证券行业IT投入连续两年增幅超过20%,多家券商每年投入超过10亿元。在金融科技投入成本有限的情况下,如何保持数字化转型发展不掉队,是大多数中小券商无法回避的问题。同时,证券行业数字化转型复合型人才的供给不足,造成数据技术应用难以保持同步,实际业务与数据技术应用覆盖范围之间长期存在偏差。
基于行业现状,南京证券制定以聚焦匹配、业务融合为原则,"一个战略,三大体系,五项能力”的发展路径,建设以客户服务为核心,提升业务能力与工作效率、降低综合风险与运营成本为目标的公司数字化发展战略,自主研发打造的数智化客户营销服务运营展业平台(以下简称"展业平台”),平台依托云原生架构进行一体化敏捷开发,提升交付速度,降低试错成本,高效响应需求,提高用户体验,全方位赋能员工展业和南京证券财富管理转型。

图:数字化转型蓝图
技术架构方面,展业平台依托技术中台,实现应用的快速迭代开发、监控、治理、渠道接入与访问控制,架构出“大中台,小应用“模式,根据不同业务场景实现业务应用,下沉技术组件和公共模块,做到灵活支持业务的创新迭代,快速响应用户需求。同时,基于国产
大数据技术建设大数据平台,结合Hive, Kafka, HBase, Flink等技术组件,以及元数据管
理、数据质量管理、血缘分析等数据管控工具,实现数据的集中存储与计算,消除了业务和系统之间的分散隔阂,大幅提升了数据质量,实现了高可靠、高可用,并在技术中台和数据中台的基础上,建设数智化客户营销服务运营展业平台,搭建了客户中心、画像中心、产品中心、运营中心、内容中心等业务组件。
业务模式方面,展业平台目前用户规模1000余人,覆盖证券行业相关的多业务条线,比如经纪业务、零售业务、机构业务、信用业务等。平台通过客户经理、投资顾问等一线员工服务了南京证券的大晕客户,提升南京证券金融服务的能力水平以及客户服务体验和满意度。作为南京证券数字化转型的重要组成部分,对内提升运营效率,对外提升客户体验,赋能一线分支机构,扩大服务半径、提升服务效能,实现队伍综合业绩与业务收入的突破性增长。
展业平台成为南京证券经纪业务数字化转型的配套基础,实现了对客户全生命周期的数
细化管理,以客户为中心,利用数据挖掘和算法优化等方法,建立客户全生命周期运营体系,实现超百万客户的标签画像体系精准分析与精细化管理。
为客户经理在获客、服务、提醒、转化、营销、挽留、关怀等提供一揽子策略支持。平台融合汇聚各业务系统,打通系统数据隔闵,实现业务的便捷管理与精准统计。展业平台的 “经管佣金设置和信用佣金复核”功能在原有基础上提升信息处理时效40%,整体工作效率提升30%, “客户资料预审”为公司节约后期管理维护费用约200万元,实现了降本增效。
展业平台的建设,使得公司在企业级应用APP相关平台的细分市场上份额能够大幅提升,从而对接更多交易合作伙伴,日新增运营超过原有承载能力的多个产品,处理数据量远超同类平台。同时通过该项目的自主研发,进一步提升了相关技术人员的基础研究能力,促进产研技术的进步,有效带来丰富的研发项目管理经验以及研发知识的累积,为突破技术瓶颈以及未来的研发活动的开展夯实牢固的基础。
展业平台的建设面向大型证券企业数字化转型升级的重大战略需求,针对满足严格监管环境下,研发企业级应用APP提高企业开发和建设能力,在追求不同场景多标准适用的同时,实现数据处理的伸缩扩展稳定性达到最高水平,为金融行业客户运营提供了成功的实践经验和经典案例,推动了细分领域内的技术革新与多样化。
好文章,需要你的鼓励
埃森哲投资AI零售平台Profitmind,该平台通过智能代理自动化定价决策、库存管理和规划。研究显示AI驱动了2025年假日购物季20%的消费,约2620亿美元。部署AI代理的企业假日销售同比增长6.2%,而未部署的仅增长3.9%。Profitmind实时监控竞争对手价格和营销策略,并可创建生成式引擎优化产品文案。
上海AI实验室联合团队开发RoboVIP系统,通过视觉身份提示技术解决机器人训练数据稀缺问题。该系统能生成多视角、时间连贯的机器人操作视频,利用夹爪状态信号精确识别交互物体,构建百万级视觉身份数据库。实验显示,RoboVIP显著提升机器人在复杂环境中的操作成功率,为机器人智能化发展提供重要技术突破。
日立公司在CES 2026技术展上宣布了重新定义人工智能未来的"里程碑式"战略,将AI直接应用于关键物理基础设施。该公司与英伟达、谷歌云建立重要合作伙伴关系,并扩展其数字资产管理平台HMAX,旨在将AI引入社会基础设施,变革能源、交通和工业基础设施领域。日立强调其独特地位,能够将AI集成到直接影响社会的系统中,解决可持续发展、安全和效率方面的紧迫挑战。
英伟达研究团队提出GDPO方法,解决AI多目标训练中的"奖励信号坍缩"问题。该方法通过分别评估各技能再综合考量,避免了传统GRPO方法简单相加导致的信息丢失。在工具调用、数学推理、代码编程三大场景测试中,GDPO均显著优于传统方法,准确率提升最高达6.3%,且训练过程更稳定。该技术已开源并支持主流AI框架。