一、投资命题：买下中国最大的线下商业经营网络
新达盟最有价值的资产，可以抽象成四层：
529个商业节点 × 约4万名员工 × 数十万商户关系 × 每天持续产生的经营行为。
现有万达擅长“建广场、招商、开业、运营”。
FDEPE接手后的目标：
把529座万达广场改造成一套可以持续学习、持续优化、持续复制的商业经营机器。
PE负责资本、治理和激励；FDE直接进入一线，把经营经验写进系统。
二、成立「Newland FDE」：直接向CEO汇报
总部建立一支约50人的核心FDE团队：
AI工程师 + 数据工程师 + 产品经理 + 商业运营专家 + 招商专家 + 财务人员。
第一批直接进入30座万达广场，与总经理、招商、营运、物业、营销、财务共同工作。
每个FDE只回答一个问题：
我负责的这座商场，这个月多赚了多少钱？
系统开发全部绑定经营指标。
三、建设「Wanda Operating Graph」
把全部广场统一成一套经营数据结构：
广场 → 楼层 → 铺位 → 品牌 → 门店 → 合同 → 租金 → 销售额 → 客流 → 会员 → 活动 → 停车 → 能耗 → 人员。
再连接天气、节假日、城市事件、商圈人口、竞争项目和线上消费趋势。
目标做到：
每一个铺位都有自己的动态经营账户。
管理层能够持续判断：
- 哪个铺位正在创造价值？
- 哪个品牌租金与经营能力不匹配？
- 哪个区域坪效持续下跌？
- 哪个商户未来90天存在退出风险？
- 哪个空铺应该引入什么品牌？
四、部署六个直接赚钱的Agent
- 招商Agent｜任务：品牌发现、匹配、招商｜核心指标：空置率
- 租金Agent｜任务：动态计算铺位价值｜核心指标：租金/㎡
- 商户增长Agent｜任务：帮助商户改善经营｜核心指标：商户GMV
- 营销Agent｜任务：活动、会员、广告｜核心指标：ROI
- 能源Agent｜任务：空调、照明、设备优化｜核心指标：能耗/㎡
- 经营Agent｜任务：每日诊断广场经营｜核心指标：NOI
其中最重要的是商户增长Agent。
万达进一步参与商户增长，可以探索：
基础管理费 + GMV分成 + 广告收入 + AI经营服务费 + 增量利润分成。
逻辑变成：
商户赚得更多，万达才赚得更多。
五、100天攻下一座「AI Native万达广场」
先选30座样板：
- 一线城市5座
- 二线城市10座
- 三四线城市10座
- 低效/待改造项目5座
建议100天挑战指标：
- NOI提升5%–8%
- 空铺周期下降30%
- 能源成本下降8%–12%
- 营销费用效率提升20%
- 人工报表工作量下降50%
- 招商人员人均管理品牌数提升30%
这些数字只作为实验目标，不提前写入投资收益。
每一个被验证的经营动作形成：
Wanda Playbook 001 / 002 / 003……
随后30座→150座→全部广场。
六、把经营经验变成公司资产
万达二十多年积累了大量隐形知识：
- 什么城市适合什么业态；
- 什么位置适合什么品牌；
- 某品牌应该支付多少租金；
- 什么品牌组合能够互相导流；
- 开业前180天应该完成什么。
FDE把每一次：
判断 → 动作 → 结果
结构化记录。
最终形成：
Wanda Commercial Model
输入：
城市 + 商圈 + 建筑 + 人口 + 竞争 + 消费
输出：
业态组合 + 品牌组合 + 租金 + 招商顺序 + 营销预算 + 人员配置 + 预计NOI。
新项目先运行模型，再组织人执行。
七、第二增长曲线：商业经营基础设施
当全部广场形成统一经营网络以后，可以长出四类业务：
Wanda Ads
全国商业空间广告网络。
Wanda Merchant Cloud
面向商户提供经营Agent。
Wanda Intelligence
向其他购物中心输出招商、营销、定价和物业能力。
Wanda Expansion
利用模型寻找适合接管的第三方商业项目。
形成飞轮：
更多广场 → 更多数据 → 更好的经营模型 → 更高NOI → 更强接管能力 → 更多广场。
八、治理机制按照FDEPE重构
董事会重点观察：
- NOI
- 自由现金流
- 单位面积收入
- 第三方管理面积
- FDE产生的可验证增量利润
成立：
FDE Value Creation Committee
每个月回答：
投入多少工程资源 → 改变什么经营动作 → 最终增加多少现金流？
管理层、FDE团队的激励逐渐绑定可验证增量现金流。
九、三年路线
0–6个月：证明
30座试点。
目标只有一个：
证明FDE能够稳定改变NOI。
6–18个月：复制
扩展至150–200座，形成标准化Deployment Kit。
18–36个月：规模化
覆盖现有商业网络，并把能力用于新增第三方项目。
十、最大的改造风险与反对意见（反方证据）
FDEPE必须首先证明自己不会把一家已经能够赚钱的公司“改坏”。
反对意见一：万达本来就是中国最强的商业运营公司之一，凭什么50个FDE比几万名老员工更懂商业？
这是最有力的反对意见。
招商、人流、铺位、品牌组合和城市消费具有大量无法直接数字化的隐性知识。
一个优秀招商主管可能只需要看一眼位置，就知道某个品牌能不能活下来。
模型可能需要几百万条数据才能接近这种判断。
所以FDE不能以“替代老师傅”为起点。
正确组织关系应该是：
最优秀的万达经营者 × FDE。
先找到公司内部Top 1%的经营者，把他们的判断能力放大到整个组织。
反对意见二：529座广场根本不是529个相同节点
北京CBD、成都、昆明和一个县级城市的万达，在消费能力、租金结构、品牌供给、客群和竞争环境上差异巨大。
因此：
一个广场验证成功 ≠ 529个广场都能复制。
必须建立分层模型：
城市级别 × 商圈类型 × 广场生命周期 × 客群 × 业态结构。
最终可能形成20—50种经营原型，而不是一套全国统一算法。
反对意见三：数据相关性很容易被误认为经营因果
例如：
系统发现“奶茶品牌附近女装销售更高”。
这不代表增加奶茶店就能提高女装销售。
商业地产存在大量共同变量：
位置、楼层、人流、城市消费能力、节假日、品牌势能。
因此所有重大经营模型都必须经过：
预测 → 小规模实验 → 对照组 → 财务验证 → 扩大部署。
FDEPE必须是一套经营实验体系，而不能变成大型BI项目。
反对意见四：优化租金可能伤害整个生态
如果租金Agent发现某商户支付能力很强，然后持续提高租金，短期NOI会上升。
但商户利润下降以后：
品牌退出 → 空置增加 → 消费体验下降 → 客流下降。
所以算法目标不能只优化租金。
更合理的目标函数是：
物业长期NOI × 商户存活率 × 消费者价值。
甚至需要主动给某些战略品牌低租金。
反对意见五：商户可能不愿意把真实数据交给万达
如果万达同时掌握：
销售、利润、客流、库存、会员、营销效果
商户会担心这些数据最终成为涨租依据。
这可能直接破坏Merchant Cloud。
因此必须建立清晰的数据契约：
用于帮助商户增长的数据，不直接成为单方面提高租金的依据。
数据治理本身就是产品。
反对意见六：FDE团队可能变成新的总部官僚机构
这是FDEPE最大的组织风险之一。
50个人一年以后可能膨胀成：
数据中心 + AI中心 + 数字化委员会 + 大量汇报机制。
最终创造大量Dashboard，却没有创造现金流。
因此必须设铁律：
没有经营结果的FDE项目自动终止。
每个项目必须拥有：
Baseline → Action → Control → Result → P&L Attribution。
反对意见七：AI产生的利润很难归因
今年NOI上涨5%，可能来自：
经济恢复、租约变化、竞争商场关闭、天气、营销活动或者AI。
如果无法归因，就无法证明FDEPE有效。
所以从第一天就必须建立：
FDE Ledger
每项改造记录：
投入成本 / 对照组 / 经营动作 / 增量收入 / 节省成本 / 持续时间 / 置信程度。
最终形成：
AI投入1元，经过审计创造多少自由现金流。
这是FDEPE最重要的财务基础设施之一。
十一、真正需要警惕的失败方式
最危险的情况并不是模型不好用。
而是三年以后：
- 投入数亿元
- 建立巨大数据平台
- 部署几十个Agent
- 做出漂亮Dashboard
- 组织大量培训
- 所有人都在使用AI
然后发现：
NOI几乎没有发生可归因变化。
因此整个项目必须采用PE式纪律：
30座实验
如果6个月后无法证明明确的单位经济改善：
停止扩张。
如果证明：
继续投入。
如果某些场景有效、某些无效：
只扩大有效部分。
FDEPE最核心的纪律应该是：
技术没有天然价值。可验证的现金流变化才有价值。
十二、FDEPE版本的万达投资逻辑
这类交易拥有非常适合FDEPE的底盘：
巨大线下网络 + 成熟运营体系 + 重复经营节点 + 稳定现金流 + 大量隐性知识。
传统PE价值创造主要依赖：
资本结构 + 治理 + 激励 + 成本 + 并购 + 退出。
FDEPE增加：
工程能力 + AI + 经营实验 + 知识资产化 + 大规模复制。
但整个投资逻辑不能建立在：
“AI能够让万达效率提高。”
必须建立在一个更严格的问题上：
FDE能否把一项经营改善，在30座不同类型广场中重复证明，并且让每一元技术投入产生可审计的增量自由现金流？
如果这个问题能够被证明，529座商业节点就形成极强的规模杠杆。
一个动作每年只给单座广场增加100万元可验证利润，复制到500座，就是约5亿元利润。
十个这样的动作，就是几十亿元级经营价值。
因此FDEPE寻找的不是一个“超级AI项目”。
它寻找的是：
100个每年能够增加10万、50万、100万元现金流的小型经营算法，然后把它们复制几百次。
这可能才是FDEPE应用于万达最值得验证的路径：
PE买下现金流，FDE寻找现金流中的微小改进，然后利用巨大经营网络，把微小改进变成巨大价值。
这一版我认为比单纯强调“AI改造万达”更接近FDEPE的投资委员会版本：先假定改造可能失败，再设计一套让错误便宜、成功可以复制的机制。
交易背景参考：PAG，2024年3月30日联合投资新达盟签约公告。本文为FDEPE改造设想，非PAG或万达已实施的方案；529座、约4万名员工等沿用来稿规模假设，未由所附公告核实。