用数据让房产更透明

王晨

房产对于我们所有人来讲更为直观，更容易去理解。

为什么数据能够让房产更透明？

买卖、银行、金融、担保，包括政府涉税都跟房产相关，很多年以来，这些与房产相关的信息是不对称的，而未来，我们将使不同数据在所有的应用和服务中更为流畅、更为透明。

我给大家带来一组数字，这组数字是我们自己统计的。

全国289个地级市房产总量是240万亿元，包括住宅、商铺、写字楼、工业、土地、酒店等等各类型，不包括小产权房。

按照目前现有人口推算的话，城镇住宅接近2.6亿万套。

目前，整个居民财富的70%都是来自房地产，房地产总值约240万亿元，相当于2015年全国GDP的6倍。这决定了这样的资产体系才是我们今天各个行业都会以他为依托，而延伸服务。

在整个资产总量中，只有40%的房地产业务涉及金融服务，比例低于美国或者欧美同期水平。我们希望在这个领域，能够把集约服务做得更好、更完善。

从大数据的角度上来讲，我们专注于盲目性，盲目性天生是具有场景性的。从做数据来讲，我们不只针对企业级市场，我们还要通过数据为大众服务，让所有人在买房过程中有更优质的体验。

如何通过数据解读房产？从2009年到现在，我们只在房产领域探索和追寻如何解读数据，目前的数据库可以用300多个字段来解读一套房产，解读数据层面背后，非传统领域的认知。

我们今天做大数据，大家都认为数据缺少规则，那么，我们怎么去建立规则？在不同领域，对字段的解释是不一样的。

作为买方来讲，大家买房关心一个装修指标，毛坯和非毛坯，精装修和豪华装修，他们各自的内涵是什么，没有标准。我们做服务时，会遇到300个以上的指标做解析和应用。

对于云房数据而言，我们在做地址数据的时候，花大量时间把所有地址进行整合和匹配。这也是为什么要用300个字段解决房产信息问题，在应用层面，我们更多考量的是动态数据而非静态数据。

对于一套房屋的价值，我们会通过7种架构去解读房产。大家买房过程中所有的贷款行为、贷款依据，其实都不是以我们的成交价为依据的，而是以评估价作为放款依据，以投资回报率来预测价格。

从我们自身出发，需要从多个价格维度解析一套房产，从不同价格所产生的垂直领域来提供服务。

对于今天的云房数据来讲，我们聚焦于通过数据做两件事：

第一，我们希望能够把全国的房产总数弄清楚。

第二，我们希望把房产价值弄明白。房地产市场是存量市场更领先，拿北京来讲，整个交易量和价值存量大过新增量，二手房总量超过了一手房。在以服务市场为主体的时候，标的为服务对象。

今天，我们以存量市场来预估未来所有房地产市场价值属性的时候，会回答两个方面，房在哪儿？房子值多少钱？

对于这样的数据，对交易领域来讲，希望房地产更透明，交易更顺畅。买房人和卖房人都有一种担心，卖房人永远担心卖便宜了，买房人永远担心买贵了。在经历过买房后，相信大家都能成为专家。专家意味着什么？大家在买房过程中是基于信息不对称而不得不做的一个选择。

看看北京市场是怎样的状况？我们的统计数据表明，2016年上半年北京二手房交易数据为13.6万套，我们结合地图的分布点看，完全是一个三角形，政府东迁，引导了购房趋向，大家都向东部靠拢。

全北京市12600个小区，在过去十年，13.6万套中的80%集中在300个小区，从金融服务方案上看，过去十年，北京市所有银行真正发生过贷款行为的，在这80%当中又有多少呢？

所有资产当中，金融服务的对象和标的是什么？

我们的数据告诉你，这个房多少钱买合适，多少钱卖合适，甚至可能这个房子的整个历史交易过程当中知道，应该是什么样的成交周期和议价空间，我们完全通过数据解读今天房产市场的经济行为。

今天在北京，上班时间平均在一个小时以上，这是全国排名第一的城市，通勤成本多高，完全能看到数据流向。我们在未来选房中，你的交通出行成本到底有多高，也决定了你的生活品质，所以我们要通过数据去做一个解读。

北京平均房价在4万7千元左右，在这样的情况下，大家可以看到，首套置业房屋都成了边缘部位，城市集中了非首套部位。从北京的所有房屋交易来看，大家在购房中的面积比2009年有所增加，这种增加在于首套置业增加的更多一点。

从数据来讲，我们希望能够对未来大家在交易端如何制定买房决策和卖房决策，提供更为透明的服务。

我们也提供金融服务，主要在房抵业务估值服务方面。我们做征信数据、做企业数据，再结合相关数据判定北京哪些地区是最为活跃的，资产量是最容易变现的，这些是完全可以放开的，在金融端也是完全可以形成产品的。

从整个服务来讲，我们在房地产行业里，也能提供SaaS平台。未来房地产行业的更多应用领域是什么？首先要回答两个问题：房子在哪儿？房子值多少钱？我们都可以用数据给大家提供服务。（根据演讲内容整理，未经本人审核）