📋 预判摘要
🔍 五步递进筛查
| 步骤 | 状态 | 说明 |
|---|---|---|
| Step 1 需求 | ⚠️ | 优化型需求非刚需，项目经理采纳率是P0未验证假设 |
| Step 2 解决方案 | ⚠️ | A3C强化学习+遗传算法技术可行但落地未验证 |
| Step 3 商业模式 | ✅ | LTV/CAC健康 |
| Step 4 增长 | ⚠️ | 强依赖项目经理采纳 |
| Step 5 壁垒 | ✅ | 数据资产+规模效应 |
🏰 行业预判六模块
M1 拆解行业
产业链：数据源层（实名制考勤/技能标签/项目进度/工价）→ 算法平台层（调度算法引擎/人岗匹配/工期预测/成本优化）→ 应用层（项目级排班SaaS/跨项目调配/供需监测/劳动力市场）→ 终端用户（项目经理/劳务公司/政府/金融机构）
利润分配（100元）：工人工资 65-70% | 劳务公司管理费 10-15%（毛利 15-25%）| 窝工闲置浪费 18-22% | 调度管理成本 3-5%
关键控制节点：数据资产型 — 1400万+工人实名制数据
可优化：窝工/闲置浪费率 18%-22%
M2 洞察变化
| 维度 | 变化 | 量级 |
|---|---|---|
| 需求侧 | 从业人数两年流失超1600万 | 大 |
| 需求侧 | 用工荒与工人闲置并存 | 大 |
| 供给侧 | 工人老龄化50岁以上42% | 中 |
| 新技术 | A3C强化学习+遗传算法，工期压缩12% | 中 |
| 新技术 | 大语言模型多班组调度仿真 | 中 |
| 政策法规 | 实名制强制考勤 | 中 |
| 政策法规 | 专户发薪制度 | 中 |
M3 预判稳态B
原子需求：总包项目经理排班（3-8万/年）| 跨班组调配（含订阅）| 劳务公司多项目调配（2-5万/年）| 用工需求预测（含企业版）
中建发展位置：数据层潜在主导者 — 1400万+工人实名制数据是核心资产。
M4 Timing
周期：早期探索期。窗口 3-5 年。
太早风险：中等 — 市场教育成本高，项目经理习惯经验派工
太晚风险：中低 — 竞品尚未形成数据壁垒
M5 天花板大小
| 方法 | 估算 |
|---|---|
| 直接数据 | 全球建筑装饰用工平台 74.18亿→103.1亿 |
| Top-down | 31万亿 × 20% × 5-10% = 3100-6200亿 |
| Bottom-up | 5000项目 × 20万 = 10亿 |
| 类比 | 筑链云 56.6亿 |
结论：50-150亿元（SaaS收入口径）。
M6 集中度
现状：极其分散
趋势：C型（分散→集中）最佳时机 — 数据+算法构成双重壁垒，谁先跑通数据闭环谁赢。
策略：利用中建体系内数据优势快速做深，形成行业标准。
🔍 五步法逐层分析
Step 1 需求
目标用户：总包项目经理 + 劳务公司调度员
| 场景 | 痛点 | 刚性 |
|---|---|---|
| 日常排班 | 依赖包工头经验，窝工率18-22% | 中等 |
| 跨班组调配 | 项目间人力不均，闲置与短缺并存 | 中等 |
| 多项目调配 | 劳务公司管理5-10个项目，调度靠Excel | 中等 |
| 用工需求预测 | 无法提前预判各工种需求量 | 中等 |
Step 2 解决方案
核心卖点："包工头用经验派工，我们用数据派工。"
| 做 ✅ | 不做 ❌ |
|---|---|
| 项目级AI排班 | 考勤打卡硬件 |
| 跨班组智能调配 | 劳务交易撮合 |
| 工期预测与优化 | 全流程项目管理 |
| 用工需求预测 | C端工人接单 |
MVP：1个工程局 3-5 个项目验证，考勤数据做AI排班 vs 人工排班回测对比
Step 3 商业模式
单客户 ToB SaaS — 按项目年订阅
| 收入来源 | 第3年估算 |
|---|---|
| 中建体系内（230项目×15万） | 3000万 |
| 外部大型企业 | 600万 |
| 劳务公司 | 300万 |
| 需求预测报告 | 250万 |
| 第3年合计 | 4150万 |
Step 4 增长
增长引擎：黏着式 — 数据积累越多算法越准，切换成本递增
| 优先级 | 渠道 | CAC |
|---|---|---|
| 1 | 中建体系内推广 | 0 |
| 2 | 云筑网现有客户 | 2-3万 |
| 3 | 行业协会/政府 | 4-6万 |
| 4 | 劳务公司 | 3-4万 |
| 5 | 内容营销 | 6-10万 |
Step 5 壁垒
| 壁垒类型 | 具体内容 | 强度 |
|---|---|---|
| 数据资产 | 1400万+工人实名制数据 — 竞品无法获取 | 强 |
| 规模效应 | 数据越多算法越准，边际成本趋零 | 强 |
| 转化成本 | 项目级定制排班方案，切换需重新训练 | 中 |
| 技术壁垒 | A3C强化学习+遗传算法调度引擎 | 中 |
| 无形资产 | 中建品牌背书+行业标准参与 | 中 |
可复制性：广联达 2-3年 | 筑链云 2-3年 | 新进入者 极难
💥 20张硬伤卡牌诊断
| # | 硬伤问题 | 评分 | 结论 |
|---|---|---|---|
| 1 | 目标用户不清 | 0 | 未命中 |
| 2 | 痛点不痛 | 1 | 轻微 |
| 3 | 使用频率低 | 0 | 未命中 |
| 4 | 用户验证不足 | 2 | 需补充验证 |
| 5-12 | 本质区别/卖点/功能/MVP/单元模型/CAC-LTV/毛利/基准 | 0 0 0 0 0 0 0 0 均未命中 | |
| 13 | 获客渠道不清 | 1 | 轻微 |
| 14-18 | 人肉/增长引擎/护城河/壁垒/六大壁垒 | 0 0 0 0 0 均未命中 | |
| 19 | 团队缺少必备能力 | 1 | 轻微 |
| 20 | 低估运营复杂度 | 3 | 主要风险 ⚠ |
🧪 关键假设清单
📈 敏感性分析
| 变量 | 基准 | 乐观(+20%) | 悲观(-20%) |
|---|---|---|---|
| 窝工率优化 | 降至10% | 8% | 14% |
| 项目数 | 230个 | 276→4980万 | 184→3320万 |
| 客单价 | 15万 | 18万 | 12万 |
| 采纳率 | 70% | 85% | 55% |
最敏感：项目经理采纳率 — 直接决定付费意愿和续约率
备选路径
▶️ 建议下一步行动
- 选取1个在建项目的近3个月考勤+排班数据
- 用强化学习+遗传算法做AI排班方案
- 对比AI排班与实际人工排班的窝工率差异
成本：3周 + 1名算法工程师 | 目标：AI排班窝工率≤12%，较人工降低≥6个百分点
🔗 与 LW-01 协同关系
LW-02（劳动力调度优化）和 LW-01 是天然上下游关系：
组合效应：LW-01预测用工需求 → LW-02做精准排班调度；LW-01监测劳动力市场供需 → LW-02优化跨项目调配；共享数据中台，分层服务。