用数字说话,数据驱动房地产精细化管理
一、企业简介
天正地产,始创于2003年,历经19年探索与实践,现已成长为一家以房地产开发为主营业务、相关多元业务全面发展的综合性企业。业务涵盖房地产开发、园林景观、物业服务等多个领域,产品涵盖高端改善住宅、精品公寓、商业综合体等多种物业形态。
2021年天正地产集团逆势而上,再攀高峰。全年实现权益销售金额96.4亿,同比增长28%;开盘项目10个,去化率高达88%;交付项目6个,共计2763户,交付率高达89%。一举荣登河北省房企业绩第6名、河北省本土房企业绩第3名。(数据来源:中指数据研究院)
一直以来天正地产集团都坚持“低杠杆、高周转”的运营模式,过程中不断优化债务结构,保障集团较高的抗风险能力。2021年资产有息负债率18%,净负债率-43%,现金短债比632%,“三道红线”均未触碰,持续稳居“绿档”房企行列。
二、业务挑战
地产行业历来管理相对比较粗放,当重点业务动作发生时,无法高效采集数据、实时呈现。对于已进入系统的数据,全集团人员无法在权限范围内,进行高效查询与组合分析,大量人效浪费在低价值的数据交圈采集、整理、校验,而不是推进业务,精细化管理(精准营销,成本管控,供销存平衡等)受制于人效,落地难;
对于目前公司现有的情况管理现状分为以下几个方面:
1、数据采集方面:项目多,数据采集和校验耗时耗力;excel填报比例高,层层汇总过程中,为保障准确性、规范性、时效性需耗费大量人效;系统较多,数据口径不统一,存在两个业务中心上报数据不一致核对问题。
2、数据分析方面:无法随时随地、直观地查看实际经营状况;难以动态分析不同职能、地区、时间存在的经营问题;
3、数据交圈方面:营销、运营、成本、财务等职能间的大量数据交圈依靠人盯人,效率低,且口径易出错;项目、区域、集团等管理层级间的数据交圈大量停留在线下汇报,缺少留痕,难以追溯,问题容易被隐藏。
三、解决方案
为了解决上述问题,天正地产制定了符合自身特点的地产大数据分析平台建设方案为:
技术架构设计:利用FineDataLink工具,主动抽取业务系统的明细化数据,进行数据转换,并对数据进行数据合规性、匹配度、错误值、脏数据等的清洗之后,装载入企业数据仓库,生成元数据。
元数据是BI系统的数据基础,在元数据的基础上构成各种数据报表模型和分析模型,提供给报表查询、报表输出、数据分析挖掘使用。更深入一层次,我们可以在这些元数据和已构成的数据报表、分析模型的数据之上,按分析需求和数据关系,把它们组合成各种立方体(Cube),从而支持多维分析,切片(Slice)、切块(Dice)、聚合钻取(Dill-down和Roll-up)、旋转(Pivot)等OLAP高级分析及其查询。
借助FineReport,进行数据模型定义、报表处理、展现、数据分析,乃至数据挖掘,在其报表门户上展现数据处理结果。这些处理包括预置开发的数据报表、业务分析报表、随机查询、多维分析和数据挖掘。
指标体系设计:根据管理层重点关注指标、核心业务指标、各类考核目标,进行指标选取与设计,共梳理了5个中心、18类、64项指标,形成天正地产的数据分析指标体系。
应用架构设计:“1+4”总分屏模式,聚焦经营、提示风险、解决问题:基于指标/数据呈现完整性、直观性、聚焦性及逻辑性等维度,总屏关注经营、发现问题,分屏聚焦业务、解决问题。
四、典型应用场景
4.1 场景一:经营概览
4.1.1 问题:
如何从宏观上展现经营业绩存在的偏差,对经营与生产过程中存在的风险事项及时提醒,并进行投融资管控,一直都是地产行业经营层核心关注的问题,通过数字化手段辅助经营决策是数字化建设过程中需要解决的第一个难题。
4.1.2 解决方式:
强调经营导向,以“现金流、利润”为核心,围绕“投-供-销-回-融-交”业务主线,进行指标选取及排版,进行经营概览驾驶舱建设。
4.1.3 场景价值:
通过一张屏幕即可实现业务管理结果数据的经营呈现、风险提示、辅助决策,大大提高了决策层的管理水平。
4.2场景二:业绩管理
4.2.1 问题:
地产行业复杂度和多样性要求企业要从多个指标如:认购、签约、回款、来访转化率、认购签约转化率等进行跟进,以确保公司的整体进展和财务表现符合预期。
4.2.2 解决方式:
聚焦现金回笼,从业绩实现、资金回笼维度,通过动态监控集团业绩目标达成情况/偏差、在途(认未签、签未回)转化及不可用资金(监管资金)提取等,实现营收端资金的动态管控。
4.2.3 场景价值:
通过业绩管理驾驶舱建设,实现了业绩偏差精准定位、管控动作迅速落位、并通过监管已签未回与不可用资金加速了资金回笼。
4.3场景三:货值管理
4.3.1 问题:
货值管理是地产行业对项目进行估值、优化资源调配、减少无效资金积压的重要管理手段。但在历史经验中,发现货值管理存在以下难点难以解决:货值结构不清晰,无法准确分析存货的构成和变动情况;产销失衡,市场风向未及时传达到生产环节,可能导致大量存货,形成滞重。
4.3.2 解决方式:
选取总货值、已售货值、未售货值、存地未开发、在建未取证、取证未售、供销比、存销比、去化率、转化率等关键指标,进行驾驶舱设计。
4.3.3 场景价值:
聚焦项目全周期各分段货值存量及分布,从已售、未售,按照库龄/业态维度,展示集团当前货值资源,通过供销比及存销比等健康经验值的对比,实现供销节奏调控,减少无效资金占压。
4.4场景四:经营现金流分析
4.4.1 问题:
现金流是企业运营的“血液”。地产项目往往需要大额的资金投入和长期的开发周期,经营现金流分析可以帮助企业及时掌握资金的流入流出情况,确保项目能够持续、稳定地推进。
但是在经营过程中,对于现金流的实时收支状态管控与风险提示往往缺少有效手段,制约了现金流管理的水准提升。
4.4.2 解决方式:
选取经营性活动现金净额、可用余额、融资余额、融资还款净额、投资额、收入、支出、政府监管类资金等关键指标,进行驾驶舱设计。
4.4.3 场景价值:
围绕收支两条线,关注全景现金流趋势,聚焦当期可用余额、投资额、融资余额、沉淀余额,直观呈现集团资金状况、可用余量,把控集团经营风险。
4.5场景五:利润管理
4.5.1 问题:
利润分析为房地产企业提供了关于其业务盈利能力的详细信息,有助于管理层做出更明智的决策,如投资决策、项目选择和资金分配。
利润分析还可以帮助企业预测潜在风险,如市场波动、政策变化或竞争加剧对盈利能力的影响,从而制定风险管理策略。
传统的管控手段相对比较粗放,对于从公司到项目利润是否达到预期、周期目标是否完成存在都是通过人工方式进行汇总,数据容易出现错误,同时延时较为严重。
4.5.2 解决方式:
选取净利润、净利润率、方案版货值、动态货值、目标成本、动态成本等关键指标,进行驾驶舱设计。
4.5.3 场景价值:
细分影响利润指标达成的关键变量及敏感因素(收入、成本),通过监控全盘货值、目标成本执行偏差,动态监控利润达成情况,指导针对性经营提升方案/改进措施的制定。
4.6场景六:数据集成管理
4.6.1 问题:
项目多、系统多,传统做数据分析时离不开人工参与,为保障准确性、规范性、时效性需耗费大量人效,同时由于系统数据口径不一致的问题,也制约了跨系统跨部门的数据共享,导致大量问题被隐藏。
4.6.2 解决方式:
通过FineDatalink完成数据仓库搭建,包括:财务、成本、费控、客储、销售等系统。
其中ODS层开发时,利用FineDatalink数据管道,利用多表批量实时同步技术,完成数据仓库ODS层的构建,一个业务系统对应一个管道任务,每个管道任务对应100+数据表,操作过程便捷高效,数据管道相比数据开发模块单一任务开发的方式,可缩短1周以上项目周期!
地产行业中,不同的项目信息会存储于不同的业务系统之中,比如成本项目表数据和成本分期表数据会存储于成本业务系统内、销售数据会存储于销售业务系统中,但是数据监控大屏的【目标总成本、动态总成本】等指标,需要同时展现以上不同来源数据,所以我们需要在数据应用之前完成跨系统数据关联。
问题:传统数据仓库搭建工具,仅支持ELT方式进行数据加工处理,将不同业务系统的数据统一抽取至目标数据仓库后,再使用数据库的脚本语言对数据进行加工,并加载到数据结果表中,此过程繁琐复杂,并且会产生很多后续无效的数据中间表。
解决方案:FDL拥有ELT+ETL双核引擎,针对以上场景,将UC销售项目表、成本项目表、成本分期表,通过项目id作为连接键,完成数据关联,并将关联后数据利用字段设置完成进一步加工处理,并装载入目标表,相比传统ELT模式,不需要将来源端数据装载入目标端中间表,再处理数据装载入最终结果表,可提高30%以上任务开发效率、节省50%以上磁盘存储空间。
部分指标具有高实时性要求,每15分钟完成一次数据更新,由于数据是领导层查看,所以数据准确性非常关键;同时历史业务系统存在建设不完善性的问题,比如:每月底进行数据对帐时,发现业务数据和现在数据无法匹配,会在业务系统内对上月数据进行手动修改校准,导致业务系统数据同时存在新增、修改、删除,3种数据变化方式。
问题:不能选择『清空目标表,再写入数据』的全量更新方式,因为这种方式会导致目标表间接性数据不准确问题;历史针对此场景的方法是利用数据库sql脚本对不同类型的数据进行针对性处理,sql开发难度大、后续维护性也很差。
解决方案:使用FDL数据更新方式,数据来源表和数据目标表完成数据比对,针对数据的多种方式分别完成目标表数据的更新、新增和删除,1个流程即可完成全部数据处理场景,任务开发效率提升20%以上。
4.6.3使用概览
数据开发:1)78个定时任务,8个调度类任务;2)数据更新速度:增量更新:3000+行/s;全量更新:10000+行/s
数据管道:1)4个管道任务;2)总流量达到4000MB
五、总结与展望
1、数据采集方面:项目多,数据采集和校验耗时耗力;excel填报比例高,层层汇总过程中,为保障准确性、规范性、时效性需耗费大量人效;系统较多,数据口径不统一,存在两个业务中心上报数据不一致核对问题。
2、数据分析方面:无法随时随地、直观地查看实际经营状况;难以动态分析不同职能、地区、时间存在的经营问题;
3、数据交圈方面:营销、运营、成本、财务等职能间的大量数据交圈依靠人盯人,效率低,且口径易出错;项目、区域、集团等管理层级间的数据交圈大量停留在线下汇报,缺少留痕,难以追溯,问题容易被隐藏。
4、通过FineDataLink数据仓库的建设,整合多系统数据,打破数据孤岛,统一了数据口径,大大减少了人工数据处理的工作量,为我公司的的经营分析打下了坚实基础,实现了对企业经营数据的实时监控。
5、建设了一主四分的驾驶舱架构与完善的钻取体系,做到了业务上的纵向到底、横向到边,为管理者的数据决策提供了快捷的入口,实现了跨部门地数据交圈共享,切实提高了管理效能,通过线上与线下数据对比,也能够真实地发现一些业务端的问题,加快问题的解决。 |