科技保险与保险科技的区别？

一、科技保险与保险科技的区别？

科技保险是一家从事保险的企业，而保险科技是从事保险的宣传和研究部门。

二、海南智爱科技智能家居产品怎么样？海南智爱科技智能家居产品怎么样？

海南要装智能家居的话就一定要找旗舰店，关键是要有授权的。装之前一定要去体验一下，亲身体验过才能知道智能家居对你有没有帮助。

海口市秀英区秀英港居然之家6楼有家绿米智能家居4S体验店 有时间可以过去看一下。

三、什么是保险科技？

保险科技是一种以大数据、人工智能等为代表的保险技术手段，是保险业加快转型向高质量发展的重要“催优剂”。

它在优化经营模式、提升服务效率、促进产品创新等方面扮演着越来越重要的角色，其应用也日益受到行业的高度重视，已经取得了明显成效，成为推动保险行业数字化转型的必由之路。

四、科技保险如何报销？

可以通过网络发布消息或也可以印成传单派发给人们让他们多多了解

五、保险科技可以用于互联网保险的哪些环节？

在过去十年里，许多国内外保险公司已认识到未来成功将取决于有别于商务智能（BI）的数据应用。由于保险公司高层对这一领域的期望值很高，很多保险公司都在人、财、物上大举投入数据应用。由于术语混乱，数据应用可以称为高级分析(Advanced Analytics)、数据科学(Data Science)、机器学习(Machine Learning)或甚至人工智能(AI)。不管这些术语如何，目标是相同的：增加保费和降本增效，并支持产品或业务模式创新。此外，许多保险公司认为，随着经济数字化程度提升，为在数字经济中保持公司的竞争力，其内部流程和产品都需要智能化，而智能化来自数据应用。

由于保险公司高层数据意识的日渐提升，许多大中型保险集团开始招聘大量数据应用人员，实施数据应用项目，并进一步推进基于深度学习的人工智能项目，期望以科技力量驱动业务发展，实现弯道超车。然而，在一系列项目实施几年后，许多项目表现出疲乏和未达到预期的迹象，大量数据应用人员流失，高层领导对数据应用项目进展速度和质量感到不满。根据美国Gartner科技咨询公司的资料显示，发现在美国公司，大数据（包括人工智能）应用成功率徘徊在15-20%之间。根据国外咨询公司研究，全球70%的公司目前正致力于让第一个人工智能部署投入运行，已经在选定的领域进行了试点，但所期望的大规模业务转型尚未实现。数据应用和人工智能仍然是一个热词，并没有成为一般保险公司的核心竞争力。

为什么数据应用效果不佳？

首先，数据应用一个具有泡沫的领域，我们已经对数据应用产生太高期望值。数据应用是一个相对新和不成熟的领域，它是数据和业务融合的产物。然而现实是，数据人员不懂业务，而业务人员又不懂数据，这个距离产生两个副作用：（1）数据应用队伍工作抓手欠缺，困惑于找不到一个正确方法启动工作。正确的方法是和业务部门一起脑力风暴后，由此产生一个潜在项目名单，然后根据潜在业务价值或战略价值，对项目名单做减法，从而聚焦两、三个项目突破（2）业务部门对数据应用产生神秘感，由此对数据应用产生影响的预期不确定。因为要启动数据应用，业务部门都有资源投入，而业务部门KPI的压力大，也许会导致其对数据应用期望值过高；也有可能公司数据文化渗透不够，业务部门不相信数据应用价值。埃森哲2017通过建模预测，到2035年，人工智能将使美国年生产总值增长率翻番，并将生产率提高40%。普华永道2018年时，利用各种计量经济学方法预测，由于数据应用和人工智能，2030年全球GDP将增长14%。McKinsey同年也预测，到2035年，累计美国GDP将增长约16%。根据人工智能目前算法瓶颈，我认为这些预言本身是实现不了的，但非技术背景的领导有可能被这些资

讯信息误导，从而对数据应用产生不切合实际的期望。数据应用价值达不到期望，自然认为是效果差了。

第二，很多公司的数据应用缺少一个明确规划和聚焦方向。数据应用成功需要数据技术和业务场景融合，不是单纯靠数据技术本身能够实现的，它是数据技术和业务的共同使命。然而，往往公司的数据应用队伍对保险业务理解不够深透，与业务部门融入欠缺。业务部门忙业务犹如打仗，没有足够人力资源投入数据应用项目的推动，而且他们的需求必须翻译后才能转换为数据应用项目。数据队伍往往欠缺有咨询能力的产品经理。一个咨询公司的价值在于他们能够发掘出业务需求后进行翻译转换，因为他们对行业和业务理解力比保险公司数据人才强。我加入保险公司后，发现一些数据应用上的问题，比如从组织架构上，我们欠缺几个同时理解业务和数据技术的数据应用产品经理，他们能够促进数据技术和业务的融合；更重要的是，我们欠缺顶层设计，即数据应用规划。研究表明，当我们把目标和实现路径写入规划并比对着推动时，实现目标的概率增加42%。然而，我们没有一个整体规划、路线图和由此分解而出的、有优先级的未来工作方向，只是每年底，数据应用部门向业务部门提请求，请求业务部门提出数据应用的需求。这样，由于数据应用和业务之间距离较大，数据应用似乎成了完成某个政治任务，东一榔头、西一榔头，遍地开花而无果，而非聚焦有限资源突破某一、二个领域，因此导致项目失败率更大，导致数据应用团队挫折感增加，和随后的数据应用员工流失。在美国保险领域工作经历告诉我，数据应用发挥价值较大之处，无外乎在四大项目：

① 客户洞察中心

② 面向C端的营销 (包括获客+交叉销售、续保)

③ 大数据定价 （包括非车险大数据定价）

④ 理赔（尤其是反欺诈）

但我们往往在数据应用项目方向上凝聚不够，推动不够持之以恒，类似“猴子掰包谷”，已完成项目欠缺运维，而未来项目方向发散，价值体现不大。

第三，是公司数据底层太薄。这个和公司的数据文化不够高密切相关。科技公司，如美国的亚马逊、谷歌、苹果、Facebook和中国的BATJ，由于是非传统公司，都采用了截然不同的商业策略获得目前的市场支配地位和影响力。这些公司成功秘诀的共同之处，是他们对数据价值的理解和早期定位的预见。这些公司不断强调人才队伍的能力建设，同时内部采集、管理客户数据资产，并开发、测试和部署顶级技术，以便为其客户提供最好的服务。而对于传统的、非数字化的保险公司，已经拥有固化的线下渠道获取大部分业务的工作方式、大批数字化不成熟的业务人员和遗留的老旧IT基础设施，要实现数字化转型障碍很大。业务领导层或许明白数字化和数据应用驱动的重要性，但对这一主题的了解仍然不足。而基层业务人员明显欠缺数据文化，这样会导致数据应用的基础薄弱。比如，投保非车保险的保单的设计和承保问卷的设计是由总公司业务部门负责的，分公司必须严格遵照执行，但实际上输入数据大多是非结构化数据，没有规范和验证；而分公司或业务人员执行的能力差异度很大，造成数据质量很差。什么时候业务员对客户的思维是“我们怎么为你提供你所需的保障”服务心态，而非“你买份保险

吧”销售心态，那么业务员就会主动、认真收集数据了，这样才能夯实数据质和量，有了数据的质和量，才能让数据应用赋能业务。要克服数据底层薄弱问题，需要公司领导层的坚定决心和毅力对未来全线上化运营、基于线上化运营的数据应用体系所进行的大投资。一个保险公司的首席数据官（CDO），在数据应用价值上要扮演一个“数据应用”大使，多去基层走走，宣导保险行业“以客户为中心”的成功数据应用案例，大力培植保险公司的数据文化，让基层员工充分理解数据的价值，从而协同数据应用团队夯实数据基础。

第四，没有把控好和企划项目考核的协同，欠缺对数据应用项目进行分类差异化管理。数据应用项目可分为增收（￥）、增利（￥）、降本（￥）、增效（减少人或小时工作量，或速度%提升）、管理（定性）和合规（定性）六大类，考核数据应用项目需要有差异化的指标，而非千篇一律的ROI。

第五，没及时对过往失败数据应用逐项进行经验总结。只有这样才能对未来数据应用成功有所帮助。我们需要问几个问题

① 数据应用本身是否对业务有价值？

② 业务没有使用已上线的数据应用的原因探索：是设计功能不能满足，还是数据本身质量问题，还是业务单位认知不足，还是情况改变，需要改变需求?

③ 找出造成这些期望与达成差异的原因：是否项目管理的问题(计划，沟通，协作......)，用户支持的问题，需求设计的问题，技术不到位, 业务领导不够支持？

④ 如果做一个项目，是否需要一个更新的计划，并获得相关业务和IT的确认；如果要做，就要全力专注的推动，直到用起来

如何提升数据应用效果？

首先，是在公司层级提出一个管理需求，公司需要将数据应用和人工智能纳入“从战略到运营”的决策之所有方面的核心，并建设与数据驱动决策一致的关键绩效考核指标（价值体系）。数据应用的“战略”层到位，表现为公司注重数据和人工智能能力的发展，从董事长到总裁，都要强调数据应用，“数据应用”这几个字也都会在领导层会议的议程里面。数据应用“运营”层到位，需要公司首先推动全面线上化运营的转型。只有线上化了，才能数字化和智能化。我们应该围绕八大方向开展工作。

（一）树立正确和适度的数据应用愿景和目标

成功的数据应用战略的前提是了解业务目标，比如什么是当前中国保险必胜的战役？答案是“非车保险”；将来需要在哪里取得成功？答案是“数字化转型”。数据应用队伍首先要了解业务的战略和行动优先级。数据应用本身不能解决业务模型和服务模式问题。业务部门应理解使用数据应用，它将帮助业务做出更明智的决策，更快地获取信息，让流程自动化，并使得交付更敏捷。但是，数据应用绝不会构建或取代业务愿景和想法的缺失。数据应用项目的优先级，应来自业务

问题优先级。由于数据应用将在不同的领域做出不同的贡献，因此在评估公司数据应用工作的重点时，应考虑每个业务领域的数据应用成功案例，以及数据应用对案例的相对重要性。必须在全面调研行业实践和业务需求背景下，形成书面数据应用规划，以此指导未来数据应用的开展。

除了看重数据应用的业务效果之外，在考虑首先在哪里部署数据应用时，还应该考虑实施工程的难度。例如，将数据应用应用于销售和营销通常会很快产生效果，而将其用于产品开发需要更长的时间，涉及市场调研、外部数据收集、客户需求权衡模型分析、市场投放测试等，但这最终会产生巨大的影响效果。通常，从流程优化开始使用数据应用是比较有意义的。哪怕效率提高1%，或避免停机时间，都可能意味着避免数千万乃至上亿保费的损失。早期的数据应用项目成功，对于未来沟通以获得业务的认可非常重要，同时也增加了业务方对数据应用价值的更深理解。

获得业务对数据应用愿景的支持，传统的方法是为数据应用制定一个业务案例，显示预期的基准内部投产比（ROI），按照这些思路制定战略，是了解全局的一个很好的开始。由于数据应用的潜在机会如此之多，我们很难知道从哪开始。自然的起点通常是当前业务流程的优化：即利用现有的内部数据源来增强现有的业务模型、产品、服务、内部流程和功能（例如，营销、渠道、人力资源）。通过使用外部数据源丰富内部数据资产，可以进一步优化这些改进（如大数据定价、大数据风控）。

一旦我们对帮助当前业务发展的数据应用有了深度理解，就该发掘新的数据驱动的业务机会。其中包括“数据即业务”和数据合作伙伴关系，通过汇集多个组织的数据来创建新产品，这个由特定创新部门去完成为妥。

（二）坚持抓数据管理、数据治理和数据中台建设

高质量数据的可用性、复用性是成功的、产品化的数据应用的基础。如果数据是按照“可查找-可访问-可互操作-可重用”原则构建的，则可将其称为数据资产。而驻留在很多分散系统中、以不同格式和本体存在的数据，或缺少关键属性（如唯一标识符）的数据，都不是资产。如果数据资产不可重用，那么每个数据应用活动都将是一个单独的，也可能是大型而昂贵的IT活动。“构建一次使用多次”的原则对于实现数据资产价值最大化至关重要。例如，对于在线服务的个性化，我们希望使用来自在线和移动渠道的行为数据、客户关系管理（CCH）数据以及消费者在线和离线交易数据，而不仅仅是在线服务本身的数据。产品化数据资产的目标是支持所有数据应用。

在构建公司的数据资产时，需要抓手，得首先从优先的业务项目所需的数据开始。这听起来不言而喻，但在许多公司中，数据工程团队可能忙于构建一个将各种数据源集成到一个公共数据环境中的数据资产，而该环境可能缺少业务最终用户需要的数据源，这种做法必须避免。

开始构建数据资产的一个实际方法是评估当前数据，评估数据的“可查找-可访问-可互操作-可重用”。这个过程称为数据盘点。数据盘点回答以下问题：存在哪些数据？它在哪里？如何访问它？它的质量是什么？它能与其他数据链接吗？它的检索有多费劲？一旦对数据资产的当前状态进行了评估，就可以制定其开发的路线图。数据资产成为持续建设的数据中台的内容，奠定数据服务输出的基础。数据中台就是由底层实时计算、离线计算的架构，配合数据资产统一管理，对前端或业务输出所需数据查询、数据接口调用或数据可视化展现的功能平台。保险数据应用产生的各种预测模型、客户画像等也是封装在数据中台的数据服务之中的某种资产（算法、模型资产），也是保险的数据资产的价值变现。

（三）明确解决方案架构和技术

解决方案架构和技术，是指数据资产管理的底层技术方面。在定义了业务和数据后，对当前的技术架构进行批判性研究，并定义目标架构及其开发路线图。该任务也应遵循端到端用例逻辑，用于从业务操作系统（如客户管理体系CRM）、数仓、云环境、分析环境和业务数据收集接口系统。

由于拥有报表和BI方面的经验，许多数据解决方案架构师会停止在数仓级别上定义数据体系结构。然而，自动化数据应用，如机器学习解决方案，需要链回操作系统，这意味着业务操作系统应该是数据和解决方案体系结构的一个组成部分。例如，要将客户数据资产（包括优惠信息、客户评分等）作为现代全渠道营销自动化系统的一部分，需要设置一个端到端的体系结构。

管理从传统IT系统向数字世界的过渡，通常是一个漫长的过程。虽然自动化和人工智能最终会降低成本，但在过渡期内，由于新旧解决方案并存，成本可能会增加。此外，一个典型的科技部门的预算与当前系统的操作和维护紧密相关，而开发预算却不多，但新的技术解决方案需要新的投资。

（四）明确员工技能和角色

数据应用之旅需要中台组织架构的保障，并明确其中的新角色。虽然确切的角色术语各不相同，但数据应用中，四个角色对于四个不同功能是必需的：

① 数据应用战略

② 数据科学

③ 数据质量管理

④ 数据平台和技术解决方案

数据应用战略家（类似外部科技公司的数据应用产品经理）将业务愿景和目标转化为数据应用需求，监督项目执行，并确保项目成果被业务流程使用。大多数公司没有这个角色，但它是成功执行数据应用项目的最关键角色之一。如果没有数据应用战略家，有业务背景的人和数据科学家之间的沟通距离往往太远，可能需

要消耗大量时间来协调。对于一个数据应用战略家来说，他是一个想要把自己培养成业务和管理人才的资深数据科学家。随着时间的推移，数据应用战略家将具备开发数据应用产品的所有权和责任。McKinsey将此角色描述为“分析翻译师”，在开发提出初始解决方案后，“分析翻译师”是业务影响的驱动力。除了数据应用战略家外，业务领导者自身也需要对数据和人工智能的机会有一个充实的了解，以便推动项目主题向前发展，并将数据应用成果整合到业务流程中。

数据科学家（建模人员）有各种各样的形式，有着不同的背景。作为教育背景，许多人学习过定量方法，如计算机科学、数学、统计学、物理或工程。有一个具有不同教育背景互补的数据科学团队非常重要。例如，具有统计学或计量经济学背景的人擅长统计推断，而具有计算机科学背景的人精通机器学习技术和编码，而物理学背景的人被训练能模拟观察到的现象，并能跳出框框思考，精通数据的社会学家、心理学家或生物学家可以为团队带来不同的视角。由于数据应用是一个较为新颖的领域，应该首先聘用一名资深数据科学家，让他建立一个由经验丰富的数据科学家和有前途的年轻人才组成的平衡团队。

数据应用既需要聘用数据科学家，也需要填补技术角色，即数据工程师和数据架构师或平台工程师和解决方案架构师。否则将导致数据科学家的高度挫败感，因为他们必须从源系统中检索数据并自行构建数据库。如此的话，数据科学家近80%的时间花在这些繁琐任务上，而不是将工作放在建立模型和产生业务洞见。在实践中，这通常意味着数据资产和数据基础设施将无法正确构建。数据科学家接受的培训是建立机器学习模型，而不是提取、转换和加载（ETL）以及构建数据库和云解决方案。

（五）优化数据应用组织架构

最佳的数据应用组织结构，取决于公司的总体规模和组织、文化、数据应用成熟度，以及数据应用任务的类型。为让数据应用顺利进行，建立一个卓越中心（CoE，如成立一个大数据中心）通常有助于将焦点集中到某个主题上。根据CoE在公司中的定位，CoE将负责不同的领域的数据应用推动。CoE可能只由数据科学和商业智能（BI）团队组成，而技术团队（数据工程、平台）则从IT前置驻留在其中。或者，CoE可以只涵盖底层技术方面，而数据科学家则可以前置在业务部门工作。最佳设置需要根据公司的具体情况仔细分析。大多数公司将受益于共同的技术基础设施和数据资产管理，以及某种形式的集中数据科学团队，该团队解决了最困难的业务问题，并为所有业务部门和功能的使用创建了可扩展的数据应用组合。其他一些数据应用团队前置到重要部门（如数字运营、定价、理赔和客服）。

数据应用战略家最好前置在业务部门内推动数据应用向前发展，但在一开始，他们也可以与数据科学团队一起工作，并从那里帮助业务。在一个成熟的数据应用驱动的公司中，随着整个公司在日常业务中使用数据，CoE的作用将变得更小。在成熟阶段，CoE将继续关注常见的数据治理主题，如数据质量和完整性、技术系统和标准。其他数据技术人员渗透到各个业务部门，形成数据即运营，运营即

数据的业务发展模式，真正实现数据与业务高度融合，形成数据技术驱动业务，业务为数据技术提供数据的闭环运作体系。

（六）建设数据应用经营模式和激励机制

与数据应用组织密切相关的主题，是不同业务部门之间的操作模型。为了让数据科学家在最重要的应用上工作，业务领导应建立一个数据应用指导小组（我们在保险理赔反欺诈项目试过，让一个业务工作人员到数据应用处工作，指导理赔反欺诈数据应用工作方向），或者将数据应用开发纳入现有的业务领导团队会议中。除了有一个跨部门的指导小组，每个应用领域都应该有自己的、可操作的指导小组。

在数据应用实践的最初几年，由企划和科技委员会共同领导的跨部门指导小组集中预算通常是有意义的。预算推动了项目优先级的划分，如果没有一个集中的预算，数据应用活动将无法扩大。通常，单个业务部门和职能部门不希望承担公司范围内能力建设的成本（例如，公共数据模型、基础设施、应用程序编程接口和客户洞察中心等），即使这对整个公司来说是最佳的。这意味着数据应用解决方案容易变成独立的、不相连的孤岛。此外，如果没有一个共同的路线图、优先次序和明确的治理，那么在财务上贡献最大的业务部门可能会要求他们获得最大资源，即使最大资源在战略上可以更好地用于另一个领域。重要的是业务流程和业务人员从根本上受到数据应用的影响，数据和业务部门之间的密切合作确保切实、可持续的结果。例如，在市场营销中，为推动基于事件触发的个性化营销，需要提供数据和目标（Targeting）定位模型，但内容生产、客户画像模型、渠道策略、前端系统等也是如此。又例如，对于流程自动化，如果数据科学家建立了一个预测性的服务维护模型，那么只有当服务团队和技术系统能够执行及时的干预以响应预测时，才能产生业务影响。提高业务影响的一个明智的方法是给参与数据应用项目的每个人提供同样的激励。例如，如果目标是通过数据应用将营销活动中转化率提升20%，那么这个目标应该同时交给营销人员、数据科学家和数据工程师。这种目标融合和激励融合，可能一开始会引起一些反对意见，但最终会为公司带来最好的结果。

（七）运维机器学习模型资产

与数据资产一样，算法也可以被视为算法资产（模型资产）。这意味着随着时间的推移，机器学习算法的组合将变得可循环、可复用。每个新的分析建模不需要从头开始，而是在测试过的代码的基础上构建。随着时间的推移，这将使数据科学团队更有效率。与软件编码团队一样，它要求数据科学团队使用通用代码库和标准（如Python）。通过对数据和算法组合应用维护过程，可以发现和开发新的解决方案。

机器学习算法部署得越多，其可解释性就越成为一个话题。人们想知道为什么会做出某些预测或决定。这意味着数据科学家需要能够解释算法（特别是神经网络）

的可靠性和底层数据的特征（例如，样本和选择偏差、定型/偏见和测量误差）。监管机构对可解释性也会越来越感兴趣，他们希望提高算法的透明度和可信度。

（八）持续推动建设公司数据文化

公司决策者需要高度参与数据和人工智能策略执行的所有方面，以及支持计划所涉及的能力培养和资源需求。数据应用的成功，与技术和业务融合密切相关。在数据技术人员了解业务基础上，也需要推出“数据应用文化大使”（由数据应用战略家扮演），用以前保险成功的数据应用案例来布道保险数据应用的价值，提升业务部门的数据文化水平。另一个有效的方法是定制一个月度“数据应用研讨会”，要求相关业务部门骨干人员参加，这可以作为高层领导战略工作布置的一部分。业务部门人员对数据应用的理解不是在统计、计算机科学和编码上，而是在数据应用案例的背景和价值上。这样，业务领导就为数据应用创造一个有效的公司环境。这意味着设定数据应用的业务目标，提升下属业务人员的数据意识，并为数据应用和人工智能实施提供了有效的运营模式和组织模式。

【作者简介】李东，中国科技大学学士和硕士、美国密西根大学MBA和美国新泽西州立大学工程博士。早年从事科研，曾在国际顶尖科研杂志发表论文并担任顶级杂志技术主审，后从事大数据应用工作。李东具有丰富的跨学科、跨功能、跨工业和跨国高管经验，长于战略布局大数据和AI应用。曾作为谋大型保险公司首席数据官，分管AI、大数据应用、数字运营、信息技术和未来非车保险产品创新，推动数据科技战略在保险业务上的落地和突破。

六、智能家居领域，河东科技HDL怎么样？

河东科技HDL在智能家居领域确实很强，他们从95年开始就给人民大会堂做了灯光智能控制并延续至今，但一般人不知道，这是为什么呢？

又比如，说起中国的手机厂商，大部分人都知道好几个，但如果说起手机屏幕的制造商，估计一个都说不出来。这又是为什么呢？

这其实都是由他们的业务模式决定的。

手机屏幕只需要卖给手机厂商就行，并不卖给普通消费者，所以他们不需要让普通人知道。

同样的，在智能家居领域，河东科技HDL的主要客户也不是普通消费者，所以普通人也很少知道他们。

所有公司的商业模式，根据客户的不同，可以分为面向企业（to business，常称to B）、面向消费者（to consumer，常称To C）、和面向政府（to government，常称To G），其中To G可以看做是一种特殊的To B。

普通人知道最多的，是To C的公司，因为如果消费者都不知道，自然就不会买他们的东西了。所以他们也会做最多的宣传，让更多人知道。

而To B的企业，普通人是不是知道他们，就显得没那么重要了。

以智能家居为例，To B和To C有以下几点区别：

市场营销上，To C的重点是覆盖面和速度。To B的重点则是深度和口碑。在智能家居领域做To C的，推出了产品后，就要让更多的人、更快地知道，而做To B的，就更加注重产品的深度和业内的口碑。

在销售技能上，To C需要掌握大众媒介形式，分析用户数据，洞察行业趋势及消费者趋势。To B则需要更多本行业的专业性，需要对产品有深入的了解，能够理解客户需求并和客户沟通、需要有行业数据分析能力。

在获得客户的时间上，To C更加快，可能大众看了觉得不错就会下单，而To B获得客户的时间通常比较长，需要反复沟通，多方对比才能确定下来。

在盈利模式上，To B的智能家居企业，给其他企业提供产品和提供服务，成本较高，同时向企业收取费用，通常盈利模式较为固定。而To C的智能家居企业，除了卖给用户硬件产品以外，还能在产品APP中接入广告，收取广告费，或者以会员的形式收取会员费。

在增长空间上，To C更容易在短时间内爆发，有呈现指数增长的潜力，可能某个产品抓到用户的爽点就能一次翻身。但一旦在消费者中间出现了信任危机，可能马上就会跌落谷底。而To B则更加平稳，即使产品很好，也很难在短时间内爆发，但产品做好了，就可以稳步增长。

To B更强调产品的实用价值，To C更强调用户的情绪价值，To B更偏向于把产品做好，To C则更偏向于获取更大的流量。

在智能家居领域，小米、华为、欧瑞博、绿米等大众了解比较多的是主要To C的企业，而像河东科技HDL这种则偏To B和To G。

河东科技HDL前身是85年成立的，比华为还早成立两年。

从04年开始，他们就进入智能家居领域，在这么多年的发展过程中，河东科技HDL在全球106个国家和地区开拓了市场，下面是他们在全球的核心代理商分布点：

在此期间，他们积累完成了200,000+的项目，包含家居、建筑、酒店、机场、博物馆、图书馆、医院等场景。

他们典型的智能化案例包括：迪拜国际机场、三亚凤凰机场、澳大利亚建筑师协会大楼、北约总部、广州天环广场、伦敦O2洲际酒店、澳门Morpheus酒店等等。

酒店客房的灯、窗帘、空调和音乐都能实现智能化，客人一进房间，灯就会伴随着音乐声自动亮起，窗帘慢慢打开，空调已经自动调节到适宜的温度等

当然和普通人相关的，还是智慧住宅，比如下面这个——深圳龙华金茂府。

金茂府采用了河东科技HDL的全套智能控制系统，为业主提供了更舒适的居住体验。以下是HDL为金茂府定制的智能生活场景应用：

1.智能车位引导

当HDL智能系统检测到有业主开车进入停车场，电子屏幕便会自动显示空的车位号，引导业主去到相应的车位。

2.家庭安防检测

HDL为每户住宅安装了安防系统，当检测到家中的燃气、水等出现意外，或者家中有外人入侵时，系统会自动触发紧急按钮，同时呼叫本地提示语音。此外，住宅里还装有了独有的WIFI波设计，根据人的行动轨迹，如果检测到老人在室内摔倒，不仅会有紧报通知，物业也会及时上门救助。

3.门禁系统，自动呼梯：在进门前，系统就通过识别自动打开大门，唤醒电梯，且按好了业主要去的楼层。

4.智能场景联动：打开门的那瞬间，屋子里的灯会自动亮起，开启常用的灯光模式，播放音乐，还有空调、新风等系统均自动开启。

河东科技HDL的产品类型非常丰富，包括控制器、执行器、传感器、面板、网关、音视频设备、基础设备以及应用软件等，基本上可以满足用户所有需求，具有完整的生态链能力。

之所以他们能做这么多的大项目，与他们的功能强大，可以灵活拓展的智能控制系统Buspro分不开。

Buspro是他们自主研发的分布式智能控制系统，可以与常规的电器设备连接。用户通过手机、平板 电脑等多种终端对设备进行控制，也可以通过协议对接与其他智能系统集成。

另外他们还是首个加入KNX国际组织的中国制造商，而KNX总线在智能家居的有线领域是影响力最大的，可以说在智能家居的有线领域，河东科技HDL做得是出类拔萃的。

这是他们近年来获得过的部分荣誉：

2022年，HDL新品——Source智能中控荣获2022德国红点产品设计奖及德国iF产品设计奖。2022年，HDL新品之一毫米波传感器凭借独特的产品设计斩获2022年德国iF设计奖。2021年，荣获“2021中国家居行业价值100公司”奖项。2021年，荣获2021年度中国智能建筑行业-智能照明系统十大匠心产品品牌企业。2021年，荣获“2021年度中国家居冠军榜卓越影响力品牌”称号。2021年，共获得三大奖项：2021年“十大智能家居品牌奖”第二名、“十大智能照明品牌奖”第四名及“优秀房地产智能家居品牌奖”。

虽然他们在B端（面向企业）取得了如此多的成就，不过我还是建议他们把重心往C端（面向消费者）发展试试。

理由很简单，第一是他们有这个实力，第二是随着中国人民生活水平的提高，大家对智能家居的需求是越来越多的。

C端市场相比B端有一个巨大的好处，那就是可以有爆发式的增长，只要有一件产品打开了市场，就可以撬动巨大的流量。不像B端市场，可能每次都需要给客户定制专业的解决方案。

不过如前文所说，C端市场的操作方法与B端市场差别还是挺大的，看过他们的公众号、微博之类的，可以说是专业能力有余，整活能力不足。

总而言之，河东科技HDL是一家专注于全宅智能家居、智慧社区、智慧建筑、智慧酒店等领域的国际化科技公司，拥有自主研发、生产与销售体系，历史悠久，产品种类丰富，具有完整的生态链能力。^[1]

而且河东科技HDL还是中国最早走出国门，开拓海外市场的智能家居公司

他们值得更多人知道。

七、中国做智能家居的科技公司有哪些？

深圳市龙瞳科技有限公司（龙瞳科技）专注智能家居产品研发、设计、生产、销售一体化服务，总部位于深圳市南山区高新技术产业园区，已成立广西运营中心。

龙瞳科技拥有尖端技术人才团队和先进生产车间，并与涂鸦、小米等国内优秀的智能家居生态IOT融合，用心连接万物，用开关连接家居生活，为客户提供“无微不智”的全屋智能化家居生活。

智荣星是龙瞳科技旗下的智能家居品牌，依托龙瞳科技的强劲实力，目前已研发生产出燃气灶智能关火器、照明智能开关等产品，提供高效便捷的智能家居解决方案。

龙瞳科技始终秉持“为客户创造价值”的原则，坚持“诚信、责任、健康、科学发展”的价值观，专注于智能家居技术的持续创新，致力于“为人类创造智能便捷的家居生活”，全力打造舒适、便捷、环保、安全的智能生活空间。智慧科技，让生活更美好！

企业文化

企业愿景：将智能生活扩展至家庭、街区、社会

企业使命：为人类创造智能便捷的家居生活

企业口号：为美好生活画龙点睛

品牌slogan：懂你所需 无微不智

企业理念：为客户创造价值 让员工与企业共同成长

价值观：诚信、责任、健康、科学发展

公司产品

01 燃气灶智能关火器

远程/语音控制 智能联动

九大硬核功能 守护厨房安全

02 照明智能开关

多键位多场景 实现智能生活

专利技术

合作伙伴

八、合肥鼎旭智能家居科技有限公司介绍？

简介：合肥鼎旭智能家居科技有限公司一家专业的舒适家居生活系统的产品的供应商和设计安装服务公司，不断为客户提供专业的优质家居生活解决方案，公司经营产品主要包括：“点开关”一点复位，合肥鼎旭智能引领“开关”变革风潮、家庭背景音乐、电动窗帘、智能照明、无线遥控开关、家庭影院音响、卡拉OK功放音响、智能家居中央控制系统、中央新风、住宅地暖、家用中央空调、全屋净水系统、中央除尘系统等，公司致力于提供高品质的家居生活，努力把“鼎旭”打造成安徽舒适家居系统集成服务商的第一品牌。

法定代表人：杨新成立时间：2011-07-22注册资本：10万人民币工商注册号：340100000548021企业类型：有限责任公司(自然人独资)公司地址：安徽省合肥市庐阳区霍邱路59号（原1号）7幢308室

九、保险科技发展

保险科技发展是当前保险行业的热门话题，随着科技的迅猛发展，保险行业也在不断寻求创新和变革。保险科技的发展，不仅可以提高保险行业的效率和服务质量，还可以为消费者提供更好的保险体验。

保险科技的兴起

过去，保险行业一直以来都是传统的行业，缺乏科技的支持和创新。然而，随着互联网的普及和大数据技术的兴起，保险科技逐渐发展壮大起来。保险科技的出现，给传统保险行业带来了巨大的变革。

保险科技的兴起主要得益于以下几个方面的因素：

• 互联网的普及：互联网的快速普及为保险科技的发展提供了基础设施支持，使得保险行业能够更好地利用互联网技术与消费者进行连接和交互。
• 大数据技术的应用：大数据技术的出现，让保险行业能够更好地分析和利用海量的数据，以优化风险评估、精准定价和推出个性化的保险产品。
• 人工智能的发展：人工智能的快速发展为保险科技提供了有力的支持，使得保险公司能够利用机器学习和自然语言处理等技术提升客户服务和理赔处理的效率。
• 区块链技术的应用：区块链技术的出现，使得保险行业可以更好地解决信息不对称和欺诈等问题，提高保险交易的透明度和可信度。

保险科技的应用

保险科技的应用范围非常广泛，几乎涵盖了保险行业的方方面面。以下是保险科技在保险行业中的主要应用领域：

智能理赔系统

传统的保险理赔流程往往繁琐冗长，需要大量的纸质文件和人工操作。而智能理赔系统的出现，使得理赔流程更加简单、高效。通过利用人工智能和图像识别技术，可以实现对事故现场的自动拍照和定损，大大提升理赔效率和减少人为错误。

智能风险评估

传统的风险评估往往依赖保险代理人或专业评估师的主观判断，存在一定的主观性和不确定性。而智能风险评估系统的出现，可以通过利用大数据和人工智能技术，准确评估风险，以更精准的方式定价和承保。

在线保险销售

保险科技的快速发展使得在线保险销售成为可能。消费者可以通过保险公司的网站或保险科技公司的平台，自主选择和购买适合自己的保险产品，省去了中间环节的麻烦和费用。

智能保险产品设计

传统的保险产品往往是相对统一和标准化的，没有针对个人需求的定制化特点。而智能保险产品设计可以根据个人的需求和风险特点，推出个性化的保险产品，提供更好的保障和服务。

保险科技发展的挑战和机遇

虽然保险科技的发展前景广阔，但也面临着一些挑战。以下是保险科技发展面临的主要挑战：

• 数据安全与隐私：随着保险科技应用的扩大，大量的个人数据和敏感信息被收集和存储，保护数据安全和个人隐私成为重要的挑战。
• 法律与监管：保险科技的发展涉及到保险业务的创新和变革，法律和监管体系需要相应跟进和改革，以适应保险科技的发展。
• 用户体验与信任：保险科技的应用需要用户的参与和信任，如何优化用户体验和提升用户信任是保险科技发展的关键问题。

然而，保险科技的发展也带来了巨大的机遇：

• 提升保险行业效率：保险科技的应用可以提高保险行业的效率和服务质量，加快理赔处理速度，降低运营成本。
• 创新保险产品和服务：保险科技的发展可以推动保险产品和服务的创新，满足消费者多样化的需求。
• 拓展保险市场：保险科技的发展可以拓展保险市场的边界，吸引更多人群购买保险，提高保险普及率。

结论

保险科技发展已经给传统保险行业带来了巨大的变革和机遇。随着技术的进一步进步和创新，保险科技将会在未来发挥更加重要的作用，并为保险行业和消费者带来更多的好处。

十、保险科技abcd指什么？

一、A ：AI 人工智能

二、B ：Block Chain 区块链

三、C ：Cloud 云计算

四、D：Data 大数据