，需要快速、准确且始终可用，优化目标是快速写入大量小事务并即时读取特定记录 [2] - **OLAP系统** 专注于分析和报告，旨在通过汇总海量历史数据来揭示模式、趋势和洞察，优化目标是读取、聚合数据并进行跨维度的复杂计算 [2] - 这两种系统需求截然相反，一个系统无法高效同时完成两项任务，这推动了数十年的架构创新 [2] OLAP与数据立方体的兴起（20世纪90年代） - 专用OLAP系统引入了**数据立方体**概念，通过预先聚合多个维度的数据来加速分析查询 [3] - 数据立方体类似于多维电子表格，例如结合时间、产品和地理位置维度来预计算销售额，使原本需要数小时的查询在几秒内完成 [3] - 出现了三种主要架构：**MOLAP**（如Hyperion Essbase）使用多维数组实现高速查询但预处理量大；**ROLAP**（如MicroStrategy）在关系数据库上构建，更灵活但性能较慢；**HOLAP**（如Microsoft Analysis Services）尝试混合两者优点 [4] - 商业驱动因素是高管和分析师需要仪表盘和报表来做出数据驱动的决策，Business Objects、Cognos等工具成为前端界面 [5] 数据仓库时代（20世纪90年代末至21世纪初） - 数据仓库作为面向主题、集成化、时变且非易失性的集中式存储库出现，旨在支持商业智能 [7] - 规范架构采用**ETL管道**从多个源系统提取、清理、转换并加载数据 [7] - **星型模式**和**雪花模式**是两种主导的数据组织方式，用于优化读取性能 [8][9] - Teradata、Netezza、Vertica等企业级数据仓库引入了**列式存储**和**大规模并行处理架构**，显著提高了数据压缩率和查询速度，并支持通过添加机器实现水平扩展 [9] - 局限性在于模式必须预先定义，添加新数据源成本高，硬件扩展性有限，且系统成本高达数十万甚至数百万美元 [9] 大数据与Hadoop时代（2000年代末至2010年代） - 互联网公司面临海量非结构化或半结构化数据（如网络日志、点击流），传统数据仓库在经济和技术上均无法处理 [13] - 受谷歌GFS和MapReduce论文启发，开源**Hadoop生态系统**兴起，其核心是**HDFS**（用于低成本分布式存储）和**MapReduce**（用于分布式计算） [13][14] - Apache Hive、Impala、Presto（现Trino）、Spark等项目提供了更友好、更快的查询和计算能力 [14] - 引入了**数据湖**概念，采用“读取时模式”，允许先以原始形式存储数据，再决定如何使用 [14] - 局限性在于查询延迟高（需数分钟至数小时），不支持事务或更新，且运维复杂度极高 [14][15] 云数据仓库时代（2010年代） - Snowflake、Google BigQuery、Amazon Redshift等云原生数据仓库实现了**计算与存储的完全分离** [17] - 数据存储在廉价、持久的对象存储中，计算集群按需启动和伸缩，用户只需为运行查询支付计算费用，存储成本低廉 [17] - **Snowflake** 提出了“多集群共享数据”的弹性架构；**BigQuery** 采用无服务器模型，自动分配资源 [18] - 优势包括：按需付费的云经济学、几秒内实现弹性伸缩、零硬件管理负担、以及轻松的数据共享能力 [19][20][21][22] - 凭借列式格式、高级压缩和智能查询优化，这些系统能在几秒钟内扫描TB级数据 [23] - Snowflake在2020年IPO时估值超过700亿美元，成为标志性事件 [24] 开放表格式与湖仓一体时代（2010年代末至2020年代） - 云数据仓库的专有格式可能导致**供应商锁定**，而传统数据湖缺乏ACID事务、高效更新等功能 [26][27] - **开放表格式** 为数据湖带来了类似数据库的功能： - **Apache Iceberg** 提供ACID事务、模式演化、隐藏分区和时间旅行 [27] - **Delta Lake** 与Spark生态系统紧密集成，支持流式写入和批量读取 [27] - **Apache Hudi** 专用于高效的增量数据处理和upsert操作 [27] - 这些格式以Parquet等标准列式格式存储数据，并维护丰富的元数据 [28] - 新一代查询引擎如 **Trino**、**Dremio**、**DuckDB** 以及托管服务如 **AWS Athena**，能够在这些开放格式上提供高速SQL查询 [29][30][31] - **开放元数据目录**（如AWS Glue、Unity Catalog）提供了集中的元数据管理和治理 [32] - 这些技术融合催生了 **Lakehouse架构**，结合了数据湖的灵活开放性与数据仓库的性能和功能 [32] AI驱动的分析时代（2020年代至今） - AI原生分析平台正在模糊数据仓库、机器学习和商业智能之间的界限 [35] - 主要趋势包括： - **语义层和AI驱动的指标** 抽象了SQL复杂性，允许用户定义业务指标而非编写复杂查询 [35] - **由大型语言模型驱动的自然语言界面** 允许业务用户用简单语言提问，系统自动生成并执行SQL [35] - **向量搜索和嵌入技术** 使得能够结合传统SQL分析对非结构化数据进行语义搜索 [35] - 统一分析平台涌现，例如： - **Databricks** 整合了湖仓存储、协作笔记本、ML管道和交互式仪表板，并通过收购MosaicML集成LLM训练 [35] - **Snowflake Cortex** 将AI功能直接嵌入SQL [36] - **Dremio Reflections** 利用AI自动优化查询聚合 [36] - **MotherDuck** 将DuckDB高性能带入云端 [36] - **流式OLAP** 兴起，系统如Apache Pinot、ClickHouse能基于最新数据以亚秒级延迟运行分析查询，模糊了OLTP与OLAP的界限 [36] - 愿景是实现**自助式分析**，让领域专家无需依赖数据团队即可探索数据 [36] 技术演进时间线总结 - **1970s-1980s OLTP时代**：关键技术为关系型数据库，架构为单体、行式存储，用例是交易处理，局限性是分析性能差且仅支持垂直扩展 [41] - **1990s OLAP革命**：关键技术为数据立方体，架构为预聚合多维数组，用例是快速商业智能和报告，局限性是缺乏灵活性、预处理量大且规模有限 [41][42] - **1990s末-2000s初 数据仓库时代**：关键技术为企业数据仓库，架构采用ETL、列式存储、MPP集群，用例是集中式分析存储库，局限性是成本高、方案僵化、硬件扩展受限 [42] - **2000s末-2010s 大数据时代**：关键技术为Hadoop生态系统，架构基于通用硬件的分布式存储计算，用例是大规模数据湖和批量处理，局限性是延迟高、操作复杂、无事务支持 [42] - **2010s 云仓库时代**：关键技术为云原生数据仓库，架构实现计算存储分离、弹性无服务器，用例是可扩展、经济高效的分析即服务，局限性是专有格式可能导致供应商锁定 [42] - **2010s末-2020s 湖仓一体时代**：关键技术为开放表格式与现代查询引擎，架构是基于开放数据湖的ACID事务与通用目录，用例是开放、灵活的高性能分析，局限性是仍需SQL专业知识 [42] - **2020s至今 AI原生分析**：关键技术为具备语义层和LLM接口的AI驱动平台，架构统一数据、ML和BI并嵌入智能，用例是自助分析、自然语言查询和实时机器学习 [42] 未来展望 - 数据系统正从工具演变为能理解意图并适应需求的平台 [43] - 新兴领域包括：**自主优化**（系统自动学习并优化）、**实时智能**（运营与分析系统界限消失）、**联邦学习和隐私保护分析**，以及**自然语言作为主要交互界面** [44][45] - 未来成功的公司和系统将拥抱开放、优先考虑智能嵌入，并致力于让组织中的每个人都能做出数据驱动的决策 [45]

文章核心观点 - 两位资深市场人士建议投资者关注超卖股票的投资机会 而非追逐热门公司 因市场已接近历史高位 [1][3] - 文章通过量化筛选方法 列出了截至2026年初标普500指数中11只最超卖的股票 筛选标准为相对强弱指数低于40且股价较52周高点下跌至少20% [7] 筛选方法与依据 - 筛选方法：使用筛选器找出截至12月9日收盘 相对强弱指数低于40且股价较52周高点下跌至少20%的标普500成分股 并从中选出股价跌幅最大的11只股票进行降序排列 [7] - 数据补充：同时提供了截至2025年第三季度对冲基金持有这些公司股份的数据 以提供更多投资者关注度的信息 [7] 专家观点与市场背景 - Tom Sosnoff建议散户投资者应专注于买入超卖且便宜的股票 并举例说明了MP Materials的股价波动 该股年初约15美元 曾飙升至近100美元 随后暴跌约50% [1][2] - David Katz同样认为投资超卖公司存在机会 并指出市场调整即将结束而非开始 他建议投资者从更广泛的超卖股票池中挑选 而非局限于某个名单 [3][4] - David Katz以波音公司为例 称其为其最看好的选择之一 认为公司在经历五年困难时期后有望反弹 同时他表示对富达国民信息服务公司持谨慎态度 因其近期财报及历史业绩问题 这是他最不看好的超卖股 [4] 超卖股票详情：空气化工产品公司 - 股价表现：股价较52周高点下跌32.36% 相对强弱指数为28.07 截至2025年第三季度有51家对冲基金持有 [10] - 分析师评级调整：12月11日 Argus Research将目标价从317美元下调至265美元 但维持买入评级 认为宏观经济逆风（需求疲软和高投入成本）可能在2026年缓解 并预计EBITDA和营收将改善 [10][11] 同日 UBS将评级从买入下调至中性 目标价从310美元大幅下调至250美元 原因是公司更新路易斯安那和NEOM项目后股价下跌 认为中期盈利增长可能低于此前预期 自由现金流改善路径将更慢 [12] 12月10日 德意志银行将目标价从285美元下调至255美元 但重申持有评级 [13] - 市场共识与公司概况：华尔街分析师共识评级为温和买入 一年期平均目标价为304.19美元 意味着25%的上涨空间 该公司是一家服务于能源、环境和新兴市场的工业气体公司 2025年表现艰难 年内迄今下跌16% [13][14] 超卖股票详情：威达信集团 - 股价表现：股价较52周高点下跌33.10% 相对强弱指数为38.81 截至2025年第三季度有55家对冲基金持有 [15] - 分析师评级与目标价：截至12月10日收盘 华尔街分析师共识评级为温和买入 一年期平均目标价为251.29美元 意味着17%的上涨空间 [15] 12月10日 RBC Capital分析师维持买入评级 目标价250美元 重申了其10月30日的调整 当时因公司第三季度营收未达预期 将该数据分析公司的目标价从314美元下调至250美元 [16] - 业绩与业务动态：第三季度营收未达预期 归因于该期间严重天气事件减少 降低了保险公司用于估算索赔的软件需求 公司预计第四季度天气条件也将充满挑战 [18] 11月14日 Argus Research因公司将年度营收预期下调至30.5亿至30.8亿美元区间（低于分析师共识的31.2亿美元） 将评级从买入下调至持有 [17] 12月10日 公司宣布扩大与KYND的战略合作伙伴关系 将其Rulebook平台与后者的高级网络风险洞察相结合 以增强保险市场的网络韧性 [19] - 公司概况：威达信集团是一家服务于保险行业客户的数据分析和技术公司 年内迄今股价下跌22% [20]

报告发布与核心目标 - Comscore作为全球消费者行为测量分析领导者 发布了2025年AI智能报告 旨在提供生成式AI采用、参与及影响的全面独立第三方视角[1] - 该报告旨在帮助品牌和媒体领导者驾驭当前加速变革的时代 揭示ChatGPT、Copilot和Gemini等AI平台如何从根本上重塑消费者旅程的所有环节[1] - 报告提供宏观市场视角和跨AI工具类别的深度细分分析 涵盖AI助手、设计、音频、教育等领域 分析对象包括纯AI驱动平台和整合AI功能的工具[2] 数据来源与方法论 - Comscore的洞察基于代表桌面和移动端实体的个人样本组 采用专有方法论和类别级可见性 使用选择加入且符合隐私规定的行为数据及行业领先的分类标准[5] - 其数据资产和第三方验证为平台、品牌和广告商提供所需的关键真实信号 以构建更好产品、衡量影响并理解大规模采用的真实情况[2][3] AI采用与使用关键数据 - **AI助手普及**：2025年 AI助手工具覆盖了36%的桌面用户和24%的移动用户 主要由ChatGPT、Gemini和Copilot等工具驱动[6] - **搜索AI化**：目前超过30%的谷歌桌面搜索会呈现AI概述 较2025年4月的23%有所上升[6] - **影响购买决策**：近63%的酒店预订者在预订前访问了AI平台 其中7%在完成交易后几分钟内访问 表明AI在决策点的作用日益增强[6] - **多设备使用**：ChatGPT在AI助手类别中领先 其移动和桌面参与度均很高 展示了用户如何将AI整合到多个触点的行为[6] - **用户 demographic 扩张**：AI使用在所有年龄段均有增长 其中25-34岁年龄段的使用量增幅最高[6] - **社交媒体热度**：2025年 AI相关社交媒体内容驱动了超过6400万次互动 几乎是2024年的两倍[6] 行业影响与公司定位 - AI正在迅速改变人们研究、决策和购买的方式 并重塑广告主和企业的并行运营模式[3] - Comscore作为全球可信赖的跨平台媒体规划、交易和评估合作伙伴 拥有结合数字、线性电视、OTT和影院收视情报的先进受众洞察数据 赋能媒体买卖双方量化多屏行为并做出有信心的商业决策[6][7] - Comscore是衡量数字和电视受众及大规模广告的成熟领导者 也是行业新兴的可靠且全面的跨平台测量第三方来源[7]

公司动态 - 专注于颠覆性创新的投资机构Ark Invest近期正在减持人工智能数据分析公司Palantir的股份 [1] - 此次减持由Ark Invest创始人Cathie Wood主导 [1]

公司与市场动态 - 标普全球公司被列入15只蓝筹股息股名单，可用于构建被动收入投资组合 [1] - 公司宣布与亚马逊云科技建立新的合作伙伴关系，旨在通过AI代理为客户提供金融、市场和能源领域的复杂问题解答 [2] - 该合作将公司的数据与客户自有信息及AI工作流相结合，以提供实时洞察并辅助决策 [3] 财务表现与战略 - 公司2025年第三季度营收为38.9亿美元，同比增长8.7% [4] - 2025年第三季度调整后净利润为14.42亿美元，同比增长19% [4] - 公司以18亿美元完成对With Intelligence的收购，收购战略持续推进 [4] 业务描述 - 标普全球是一家总部位于纽约的公司，为机构提供金融情报和数据分析服务以支持其决策 [4]

核心观点 - 文章总结了对Palantir Technologies Inc. (PLTR)的看涨观点 认为公司通过双引擎平台战略、强劲的合同势头和商业扩张 展现出显著的长期价值创造潜力[1][6] 公司业务与战略 - 公司已从专注于国防的分析提供商转型为服务于政府和商业市场的双引擎平台公司[2] - Gotham平台持续驱动国家安全相关业务 而Foundry和人工智能平台(AIP)则推动企业采用[2] - 公司平台广度涵盖业务流程编排、安全数据集成和智能决策支持 这构成了可防御的竞争壁垒[4] 财务与运营表现 - 截至12月1日 公司股价为167.49美元[1] - 根据雅虎财经 公司过往市盈率和远期市盈率分别为388.38和169.49[1] - 第二季度美国商业收入同比增长93%[2] - 剩余交易价值增至27.9亿美元 同比增长222%[2] - 自2025年5月以来 股价已上涨约53.85%[6] 增长驱动与合同势头 - AIP训练营加速了价值实现时间 推动了商业收入的强劲增长[2] - 合同势头支撑了公司的增长论点 例如获得美国退伍军人事务部3.854亿美元的奖项 用于国家患者护理数据库 支持超过500万活跃用户[3] - 在陆军和商业合作伙伴(如OneMedNet)方面也有显著扩展[3] 投资关注点与估值 - 投资者注意力将集中在年度新增合同净值、利润率的可持续性以及最终现金流能否证明当前估值的合理性上[4] - 公司远期市盈率超过200倍 反映了市场对其的高执行预期[3] - 政府的信誉为公司提供了稳定的基础 而商业化的速度是投资者的主要变量[3] - 公司结合了战略政府合同、企业扩张和可扩展的AI平台 为能够容忍高估值的投资者提供了一个高确信度的投资故事[5]

文章核心观点 - 人工智能行业存在泡沫破裂的风险 科技巨头CEO承认没有公司能在此情况下独善其身 投资者应警惕市场贪婪情绪并考虑分散投资以管理风险 [1][3][8][13] 人工智能行业现状与估值 - 多只人工智能股票近年来涨幅巨大 例如英伟达和Palantir自2023年以来涨幅均超过1000% [1] - 市场存在贪婪情绪 部分股票估值高企 例如Palantir市值约4000亿美元 但其年收入仅约40亿美元 估值与基本面脱节 [4] - Palantir股票估值极高 交易价格超过销售额的100倍和盈利的390倍 [5] 人工智能泡沫可能破裂的触发因素 - 经济状况可能持续疲软 消费者财务状况不佳 正减少非必要支出 专注于必需品 [7] - 一项MIT研究发现 95%的生成式人工智能投资并未为公司带来回报 [7] - 企业可能因人工智能投资亏损成本上升和消费者疲软导致收入下降 从而大幅削减支出以保护盈利能力 [7] - 大型科技公司相互关联紧密 若作为人工智能增长主力的超大规模云服务商支出放缓 可能引发市场大幅回调 [8] 对估值指标的审慎看法 - 低市盈率可能提供虚假的安全感 例如英伟达的远期市盈率仅为23 其市盈增长比率也远低于1.0 [9] - 这些远期估值倍数基于分析师的预测而非硬数据 而当前对科技行业的增长预测依然乐观 [10] - 若企业支出削减 如同2022年科技行业经历的那样 分析师的预测可能迅速改变 导致看似便宜的股票变得昂贵 [11] 投资策略建议 - 进行定性分析至关重要 需评估投资分析所依赖的假设是否可靠 有缺陷的假设可能导致整个投资论点无效 [12] - 将投资组合分散到科技行业之外可能至关重要 当前科技领域与消费者及整体经济状况存在巨大脱节 [13] - 投资其他行业的蓝筹股或持有广泛投资于科技以外领域的交易所交易基金 有助于降低人工智能泡沫对投资组合构成的整体风险 [14]

核心观点 - 益博睿发布的首份社会服务展望指数显示，政府社会服务工作者普遍对利用数据和技术提升效率持乐观态度，认为这将有助于加快向合格申请人提供援助 [1][2] - 尽管前景乐观，但政策变化、人手不足和自动化缺乏等挑战仍可能影响效率提升进程 [3] 调查核心发现：效率预期与技术驱动 - 全部受访者（100%）预期其工作在未来一年将更加高效 [1][2] - 超过半数受访者（57%）认为数据和技术因素将对效率提升贡献最大 [2] - 54%的受访者认为其当前工作场所非常高效 [1] - 40%的社会服务工作者预计其日常技术和自动化使用将在明年“显著”增加 [5] 数据与自动化的具体影响 - 近四分之一（23%）的受访者将数据获取增加列为最能提升工作效率的因素 [5] - 超过四分之一（27%）的受访者指出，技术自动化带来的最大积极影响领域是确定合格申请人的适当福利规模 [5] - 数据自动化通过简化重复性任务和改进信息获取以进行验证，从而腾出时间让个案工作者专注于提供有意义的支持 [4] 面临的主要挑战 - 未来一年的主要担忧包括：政策变化（49%）、人员配备不足（41%）以及缺乏自动化（41%） [3] - 几乎所有政府工作者（98%）都预计拥有多种收入来源（如零工）的申请人将会增加，这增加了工作的复杂性 [6] 提升效率的解决方案与流程现代化 - 受访者提出的实用解决方案包括：简化资格和文件要求（38%）、加强内部沟通与反馈（35%）、以及解决交通和语言等无障碍障碍的方案（34%） [8] - 绝大多数社会服务工作者（98%）同意，通用申请流程（如跨项目共享的通用申请表）将提高效率 [9] - 几乎全部工作者（99%）认为，由一名个案工作者支持多个项目对受益人是有帮助的，能提供更一致和协调的体验 [9] - 拥有10年以上经验的员工更支持这些变革：54%的资深员工认为通用申请表会使其角色效率大幅提升（经验较少者为43%），61%的资深员工认为由一名个案工作者支持多项目非常有益（经验较少者为48%） [10] 行业趋势与公司角色 - 零工和非传统收入来源的兴起是社会服务机构近年来改进流程的关键因素之一，这既带来了复杂性，也提供了更有效服务民众的新机遇 [7] - 通过利用数据和自动化更深入地了解申请人在多种收入来源下的收入就业状况，机构能更好地在申请人需要时提供适当的福利 [7] - 益博睿作为一家全球数据、分析和技术公司，其调查旨在衡量工作者对效率、技术采用和公共服务未来的看法 [11][12]