📋 预判摘要
🧰 五步递进筛查
| 步骤 | 状态 | 说明 |
|---|---|---|
| Step 1 需求 | ✅ | 施工进度管理是刚需（建筑业利润率不足3%，排程直接关乎利润） |
| Step 2 解决方案 | ⚠️ | 运筹优化+ML+大模型排程引擎需从零构建，产品为零 |
| Step 3 商业模式 | ⚠️ | 产品未定价，初期毛利率仅18%偏低 |
| Step 4 增长 | ⚠️ | 内部推广依赖集团工程部，外部增长路径尚未验证 |
| Step 5 壁垒 | ✅ | 10万亿交易数据+1400万工人数据构成独占数据资产壁垒 |
🏰 行业预判六模块
M1 拆解行业
产业链：数据采集层（BIM建模/IoT传感器/无人机摄像头）→ 算法平台层（ALICE Technologies/nPlan/Buildots/广联达PMSmart）→ 应用交付层（生成式排程SaaS/进度风险预测/现场进度追踪）→ 终端用户（总承包商/项目业主/监理/咨询/分包商/金融机构）
利润分配（100元）：数据采集与接入 10-15% | AI算法与模型 65-75%（核心壁垒）| 产品化与UX 35-45% | 销售与实施 20-30%
关键控制节点：数据资产型 + 技术壁垒型 — 云筑网拥有10万亿交易数据（成本-工期关联）+ 1400万工人实名制数据（劳动力约束）+ 4100+智慧工地（实时进度验证），三者合一的数据维度全球竞品无人能及。
可优化：建筑行业施工排程长期依赖人工经验，全球70%施工进度表存在严重缺陷
M2 洞察变化
| 维度 | 变化 | 量级 |
|---|---|---|
| 新技术 | 大模型+运筹优化融合使AI排程从"辅助"走向"自动生成" | 大 |
| 新技术 | 视觉AI+IoT实现实时进度自动采集，告别人工填报 | 大 |
| 需求侧 | 全球建筑业$1.6万亿生产力缺口，仅8.5%项目按时完工 | 大 |
| 需求侧 | 中国建筑业利润率持续走低（2024年行业平均利润仅2.86%） | 大 |
| 供给侧 | ALICE/nPlan/Buildots已获商业验证，但均缺乏中国市场深耕 | 中 |
| 政策法规 | 住建部智能建造试点城市+央企数字化转型考核 | 中 |
M3 预判稳态B
原子需求：中建工程局项目经理（投标排程，5-10万/年/项目）| 总工（动态进度优化，10-20万/年/项目）| 外部央企（多项目资源调配，30-50万/年/企业）| 项目业主（进度风险预测，5-15万/年/项目）| 金融机构（贷后进度监控，20-50万/年/机构）
中建发展位置：数据资产层的独占者 + 场景入口的守门人 — 10万亿交易数据（"成本-工期-工序"关联矩阵）+ 1400万工人数据（劳动力约束输入）+ 4100+智慧工地（实时进度反馈形成闭环），三层数据融合是ALICE/nPlan/广联达都无法做到的。
M4 Timing
周期：早期探索 → 爆发增长的过渡期。窗口已开，还有 2-3 年。
太早风险：低 — 全球已有商业验证（ALICE/nPlan），不存在技术可行性问题
太晚风险：中高 — 广联达斑马进度已有先发优势和客户基础，新进入者需差异化突破
M5 天花板大小
| 方法 | 估算 |
|---|---|
| 直接数据 | 全球施工排程软件市场 $1.3-4.1B(2024)，2030年 $2.3-5.9B |
| Top-down | 中国建筑业总产值31万亿 × 软件支出占比0.1-0.3% = 31-93亿 |
| Bottom-up | 大型施工企业500家 × 50万 + 中型5000家 × 5万 = 5亿 |
| 类比 | 制造业APS全球市场 $2.6B(2025)，建筑业排程复杂度不低于制造业 |
结论：AI施工排程中国市场可触达规模30-100亿元，支撑十亿级体量公司。
M6 集中度
现状：极其分散，无绝对头部。全球层 ALICE/nPlan/Buildots 各有侧重；中国层广联达斑马在工具层领先但"AI自动排程引擎"无人占位。
趋势：C型（分散→集中）⭐ 最佳时机 — 数据资产具有网络效应，排程数据越多模型越准客户越多。
策略：差异化深耕 — 利用云筑网独占的"成本-工期-工序-劳动力"四维数据，先在中建体系内做到极致，再向外复制。不与广联达在"通用进度计划工具"层面正面竞争。
🔍 五步法逐层分析
Step 1 需求
目标用户：中建体系项目经理/总工程师 → 中国大型建筑企业 → 金融机构/业主（非"所有人"）
| 场景 | 痛点 | 刚性 |
|---|---|---|
| 投标阶段进度方案编制 | 手动排程耗时长（2-3天做一份计划），方案比选靠个人经验 | 刚性 |
| 施工阶段动态进度优化 | 进度滞后时不知最优调整策略，靠"拍脑袋"决策 | 刚性 |
| 多项目资源调配 | 设备/人员跨项目闲置或短缺，缺乏全局最优调度 | 较强 |
| 劳务-进度协同 | 进度计划和可用劳动力脱节 | 较强 |
| 进度风险预测 | 无法提前预判哪些工序有延期风险 | 刚性 |
| AI施工方案自动生成 | 施工组织设计编写耗时数周，大量重复劳动 | 较强 |
替代方案：Primavera P6 / MS Project（手动排程工具，无AI优化）| 广联达斑马进度计划（AI辅助生成，缺乏动态优化）| 项目经理经验判断（覆盖率低、不可复制）| Excel（中小企业仍大量使用）
Step 2 解决方案
核心卖点："别人告诉你工序要排几天，我们告诉你在这个工地、这个季节、用这些工人，实际需要几天。"
| 做 ✅ | 不做 ❌ |
|---|---|
| 基于真实交易数据的工序工期预测 | 通用进度计划画图工具（不与广联达斑马正面竞争） |
| 四维约束（成本+工期+工序+劳动力）自动排程 | 完全替代项目经理决策（AI推荐+人工确认） |
| 动态进度预警与最优调整方案推荐 | 工地IoT硬件（依托已有智慧工地） |
| 施工组织设计AI辅助生成 | 纯设计BIM建模（专注施工阶段） |
| 多项目资源跨项目调配优化 | 财务/合同管理（专注进度排程） |
MVP：1个工程局3个在建项目 → 云筑网数据训练"工序-工期-成本"关联预测模型 → 上传WBS输出工序工期分布（P10/P50/P90）→ 生成推荐排程方案 → 与实际进度对比验证
SharP定位：对项目经理 — "30分钟出3版可比的排程方案，每版告诉你工期多少天、多少钱、需要多少工人"；对企业高管 — "知道每个项目真实的工期风险在哪里，提前2周预警"
Step 3 商业模式
单项目SaaS + 单企业订阅混合 — 以项目为单位计费（贴合建筑行业以项目为核算单元的习惯）
| 收入来源 | 第3年估算 |
|---|---|
| 中建体系内工程项目（标准版，8万×150项目） | 1200万 |
| 中建体系内企业级订阅（50万×8个工程局） | 400万 |
| 外部央企（中铁/中交等，15万×20家） | 300万 |
| 外部大型民企/地方建工（5万×50家） | 250万 |
| 金融机构（贷后进度监控，30万×5家） | 150万 |
| 第3年合计 | 2300万 |
三年毛利率改善：第1年负毛利（MVP阶段）→ 第2年10% → 第3年18% → 第5年35-45%
| 指标 | 本项目 | 制造业APS | 通用SaaS | 判断 |
|---|---|---|---|---|
| 毛利率(第3年) | 18%→35%(第5年) | 50-60% | 70%+ | ⚠️ 偏低 |
| LTV/CAC | 8.3 | 5-8 | >3 | ✅ 健康 |
| 回收期 | 9.7个月 | 12-18个月 | <12个月 | ✅ 合理 |
Step 4 增长
增长引擎：黏着式（嵌入工作流）+ 数据网络效应 — 排程工具嵌入月度进度管理流程，用了就离不开；项目越多模型越准客户越多
| 优先级 | 渠道 | CAC |
|---|---|---|
| 1 | 中建体系内复制 | 0-1万 |
| 2 | 云筑网现有客户转化 | 2-3万 |
| 3 | 智能建造试点城市合作 | 3-5万 |
| 4 | 行业协会+标准制定 | 2-3万 |
| 5 | 与广联达互补合作 | 1-2万 |
| 6 | 金融机构联合推广 | 3-5万 |
Step 5 壁垒
| 壁垒类型 | 具体内容 | 强度 |
|---|---|---|
| 数据资产 | 10万亿交易数据(成本-工期关联) + 1400万工人数据(劳动力约束) + 4100+智慧工地(实时验证) — 三维数据融合，竞品无法复制 | 强 |
| 网络效应 | 项目越多 → 工序-工期模型越准 → 排程越靠谱 → 更多客户 → 更多数据 | 强 |
| 转化成本 | 嵌入月度进度管理流程后，切换成本高（历史数据新系统不可用） | 中 |
| 技术壁垒 | 运筹优化+大模型融合的排程引擎需跨学科团队，组建周期长 | 中 |
| 无形资产 | 央企身份+中建品牌背书，在建筑央企生态中有天然信任优势 | 中 |
可复制性：广联达 2-3年（缺真实交易数据）| ALICE/nPlan 3-5年（缺中国数据+客户）| 中铁/中交 3-4年（数据规模远小于云筑网）| 新进入者 几乎不可能
💥 20张硬伤卡牌诊断
| # | 硬伤问题 | 评分 | 结论 |
|---|---|---|---|
| 1 | 目标用户是"所有人"？ | 0 | 未命中 — 目标用户清晰分层 |
| 2 | 痛点是"锦上添花"？ | 1 | 轻微 — 非"不优化就活不下去"级刚需 |
| 3 | 需求频率极低？ | 0 | 未命中 — 月频次以上 |
| 4 | 没有和真实用户验证？ | 2 | 需验证 — 尚未与中建项目经理做访谈 |
| 5 | 和现有方案没有本质区别？ | 0 | 未命中 — 10万亿交易数据+1400万劳动力约束竞品无人能及 |
| 6 | 说不清核心卖点？ | 0 | 未命中 — "别人告诉你工序要排几天，我们告诉你实际需要几天" |
| 7 | 功能堆砌没有取舍？ | 0 | 未命中 — MVP清晰 |
| 8 | 没有最小可用版本？ | 0 | 未命中 — 1个局3个项目MVP明确 |
| 9 | 说不清单元模型？ | 0 | 未命中 — 单项目SaaS+企业级订阅混合 |
| 10 | 算不清CAC或LTV？ | 0 | 未命中 — LTV/CAC=8.3，回收期9.7个月 |
| 11 | 毛利极低且无改善空间？ | 1 | 轻微 — 初期18%偏低，但第5年可达35-45% |
| 12 | 没有和行业基准对比？ | 0 | 未命中 — 对标制造业APS和通用SaaS |
| 13 | 只有一个获客渠道？ | 1 | 轻微 — 初期强依赖中建体系内复制 |
| 14 | 靠人肉获客？ | 0 | 未命中 — SaaS+API模式可规模化 |
| 15 | 没有清晰增长引擎？ | 0 | 未命中 — 黏着式+数据网络效应 |
| 16 | 说不清护城河？ | 0 | 未命中 — 10万亿交易数据+1400万工人数据双重壁垒 |
| 17 | 壁垒是团队能力/资源？ | 0 | 未命中 — 壁垒是数据资产，不是个人能力 |
| 18 | 六大壁垒一个不占？ | 0 | 未命中 — 占据数据资产+网络效应两项强壁垒 |
| 19 | 团队缺少必备能力？ | 3 | ⚠️ 中等 — 排程优化+运筹学+大模型+建筑know-how跨学科团队极难组建 |
| 20 | 低估运营复杂度？ | 4 | ⚠️ 中高 — 跨局数据标准化+工序知识图谱从零构建+智慧工地数据不可用+算法团队组建+ToB实施周期长 |
🧪 关键假设清单
📈 敏感性分析
| 关键变量 | 基准值 | 乐观(+20%) | 悲观(-20%) |
|---|---|---|---|
| 内部项目覆盖率 | 150个项目(第3年) | 180个 → 收入2760万 | 120个 → 收入1840万 |
| 外部客户数 | 70家(第3年) | 84家 → 收入2530万 | 56家 → 收入2070万 |
| 年均客单价 | 10万 | 12万 → 收入2760万 | 8万 → 收入1840万 |
| 实施成本/项目 | 3万 | 2.4万 → 毛利提升 | 3.6万 → 毛利下降 |
| 年流失率 | 15% | 12% → LTV=83万 | 18% → LTV=55万 |
最敏感变量：内部项目覆盖率 — 中建体系内的推广速度直接决定第3年收入规模和模型数据量。若内部推广受阻，外部客户几乎不可能获取。
备选路径
📝 评分调整说明
原始评分79分，经发现智慧工地数据不可用等新信息后下调3分至76分。
| 调整因素 | 影响维度 | 扣分幅度 |
|---|---|---|
| 智慧工地摄像头为安防用途，无法用于实时进度采集 | ④方案优劣 -2 | -2 |
| 风险累积（摄像头数据不可用+排程数据合规问题） | ⑦风险扣分 -3→-4 | -1 |
| 合计 | -3 |
▶️ 建议下一步行动
- 选取3个不同业态的在建项目（房建×1、基础设施×1、工业建筑×1）
- 清洗云筑网交易数据中对应工序的"实际工期×实际成本"样本（≥100道工序）
- 训练XGBoost/LSTM模型预测工序工期分布（P10/P50/P90）
- 将AI预测与行业定额、项目经理经验估算做三方对比
成本：4周 + 1名数据工程师 + 1名算法工程师 + 0元外部采购（数据已有）
🔗 与 SC-01 协同关系
AI施工进度优化（IS-B07）与供应商智能风控（SC-01）共享同一数据底座，但在价值链中处于不同位置：
协同增效路径：
SC-01供应商评级数据 → 可作为IS-B07的"供应商履约能力"约束输入（知道某个分包商的实际工期表现）
IS-B07排程数据 → 可反哺SC-01的"供应商履约动态监控"（计划vs实际偏差作为风控信号）
两者共享云筑网数据底座和技术团队，边际成本显著降低。