基于數(shù)據(jù)和機器學(xué)習(xí)的經(jīng)紀(jì)人管理

1、賦能提效，防微杜漸基于數(shù)據(jù)和機器學(xué)習(xí)的經(jīng)紀(jì)人管理內(nèi)容提要01背景、問題、挑戰(zhàn)02解決方案：數(shù)據(jù) + 機器學(xué)習(xí)03應(yīng)用案例：提升效率，防范風(fēng)險房產(chǎn)交易領(lǐng)域中“人”的因素房人(經(jīng)紀(jì)人)客通過“人”連接“房”與“客”經(jīng)紀(jì)人的質(zhì)量決定了服務(wù)的質(zhì)量經(jīng)紀(jì)人管理的成本是企業(yè)成本中的大頭 15萬+ 經(jīng)紀(jì)人分布于32個城市房產(chǎn)經(jīng)紀(jì)人管理中的挑戰(zhàn)數(shù)量多、分布廣個體、地域、類型差異大培養(yǎng)成本高，流失率高利益巨大，違規(guī)風(fēng)險高認：客觀性評估和刻畫幫：提升經(jīng)紀(jì)人工作、成長效率防：風(fēng)險預(yù)測及防范數(shù)據(jù)的問題經(jīng)紀(jì)人信息、行為的采集數(shù)據(jù)規(guī)范化 & 再組織挖掘的問題發(fā)掘最大模式尋找顯著特性預(yù)測的問題對模式進行判定對風(fēng)險進行評估經(jīng)紀(jì)

2、人評價及管理平臺技術(shù)架構(gòu)大數(shù)據(jù)平臺經(jīng)紀(jì)人畫像群體分析能力模型數(shù)據(jù)建設(shè)挖掘計算預(yù)測計算TensorflowXGBoostLightGBMScikit- learnLiblinearKafkaHadoopKylinSparkZookeeperHive能力 判定成長路房源驗離職風(fēng) 徑預(yù)測真輔助險預(yù)測房源泄露風(fēng)險 預(yù)測結(jié)果應(yīng)用CRMLink反作弊人事 系統(tǒng)培訓(xùn) 系統(tǒng)解決數(shù)據(jù)的問題：數(shù)據(jù)建設(shè)鏈家大數(shù)據(jù)平臺解決挖掘的問題：經(jīng)紀(jì)人畫像作業(yè)行為客戶評價IM對話屬性信息門店、團隊組織結(jié)構(gòu)客源信息 房源信息個體結(jié)構(gòu)化數(shù)據(jù)成長軌跡業(yè)績知識貢獻 個體非結(jié)構(gòu)化數(shù)據(jù)關(guān)系型數(shù)據(jù)標(biāo)簽補充 & 權(quán)重調(diào)整基本信息 & 業(yè)績統(tǒng)計

3、性別：女出生日期：1990-11-09 崗位：綜合經(jīng)紀(jì)人級別：M10運營區(qū)域：京北區(qū)房源實勘業(yè)績：10589 房源速銷業(yè)績：27065 客源成交業(yè)績：753271標(biāo)簽信息關(guān)系拓撲從個體刻畫到群體刻畫基本信息 業(yè)績統(tǒng)計 客源標(biāo)簽 房源標(biāo)簽 行為標(biāo)簽 店組標(biāo)簽個體關(guān)系拓撲群體專業(yè)技能力 服務(wù)品質(zhì)力 創(chuàng)新力個人成長力團隊貢獻力能力等級能力標(biāo)簽 狀態(tài)等級群體差異性分析解決預(yù)測的問題：機器學(xué)習(xí)經(jīng)紀(jì)人畫像房源畫像客戶畫像市場行為場景環(huán)境特征 提取預(yù)測 模型離線 效果 評估線上驗證 &應(yīng)用LinkCRM反作弊人事 系統(tǒng)培訓(xùn) 系統(tǒng)應(yīng)用方向：狀態(tài)判定、成長預(yù)測賦能提效違規(guī)風(fēng)險預(yù)測狀態(tài)判定實例：經(jīng)紀(jì)人離職風(fēng)險預(yù)測

4、收入過低39%沒有假期20%管理制度8%結(jié)婚生子7%工作環(huán)境8%時間浪費6%身體健康5%考研深造2% 2%離家太遠個人創(chuàng)業(yè)2%違紀(jì)辭退1%收入過低沒有假期管理制度工作環(huán)境結(jié)婚生子時間浪費身體健康離職原因調(diào)研個體畫像特征行為特征業(yè)績特征展位特征群體門店特征區(qū)域特征轉(zhuǎn)正期特征試用期特征市場市場特征特征離職風(fēng)險 = 未來60天離職判定20000北京離職人數(shù)經(jīng)紀(jì)人離職風(fēng)險預(yù)測效果離線評估實際驗證北京地區(qū)評估（北京8萬經(jīng)紀(jì)人）被識別出來的經(jīng)紀(jì)人三分之二以上會在60天內(nèi)提出離職（準(zhǔn)確率 69%） 有五分之一以上的離職經(jīng)紀(jì)人在預(yù)測列表中（召回率 20%）結(jié)果應(yīng)用對大區(qū)、門店生成離職預(yù)估報告，輔助線下管理，降

5、低離職率 針對城市分析離職原因，改善經(jīng)紀(jì)人招聘、培養(yǎng)環(huán)節(jié)潛在問題經(jīng)紀(jì)人離職風(fēng)險預(yù)測效果附能提效案例：房源驗真輔助房源屬性經(jīng)紀(jì)人維 護行為業(yè)主行為循環(huán)驗真判定任務(wù)分發(fā)Link案例反饋CRM判真存疑房源舉證真/假純?nèi)斯せ卦L的問題監(jiān)管覆蓋10%房源300套/人/天，無效回訪 35%超過87%的假房源舉報來自監(jiān) 管未覆蓋房源升人效假房源識別 = 房源存疑風(fēng)險排序?qū)op N%的存疑房源進行舉證及回訪，提存疑房源識別關(guān)鍵問題解決樣本分布極度不平衡，正（假房源）負樣本比例 1：22排序問題中 Top N% 的選擇樣本不 平衡案例反饋數(shù)據(jù)合成最優(yōu)化目標(biāo)函數(shù)時 考慮樣本權(quán)重Top N%，N=4房源驗真輔助效果離線評估（存疑房源識別）結(jié)果應(yīng)用監(jiān)管覆蓋100%房源節(jié)省人力超過90%房源回訪效率提升4倍違規(guī)風(fēng)險預(yù)測案例：房源泄露行為預(yù)測難點：特征不明確結(jié)果需要強解釋性房源信息試探調(diào)研特征經(jīng)紀(jì)人屬性特征 業(yè)績特征房源特征行為特征 設(shè)備特征 環(huán)境特征泄露行為 風(fēng)險預(yù)測日志數(shù)據(jù)人事系統(tǒng)證據(jù)鏈回溯人工處理案