赋能平台、提效工具、场景化应用,地产大数据玩转有诀窍-阿里云开发者社区

开发者社区> 阿里巴巴大数据计算> 正文

赋能平台、提效工具、场景化应用,地产大数据玩转有诀窍

简介: 在2017在线峰会——票选最美云上大数据暨大数据技术峰会上,来自明源云的刘峥分享了整个的地产行业的趋势以及探索应用实践。他主要从行业趋势和应用实践两个方面进行了分享。他详细的分享了数据管理平台DMP平台的基础层、画像层、算法层、展示层的架构设计,并通过应用场景诠释了大数据在地产行业的作用。

在2017在线峰会——票选最美云上大数据暨大数据技术峰会上,来自明源云的刘峥分享了整个的地产行业的趋势以及探索应用实践。他主要从行业趋势和应用实践两个方面进行了分享。他详细的分享了数据管理平台DMP平台的基础层、画像层、算法层、展示层的架构设计,并通过应用场景诠释了大数据在地产行业的作用。

 

以下内容根据直播视频整理而成。

 

背景

e78cd50d2eb09bf8d46d8054141a64d156f3bea2

上图是明源2017年产品整体的战略布局。最底层ERP,是20年来我们专注做的事情。从项目投资收益、计划、采购、成本、费用、售楼覆盖地产全生命周期的业务管理软件。4年前,明源开始通过阿里云做SAAS产品转型,随着SAAS业务的不断扩张、覆盖产生了很多平台的增值服务。随着SAAS业务及平台增值业务进一步扩张,从业务中积累的数据也越来越多,大数据业务就自然涌现出来。通过一年多的探索实践,大数据已经融入地产业务的方方面面,包括客户大数据、土地大数据、供应商大数据、质量大数据等,大数据战略已全面展开。

行业趋势

房企市场在进行激烈的变化,首先,从增量市场变为存量市场,关注点由卖新房转变为租赁、物业、客服等;其次,消费升级,目标群体从中产阶级转变为个性张扬的80后90后;最后,政策压力及供需失衡导致房子不好卖,形势更加严峻。在这种背景之下,企业就会更多考虑到“以客户为中心”的转型。主要体现为口碑信息放大客户影响力、需要重新打通多业态的客户、客户对体验的要求越来越高。

e0d83186169ca48379230933738864356b46caa6

在2016年的1月份,地产大数据由一张地图诞生了。这张地图公布了来上海市的某一个项目销售案场的人白天工作地和晚上居住地。这张图对地产的销售人员来说是非常有价值的,因为销售人员在进行广告和拓客时,以前只是进行无脑的发传单或者广告。但是这张图可以科学的指导销售人员的行为,这样就引发了人们对于大数据的理解和认知。

但是,大数据方法在地产企业内应用效果不明显。企业数据存在几个问题:不在线,房地产企业比较重视业务,很多数据都在纸上;价值高,数据获取成本高,单客户数据价值大;不共享,集团、公司、项目数据不共享。

经过一年多的实践,企业更关注内部数据治理及第三方数据的补充。首先,内部数据治理(营销、客服等)方面,进行了多触点数据采集、多业态数据整合、数据巡检以及可视化;此外,对第三方数据进行了整合(投资、拿地方面)。

应用实践

采用的是to B方式,在阿里云基础上做了赋能平台,针对目前个性化方面的弊端进行了封装。在平台之上,快速搭建提效工具降低人工成本。最后,落地场景化应用。

数据管理平台

d73515b4794dceec110a66f95465b1b7a42b58d4

赋能平台内部称作DMP平台,包括基础层、画像层、算法层、展示层。基础层主要是处理基础数据,包括数据源对接、数据采集、数据清洗。画像层主要面向业务部门,主要的作用是业务人员快速去选择所需要的数据。算法层是使用数加机器学习的模块来包装算法。展示层由自己的展示产品和DataV构成。

bcb88aa024da7211141b609731d14b3b5fccbbcb

DMP的技术架构如上图所示。由于是to B方式,所以需要把大数据平台做成SAAS化,在右下角的项目管理可以帮助产品开一个ODPS库或者SAAS库。数据采集、数据清洗、数据同步三个工作流是通过Rundeck进行调度,最终归结到ODPS中。

基础层

d07895c0cbd7ad89069d14870a77abc78e467875

基础层首先是做多数据源的接入,可以配置一些数据库的信息,把酒店系统、物业系统、ERP数据全部接入;第二部分是数据采集,按需采集;第三部分是海量数据离线计算,目前数加的开发满足不了需求,所以需要类SQL的流程来清洗数据;第四部分是用于CIO和IT部门,做数据融合。

画像层

9372922d89b3de2ce513f9c8df884442d9f880be

画像层是把所有目前的数据的业务指标全部平铺出来,在面板上可以轻松的获取所有的数据,分析目标特征。对每个人可以进行360全生命周期的画像,然后展示。对短名单进行下载,再营销。

算法层

47a9cb7e97f4991f0497442c36fe27a2dafe05c7

算法层主要使用了数加的机器学习产品。主要用了分类/预测/推荐、聚类、文本分析、网络分析。

展示层

4a12f1d8f9b80a3730065909878ac17012329666

展示层只要通过简单的拖拽就可以洞察业务,并且,通过地图展示可以直观的看出每一个区域客户的情况。通过DataV的大屏可以实时展示整个公司的业务情况。

大数据已经不是单独存在的事物了,大数据支撑业务的方方面面,大数据平台需要很灵活的自定义体系去支撑目前多变化的业务。上述四层结构都是以自定义的形式出现的。基础层包括了数据源自定义、数据采集自定义、数据清洗自定义。画像层包括了业务指标自定义、标签自定义。算法层包括了机器学习自定义、算法流程自定义。展示层包括了报表自定义、可视化自定义。四层的自定义构建出了目前的大数据平台。

提效工具

efbdcf8474c734a40660ec89923fa0218bc61149

大数据如何做提效?上图所示为北京东南五环的楼盘签约客户的通讯地址分布图。可以看出东南三四环和东南六环买房的人比较多。通过大数据可以自动进行热力图的绘制,不需要经过人工的复杂过程。

场景化应用

0dedadb5ffbf0b974558e734837885b43b5b3c7f

使用提效工具我们已经分析出了签约客户地图,但是不够场景化。在此基础上,需要在DMP中找到分析出的比较容易出购买客户的地区画一个半径,每日向置业顾问推送将来自该区域的看房者,提醒重点跟进。

73b694b443635e3037e89c65a2e15c68efacaf72

通过楼盘中分析目前已经成交的客户,再从未成交客户中找到满足现在客户画像的人定义为高意向客户。最开始也只是做到CP1的层次,通过列表得知重点跟进的客户。由于每个客户是有归属的,所以,打通现有云客的系统,把列表导入到云客的资源池,从资源池的工具上进行客户的分配。最后,通过360画像信息获得客户的行为辅助置业顾问快速转化。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
阿里巴巴大数据计算
使用钉钉扫一扫加入圈子
+ 订阅

阿里大数据官方技术圈

官方博客
链接