基于数据和机器学习的经纪人管理

1、赋能提效，防微杜渐基于数据和机器学习的经纪人管理内容提要01背景、问题、挑战02解决方案：数据 + 机器学习03应用案例：提升效率，防范风险房产交易领域中“人”的因素房人(经纪人)客通过“人”连接“房”与“客”经纪人的质量决定了服务的质量经纪人管理的成本是企业成本中的大头 15万+ 经纪人分布于32个城市房产经纪人管理中的挑战数量多、分布广个体、地域、类型差异大培养成本高，流失率高利益巨大，违规风险高认：客观性评估和刻画帮：提升经纪人工作、成长效率防：风险预测及防范数据的问题经纪人信息、行为的采集数据规范化 & 再组织挖掘的问题发掘最大模式寻找显著特性预测的问题对模式进行判定对风险进行评估经纪

2、人评价及管理平台技术架构大数据平台经纪人画像群体分析能力模型数据建设挖掘计算预测计算TensorflowXGBoostLightGBMScikit- learnLiblinearKafkaHadoopKylinSparkZookeeperHive能力 判定成长路房源验离职风 径预测真辅助险预测房源泄露风险 预测结果应用CRMLink反作弊人事 系统培训 系统解决数据的问题：数据建设链家大数据平台解决挖掘的问题：经纪人画像作业行为客户评价IM对话属性信息门店、团队组织结构客源信息 房源信息个体结构化数据成长轨迹业绩知识贡献 个体非结构化数据关系型数据标签补充 & 权重调整基本信息 & 业绩统计

3、性别：女出生日期：1990-11-09 岗位：综合经纪人级别：M10运营区域：京北区房源实勘业绩：10589 房源速销业绩：27065 客源成交业绩：753271标签信息关系拓扑从个体刻画到群体刻画基本信息 业绩统计 客源标签 房源标签 行为标签 店组标签个体关系拓扑群体专业技能力 服务品质力 创新力个人成长力团队贡献力能力等级能力标签 状态等级群体差异性分析解决预测的问题：机器学习经纪人画像房源画像客户画像市场行为场景环境特征 提取预测 模型离线 效果 评估线上验证 &应用LinkCRM反作弊人事 系统培训 系统应用方向：状态判定、成长预测赋能提效违规风险预测状态判定实例：经纪人离职风险预测

4、收入过低39%没有假期20%管理制度8%结婚生子7%工作环境8%时间浪费6%身体健康5%考研深造2% 2%离家太远个人创业2%违纪辞退1%收入过低没有假期管理制度工作环境结婚生子时间浪费身体健康离职原因调研个体画像特征行为特征业绩特征展位特征群体门店特征区域特征转正期特征试用期特征市场市场特征特征离职风险 = 未来60天离职判定20000北京离职人数经纪人离职风险预测效果离线评估实际验证北京地区评估（北京8万经纪人）被识别出来的经纪人三分之二以上会在60天内提出离职（准确率 69%） 有五分之一以上的离职经纪人在预测列表中（召回率 20%）结果应用对大区、门店生成离职预估报告，辅助线下管理，降

5、低离职率 针对城市分析离职原因，改善经纪人招聘、培养环节潜在问题经纪人离职风险预测效果附能提效案例：房源验真辅助房源属性经纪人维 护行为业主行为循环验真判定任务分发Link案例反馈CRM判真存疑房源举证真/假纯人工回访的问题监管覆盖10%房源300套/人/天，无效回访 35%超过87%的假房源举报来自监 管未覆盖房源升人效假房源识别 = 房源存疑风险排序对Top N%的存疑房源进行举证及回访，提存疑房源识别关键问题解决样本分布极度不平衡，正（假房源）负样本比例 1：22排序问题中 Top N% 的选择样本不 平衡案例反馈数据合成最优化目标函数时 考虑样本权重Top N%，N=4房源验真辅助效果离线评估（存疑房源识别）结果应用监管覆盖100%房源节省人力超过90%房源回访效率提升4倍违规风险预测案例：房源泄露行为预测难点：特征不明确结果需要强解释性房源信息试探调研特征经纪人属性特征 业绩特征房源特征行为特征 设备特征 环境特征泄露行为 风险预测日志数据人事系统证据链回溯人工处理案