她提到大数据时代，地产行业多业态发展正面临存量化和需求升级的挑战。具体表现在：行业集中快速提升，竞争加剧，变革压力巨大；行业整体利润水平下滑，核心能力要求转变为精细化运营，如何从开发销售业务向资产运营和服务转型成为难题。另外，面对供需关系和人口结构的变化，企业整体缺乏对终端消费者的触点和连接，数字化能力不足，难以快速洞察和应对消费者需求的变化。

 

　　以下为精彩演讲实录：
 

杜晓梦

百分点首席数据科学家

 

　　杜博士介绍，用一张图来看整个地产行业数据智能整体解决方案，分成数据中台、AI中台、智能应用和业态服务四个层面。数据中台建设，需要去整合内外部的数据资源，之后清理大量冗余数据，进行跨行业的业态ID拉通，对用户进行深入分析做标签化，未来用户资源将很重要。

　　每个老板最关心的事情就是会员建设，也非常关注跨业态会员体系建设，把消费者场景、触点消费者的注意力和消费者时间锁定在业态里。

 

　　关于跨业态数据的拉通，首先要了解到会员和企业的接触点，全面认识会员之后，就可以做用户标签、用户画像和跨业态场景营销等。值得注意的是，数据中台建好之后，数据资产才能产生价值，助力IT部门变成利润中心。

 

　　其中，AI中台是最能展现IT价值的重要点，当下有很多技术在做支撑，包括自然语言处理、动态知识图谱、机器学习+深度学习、图像分析、区块链等，AI技术的拐点基本是指数级上升，所以AI中台建设跟数据中台类似，一旦把AI服务能力建设起来，那么未来业务做任何场景，都是有储备的，AI能力是有支撑的。

 

　　再往上一层是智能应用层，根据业务场景和业务条线来切分，跟业务紧绑。好的IT项目一定和业务有很好的关联，所以帮助业务人员把业务问题转化成数据问题和技术问题，然后再协助CIO把事情转化成业务价值，形成双向Bridge。

 

　　往往被CIO忽略是业态服务层，包括住开业务、物业管理、商管业务、酒店管理、金融业务和商贸业务等。系统上线不是里程碑的结束，而是开始，从上线开始要做深入贯穿，分析系统上线之后的应用情况，要让业务不断的给技术部门提问题，不断迭代。可以发现，之所以系统上线之后技术部门和业务部门的关系会越来越近，是因为数据对业务决策越来越重要，倒逼CIO必须了解业务。

 

　　任何行业的数字化转型都是一个范式：首先是业务数据化，把所有业务处理、业务场景上的数据转化成0和1，否则无法自动化和在线化；第二，数据的系统化。在建设数字化时，一定是要想到数据业务价值在哪，否则为了建设数据而建数据是没有意义的；第三，业态服务。业态的服务把业务数据化和数据业务化结合起来，分析咨询和运营，要有一部分这样的人在IT团队里，成为技术部门和业务部门沟通的纽带。

 

　　地产行业数据中台建设可以分成地产行业数据源、技术平台、数据资产管理平台和统一数据服务总线四层。

 

　　首先，数据源要统一打通，数据拉通是后续营销的基础，将多源异构数据的整合，通过百分点强大的ID拉通技术手段，拉通以人为基础的数据之后，建设用户标签和画像，最后进行精准推送

 

　　基础技术平台包括数据采集能力、数据分析存储、基础服务模块的建立等，基于线上和线下全渠道触点，实现闭环数据采集，统一进行数据存储、清洗、加工和消费，保证数据价值最大化。

 

　　数据资产管理平台，提供统一的数据生命周期管理，基于完善的数据治理体系，保证数据接入、清洗过程中的数据质量，使企业建立统一、清晰的数据资产视图，并通过统一的服务总线或者API平台产生调动价值，把数据包成各种各样的API，发布进行黑白名单管理。

 

　　企业逐步开始重视数据资产，其中数据标准体系、主数据标准体系、数据质量体系、元数据管理都是数据管控体系非常重要的部分。

 

　　总结来说，房地产数据中台是综合指挥中心，将业务系统数据、案场数据、WIFI数据采集到大数据平台，通过把所有业务系统数据打通，可以实现全局的认识员工、用户和服务。建设原始数据、事实标签、模型标签、预测标签等不同层次标签体系，打造全维度消费者微观/宏观画像。并且，数据开放共享是IT部门实现数据价值非常重要的体现，数据收集后建立数据仓库，对数据进行深度挖掘，通过API接口把数据同步给企业内外部门，实现数据价值。

 

　　AI中台是能力平台，需要一系列的数据挖掘和数据分析能力。

 

　　房地产大数据的特征是多源异构，从量和质上都有了巨大变化，包含语音数据、文本数据、图像数据和视频数据等，对于非结构化数据的分析和构建需要基于文本分析、图像分析，以及机器学习和深度学习模型。AI中台呈现出不断扩容的趋势。

 

　　NLP引擎：从文本角度分析，房地产企业外部舆情、内部沟通和用户行为等数据，都需要NLP进行文本分析转换。

 

　　动态知识图谱：伴随房地产企业业务形态及数据不断发生变化，通过对本体或者事实的修改，进行分析、搜索、统计，以及多维地理和时间关联的推理归纳工作。将信息转化为知识，并构建形成知识图谱，最终把人对世界的理解或者人的业务知识转变为计算机可以理解的数据，帮助用户进行分析和决策。

 

　　机器学习：传统的SaaS软件会逐渐被Python和R语言替代，计算效率都有新的提升。

 

　　智能BI分析引擎：智能BI分析引擎在自助式分析的基础上，结合科技发展趋势，引入“增强分析”概念。深度融合BI+AI，利用自然语言理解和深度学习，驱动BI行业变革。

 

　　在智能应用层，精准运营及营销是以用户为中心，通过数据驱动为客户打造从分析、策略到营销落地的实时化、场景化、自动化的智能营销闭环；跨业态交叉营销需要跨航道多业态资源整合，创新客户经营模式，为客户提供优质消费体验；关于商户联合营销，通过大数据的接入和整合，打通所有门店和各个业态的业务壁垒，实现卖场内异业会员的引流，盘活整个生态圈；围绕用户旅程中的关键时刻营销（MOT），需要根据标签获取用户相关信息，在关键事件节点对客户推送相应营销活动。

 

　　值得注意的是，自动化实时场景营销可以通过可视化界面，简单的拖拽即可完成复杂的营销决策过程。只要基于营销目标、标签和用户行为等自定义设置多种营销场景，实时场景捕捉触发营销动作，灵活配置场景规则，匹配各种营销策略，完成自动化实时场景营销。

 

　　地产行业有一系列数据建模可以应用，数据只有参与到决策里，业务人员和领导才能感知价值，数据对业务决策产生支撑。运用一系列大数据分析数据模型，可以实现对地产多业态数据深度挖掘，指导后续客户分群、精细化运营、商业地块定价、商铺规划选址和去化率预测等行业应用。

 

 

　　构建数字连接，整合各个价值观，把数据和技术加起来提供采集入口，把数据汇集好。数据资产建立起来后，进行数据资产挖掘，把数据和业务中台之间建立AI技术平台，然后在这个基础之上向各个板块提供服务，进行系列的经营分析、营销渠道管理和会员管理模型等。

 

　　整体来说，企业数字化转型从构建数据连接，到挖掘数据资产，最后赋能业务，这三层这都是非常重要的，百分点也致力于做企业数字化转型的合伙人，帮助企业实现智能决策。今天就给大家分享到这里，谢谢大家。