汪偉:知識圖譜在商業地產管理中的應用案例

2020年03月17日18:27 來源：房天下產業網

平安科技知識圖譜副總工程師汪偉

精彩觀點：

商業地產管理擺脫傳統的經驗化，要將個案情況向整個面的關係網絡覆蓋，通過知識圖譜的網絡結構，把一個企業的方方面面，包括企業客戶的供應商客戶，以及周邊的關聯方全部放入全局視野，相當於上帝視角看到的技術體系裡去看待來進行商業地產管理。

一、知識圖譜的特徵與價值

引言：知識圖譜這個概念從表面上看它就是一些關係的點，比如張三和李四結合在一起會成為一對關係，兩個實體有兩個人，他們婚姻的關係是這樣的關係對。在現實中，這種連接有些什麼樣的意義和價值？通常來講，我們現在企業的關聯，現在的分析，大部分可能還是基於Excel表格形式呈現的，但是這種表格背後跟我們直接生產經營是脫節的。大家注意到沒有，一個企業的生產，包括房地產可能有很多上遊供貨商，鋼筋、水泥、建築隊，這些作為輸入，你才可以對這些材料進行加工設計，建築出你的產品銷售給客戶，我們現在Excel所謂結構化表格的形式很難支撐現實中企業經營的情況。與此同時，需要注意的是我們提出的方案，2017年7月國務院人工智慧規劃裡已經提到了知識圖譜的概念。具體主要解決哪些問題，總結包括以下三點：

1）萬數互聯：智能整合海量數據，實現非結構化數據與結構化數據自由融合

前面嘉賓提到了5G，各種規劃數據要打通，5G最直接的效果是萬物互聯，萬物互聯可不可以更進一步升華，比如你在企業裡，事件可能跟某些人，人跟某些機構，機構跟某些裡各種關係，供應商、客戶，法院、行政官員或個人，這些形態現在基本上是割裂的。

我們現在提出一個新的觀念，用萬數互聯的方式，把這些數據連接起來。在這種數據裡連接的模式，以前可能是強關係，比如誰跟誰結婚，可能是一種強關係，但是有一種情況可能是弱關係的形態，比如今天開一次會，把大家召集到一起，這種聯繫相對是一種臨時性，動態性的弱關係，有價值嗎？是有的，比如誰跟誰打一場高爾夫球，後面的交易就會成功，這種情況我們通過這種關係形態進入會比較有效。

2）體系自洽：靈活的分析體系與技術中臺，快速完成「建模」過程

這個涉及比較深邃和技術化的描述。風險分析中，金融公司做企業分析的時候有一個很大的問題，發現企業信息跟個人不一樣，企業非常的割裂，平安集團這種體量在全世界也找不到幾家類似的情況，還要分析信用風險、違約風險、破產風險、倒閉風險、資金鍊斷裂風險。如果你跟他體量不相當，分析出來的結論不是很可靠，穩定性不高。

有沒有什麼辦法提高風控的穩定性嗎？這個邏輯界定了天文學的思想，天文學的思想有一個很重要的邏輯，哪怕再遙遠天外的星體，它們都會假設去滿足兩個定律，第一個定律，外太空跟地球上的規律是一樣的，同樣滿足我的牛頓定律，廣義相對論等特點，這樣的體系是支撐我們可以推演一個非常底層的邏輯。第二個定律，在太空或天體物理有一個很重要的情況，信息的非常少，無論多麼少都能推斷出你天體行星運轉規律，比如我們做風控的評價，財務造價等風控評估方式都會遇到這個，主要核心邏輯是相互之間相互交叉校驗。

3）因果推理：從信號預測風險，從時間推理影響，更具模型解釋性

這涉及到底層的邏輯，我們現在所有分析的TOP都基於統計學的思想，統計學思想是建構在大數定理邏輯之上，大數定理一個很重要的前提是樣本量要大，現實中我們很難具備這樣的條件，尤其是企業裡。

因果推理背後是演繹邏輯，類似於數學的推理邏輯。我們後面涉及到很多工作跟人相關，你就要一定講原因和道理，比如醫院開出來的藥的成分講不清楚你就沒辦法服用。你做銷售，你跟銷售說怎麼打單，怎麼跟對方接洽，沒有比較好的明晰的因果關係的鏈條，他是很難操作，哪怕你給他一個名單。

二、傳統商業地產管理現狀

現狀：我們現在面臨的問題，從平安不動產做的項目裡面分三個層次的工作，這是聚焦與商業地產管理，租賃這一塊兒來講的。這裡分為三個，第一，智能招租的部分。第二，分層定價，怎麼讓定價更合理。第三，退租預警，有一定風控。我們接下來分三個層面講，這三個東西其實我們整個兒入口的邏輯都是要有一定的問題來驅動的。

1）智能招租：變「被動出租」為「主動招租」，租戶需求與租戶質量雙管齊下

我不知道其他單位是怎麼樣的，我們這邊收集到的情況，我們整個兒租賃在第三方，包括我們會找一些中介，我們會找一些廣告投放，無論找中介還是找廣告投放，他都是第三方的情況，而且基本上是被動的，我把錢打給了廣告公司或租賃公司，然後等著他上來的情況。這種情況相對比較被動的，可能是比較粗線條的管理模式，所以在這種情況下，我們在想有沒有一種情況，因為這有第三方介入，你成本和客戶聚焦性不是很夠。

還有一種情況，你對客戶的了解，以及對客戶背後邏輯，他要租賃還是放棄租賃了解的情況都不是很夠，我們想用一些AI模型或機器學習的模型，篩選一些精準的目標。具體的做法，一方面，我們用一些城市的數據，包括產業經濟的數據，政策區域的數據，都會放進來。另外，我們會把商圈的客戶流動，配套設施的信息都匯進來。另外，我們提到大量企業的結構和非結構化的數據，這裡尤其有用的可能是一些公告，輿情新聞等新聞。

這裡我要強調的是，這些東西大家看著都很尋常，我們不同的一點在於，我們在這個數據的組織方向，比如你財務數據，那三張報表是拿表格放好，大家有沒有想過，這個數據是關聯著企業背後上下遊，供應鏈和產業鏈的邏輯，包括區域宏觀經濟層面的信息，如何讓這些信息都能夠放到你的模型中並且發揮作用，這是我們在底層數據，為什麼要用知識圖譜支撐很核心的邏輯，我們理解起來知識圖譜相當於我們把麥子磨成麵粉，它是一個工業品，化工行業有一個非常重要的化工材料乙烯，乙烯生產可以代表你工業水平發展的狀況。我們現在這個是用網絡性數據組織形態支撐你上面各式各樣的分析，這裡羅列推薦算法、決策樹、層次聚類等等，都是在這個體系下找到應用的。我們現在做好了這個東西，上面數據組織好，應用層面會好很多，包括選址、推薦，相似裂變就是相似推薦的模式。這只是初階的形態，後面納入到客戶整個兒進場，進場前、進場中、進場後，全面的客戶貫徹。

2）分層定價：標準化「標籤＋書架＋文本」知識庫，輔助精細化分層定價

我們要先講一個理念，傳統定價模式是比較粗線條，基於經驗式的模式，現實中業務需求給我們提出，他講了一個例子，我們在超市裡經常看到一種情況，無論這個超市長的怎麼樣，無論大小，是民營的還是知名品牌，超市首先要拿一些優惠的價格把一些知名品牌吸引進來，比如把可口可樂、百事可樂、寶潔、聯合利華等這些上得了臺面的品牌邀請進來，給他們最好的位置和最好的價格，針對他們進駐之後，我這裡強勢的企業已經進場了，再邀請其他企業。這裡一定會有一個問題，你如何在優勢的強勢品牌入駐，中間品牌或弱勢品牌之間尋求一個最好的平衡？業務的想法是，我先以比較低廉的價格或優惠的方案給到這些強勢的品牌，他上面虧損的，或者沒有達到我們預期的收益是不是可以轉嫁到其他中等品牌或低端品牌上的分攤模式。這中間究竟該分攤多少？以什麼時間？三個月進場，一個月還是一周，還是第二天馬上進場，這些效果，這些量化的尺度我們怎麼樣以最好的均衡性的成果分攤出去給個定價。

通常我們車險的定價有三段的，第一段，你出險了多少次，包括賠付的金額。第二段，機器對你信用評級的打分。第三段，你所在的區域證監會給到的尺度，我營銷人員拿到的上下調整的幅度。這樣他三段式既滿足了我盈利的基線，又滿足我的靈活性，包括最大可能營收的最優解，這是我們現在要達到的目標，所以我們現在這樣的輸入信息量比較大，主要做的問題是全局最優，目標是使我們的收益達到最大化，整個全優考慮到入駐企業群聚效應和產業集群。

3）退租預警：AI預判預警租戶退租可能性，預留業務介入「窗口期」

這是我們上線最早的，誘發的項目我們在去年平安一棟樓發生了提前退租，導致那一層樓空置出來的房層空了一兩個月時間，虧損的金額是上億的規模。後來領導說這種等待性，或者別人告訴你的形式太晚了，退租的時間窗口肯定要提前有所了解，你才有侯選的方案，給操作人員留下足夠的時間，不然你的損失會比較大。

我們基於這樣的目標做了三個東西。第一，退租風險的走勢，我們針對每一個客戶，以及每一棟物業的樓，看了整體的情況，像我們看員工要離職一樣，通常有兩種，一種是發展的好了，要走，這裡裝不下他。另外一種是發展的不太好，我們會把他識別出來，提前做一些溝通或及時的監測，讓我們業務的同事更加精準或聚焦。我們後面有誘因挖掘和風險提示，我們有一些解釋性，這些拿到業務手裡有比較明晰的方式。

最後做一個總結，我們現在針對商業地產管理，我們想擺脫傳統的比較經驗化，個案的情況向整個兒面向覆蓋。這裡羅列的三個有內在的聯繫，整個兒承接是下面關係網絡。除此以外，我們在政策分析和宏觀經濟方面，每個城市都會看他的GDP、CPI、KPI，政策出臺有哪些提前性的預見等等模塊，這一次沒有放這些東西進來，無一例外，這些東西都在這個平臺上運轉的。綜合起來，我們想通過知識圖譜的網絡結構，把一個企業的方方面面，包括企業客戶的供應商客戶，以及周邊的關聯方全部放入全局視野，相當於上帝視角看到的技術體系裡看待。