四年时间,房多多迅速成长为国内领先的移动互联网房地产交易服务平台,在新房领域,业务范围覆盖50个主要城市,合作项目千余个,在二手房领域,房多多稳步向前,落实100%真实房源、搭建经纪人服务评价体系,站在第三方的角度在房产O2O领域持续领跑。
3月22日,房多多联合创始人兼CTO李建成在颠覆式创新研习社“有料”创新商业案例演讲上,分享了房多多的创新模式,并以“连接×效率”为主题,分析了房多多在二手房市场的核心动力。
如何用连接×效率 治愈二手房痛点
“房多多对行业的价值是“连接×效率”,让传统行业各个角色的连接数增加,各个环节的工作效率提升,两者相乘,就是房多多的价值。”李建成这样总结房多多的核心价值。
事实上,在过去的2014年,以这个核心价值为基础,房多多在新房市场实现高效运转,到了2015年,“连接×效率”还将助力房多多在二手房市场大展拳脚。
与新房市场相比,传统的二手房市场更为复杂,痛点也更多。
分享过程中,李建成从买房、卖房、中介三个角度出发,逐一阐述交易环节中各方“难、假、苦”的行业痛点,深入分析了传统二手房中介存在的运营成本高、抗风险能力低、效率低下的问题以及买家和卖家存在的信息不对称、对中介服务不满意等问题,并介绍了房多多针对行业三方的多重痛点的解决方案。
李建成表示,“随着社会分工水平切分越来越厉害,提供服务的人,如果能够随时随地在线就会影响这个行业里面所有的行为模式,尤其是决策模式。移动互联网有五维一体的特性,因为智能手机随身携带,机器和人成了一体,由此实现了人随时在线的基础。”
房多多二手房交易服务平台的搭建就是把交易环节最重要的几个角色拉到移动互联网上来,打破时间、空间的限制,让他们在线、让他们即时连接,从而让信息透明,让产业链条的经纪人回归服务的本质。
“经纪人,这个角色以前就干三件事情,找房源+找客源+成交,50%时间是打骚扰电话找房源+在街边找客户, 20%时间去看房,交易时间大概有10%, 20%时间做售后。现在房多多要做的是为他提供客户,提供真实的房源信息,解放他的劳动力,让他专注服务本身。而买房子的人可以直接通过房多多的平台,看到真实在售的房子,规避了看假房源,浪费时间等问题,另外他们还可以通过房多多经纪人服务评价系统,选择最好的经纪人,进一步提高买房效率。“李建成举例说。
房多多凭什么提升买卖房的效率?
一直强调,“连接×效率”,那么房多多如何实现效率的提升?
李建成说,“第一,因为我们通过O2O的方法把信息变真实。如果业主在线,他就可以把真实房源立刻发布到平台上,线下房多多的团队去查验,查验这个房子是不是真的存在,产权属性是不是真的,买卖意向是不是真的。第二,房多多提供真实的服务,跟信用等级相关。经纪人的本质应该是提供服务方,如果能够确保这个服务是能够受到制约的,能够受到点评,这样把服务越做越真,平台的效率就会越来越高,我们觉得对于O2O来说它的本质上是O2S,在线上能够提供线下的服务,提供选择的效率,或者降低选择的成本。第三,反馈可以立刻及时,如果通过移动APP让卖房者在管理交易过程所有的数据,成本和效率是非常好的,移动连接的方法能够让各个环节之间的连接效率更高。
除此之外,李建成还强调平台的效率的提高,还在于内部的效率,员工的效率,就是这个公司存在的立足点和根本。
他表示,“房多多运行过程中,员工所有的作业行为,尽可能APP化。做O2O其实成本很大,商业的价值是靠线下的同事去传递去实现的。他的劳动效率是非常重要的。房多多实践过程中,所有商业的思考都是靠面对面提供服务那个人去实现的,寻找最优作业流程,将它标准化尽可能的落实到APP里面去,从而提升整体的工作效率。”
员工行为的移动APP化,还能改变员工与员工之间的连接,员工与公司之间的连接,这样一来员工遇到任何问题,都可以最及时的得到解决,内部效率也进一步得到提升。
的确,在移动互联网时代,连接是一切的根本,只有将这个根本做扎实,才能提高房多多在行业竞争中的效率,而效率的提升则是一切商业行为的本质。事实上,在李建成看来,四年来房多多正是遵循“连接×效率”的本质,才能由一个20人的小团队发展到今天的三千多人,才能从众多凶猛的电商服务平台中脱颖而出。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。