摘要：在 2025 帆软第七届智数大会现场，中国石化化工销售公司高级专家陈永凯以 “人工智能与数据治理在石化企业营销领域的实践” 为主题，分享了这家年销售额超 5000 亿元的石化巨头，在数字化转型浪潮中的探索与思考。作为石油化工行业的 “老兵”，陈永凯的分享既有对
在 2025 帆软第七届智数大会现场，中国石化化工销售公司高级专家陈永凯以 “人工智能与数据治理在石化企业营销领域的实践” 为主题，分享了这家年销售额超 5000 亿元的石化巨头，在数字化转型浪潮中的探索与思考。作为石油化工行业的 “老兵”，陈永凯的分享既有对行业痛点的深刻洞察，也有落地可行的实践方案，更打破了 “跨行业交流” 的壁垒，为不同领域的数字化转型提供了宝贵借鉴。
一、时代背景：AI 成必答题，但企业级应用仍处 “概念期”
“现在开会必提 AI，但真正能服务于企业高级运营管理的智能产品，还处于概念期。” 陈永凯开篇直言行业现状。他指出，当前人工智能已成为推动高质量发展的核心技术，从消费端的智能音箱、人形机器人（如 2025 世界人形机器人运动会上的国产机器人），到工业端的机械臂、预测性维护，AI 应用已渗透多个领域。但企业级管理场景的 AI 应用，尤其是营销领域，仍面临 “目标不明确、场景不清楚、数据基础弱、长效机制缺” 四大挑战。
与此同时，政策层面的推动更凸显转型的紧迫性：2025 年 1 月《国家数据基础设施建设指引》明确数据要素的核心地位，8 月《国务院关于深入实施 “人工智能 +” 行动的意见》更是提出 “2027 年 AI 与 6 大重点领域深度融合、普及率超 70%” 的目标。作为国家战略的重要参与者，中石化等央国企的 AI 转型已不是 “选择题”，而是必须答好的 “必答题”。
但陈永凯也强调，AI 落地企业需跨越 “三重门槛”：基础大模型无法直接适配行业需求，需先开发垂直行业大模型；垂直模型需结合具体场景，通过 RAG 工程（检索增强生成）补充行业知识；场景应用需调用传统 API 实现 “行动闭环”，每一步都需大量投入与数据支撑。
二、营销破局：AI 需扎根业务，数据是 “第一燃料”
“营销是企业的生命线，AI 要在营销领域落地，必须先搞清楚‘客户、资源、定价、交付’等核心环节的需求。” 陈永凯认为，石化行业营销的特殊性在于 “B2B 大宗贸易”，需精准解决 “客户需求难洞察、资源分配效率低、运营环节不透明” 三大痛点，而 AI 与数据正是破局关键。
他以中石化化工销售的实践为例，拆解了营销领域的 AI 应用逻辑：
客户管理：通过聚类算法分析客户历史交易、交互数据，实现客户细分与精准营销，比如识别某汽车零部件客户的采购周期与偏好，定制供货方案；
资源分配：基于 30 余家供应企业的库存数据与客户分布，用机器学习预测需求，优化仓储与运输方案，避免 “远距离调货浪费” 或 “本地库存积压”；
全链路监控：从交易风险评估、智能物流调度到自动化结算，AI 可嵌入营销全环节，比如通过物联网数据实时监控运输车辆位置，预警交付延误。
但这一切的前提，是 “高质量数据”。陈永凯多次强调：“AI 的三大基础是算力、算法、数据，而数据是‘第一燃料’。没有数据治理，AI 就是空谈。” 他坦言，中石化化工销售曾长期面临 “数据烟囱” 问题 ——20 多年建成的多套业务系统，数据编码、格式不统一，跨系统分析需手动整合，“要做 AI，必须先把数据‘理清楚、管起来’”。
三、中石化实践：三年数据治理筑基，帆软 BI 赋能智能分析
“我们花了三年时间，才把数据从‘混乱’做到‘规范’。” 陈永凯分享了中石化化工销售的转型路径，核心是 “以数据治理为基，以智能分析为用”。
数据治理：从 “烟囱” 到 “标准”，三步走夯实基础
面对 “数据分散、口径不一” 的痛点，中石化化工销售制定了 “三年规划”，分阶段推进数据治理：
第一步：数据入湖，打破壁垒：
完成石化E贸、ERP、CRM、物流等 10 余个系统的数据梳理，接入 200 余张核心表，涵盖物料、订单、客户、库存等关键数据，甚至整合外部商情数据，实现 “数据全汇聚”；
第二步：标准统一，规范口径：
制定 54 个业务术语标准、740 个数据元标准、78 个指标标准，比如统一 “运输方式编码”（将 “R6 公路自提” 规范为 “Z014 自提”）、“用户手机号码校验规则”（11 位、1 开头），解决 “同数据不同名、同指标不同算” 的问题；
第三步：运营管控，长效保障：
建立 “数据规范化运营体系”，从数据源端要求按标准录入数据，同时搭建数据质量监控机制，定期评估数据准确性、完整性，避免 “治理后反弹”。
智能分析：借力帆软 BI，从 “看数据” 到 “用数据”
在数据治理基础上，中石化化工销售引入帆软 BI 产品，搭建营销智能分析平台，实现两大核心价值：
资源分配优化：
建立覆盖 30 余家企业的库存监控平台，每日自动汇总生产库存、可销售库存数据，结合营销策略生成 “资源调配建议”，比如某区域客户需求激增时，系统可快速推荐就近仓库补货，降低物流成本；
客户服务升级：
试点智能客服系统，接入中石化集团 “长城大模型”（基于 DeepSeek 模型），通过自然语言处理理解客户咨询，比如解答 “某型号化工原料价格走势”“订单物流进度”，同时具备 “自主学习” 能力，根据客户反馈优化回答策略。
陈永凯特别提到：“我们不追求‘大屏炫技’，而是让数据真正服务业务。比如通过落袋价格分析模型，我们能精准判断不同销售渠道的利润贡献，及时优化低效渠道，把资源集中到高价值领域。”
四、转型启示：AI 不是 “颠覆”，而是 “渐进式进化”
分享最后，陈永凯结合自身 20 余年信息化经验，给出了四条跨行业通用的转型建议，字字珠玑：
数字化转型是 “必答题”，但需循序渐进
AI 不是要 “颠覆” 现有系统，而是在数字化基础上做 “智能化升级”。企业需将转型纳入战略规划，从组织架构、人才培养等方面提供保障，避免 “盲目跟风”。
AI 落地的核心是 “高质量数据”，数据治理要 “长期主义”
数据治理不是 “一次性项目”，而是 “长期工程”。需从数据源端规范数据，建立 “采集 - 清洗 - 监控” 的全流程机制，否则 AI 模型 “喂” 进去的是 “脏数据”，输出的必然是 “无效结果”。
建立运营机制，避免 “治理后反弹”
数据治理后需配套运营体系，明确各部门职责，比如业务部门负责按标准录入数据，IT 部门负责监控数据质量，同时制定数据安全制度，平衡 “数据可用” 与 “数据安全”。
培养复合型人才，营造 “数据文化”
数字化转型的关键是人。需培养 “懂业务 + 懂技术” 的复合型人才，同时推动 “数据分析文化” 建设 —— 让业务部门养成 “用数据说话” 的习惯，让 AI 工具从 “被动使用” 变为 “主动依赖”。
“跨行业交流能碰撞出更多火花。” 陈永凯在结尾时强调，无论是地铁行业的精细化运营，还是医药行业的数据闭环，都有值得石化行业借鉴的地方。而中石化化工销售的实践证明，即使是规模庞大、流程复杂的传统企业，只要以数据为基、以业务为魂，AI 就能从 “概念” 走向 “实践”，真正成为营销破局的 “核心引擎”。
来源：帆软软件