# PAG × 万达：FDEPE改造方案

> 以万达商业网络为蓝本，提出50人FDE团队、30座广场试点、六类Agent与三年复制路线，并逐项回应经营知识、节点差异、数据因果、商户利益及利润归因风险：先让错误便宜，再把可审计的现金流改善复制到整个经营网络。

- Canonical: https://fdepe.com/story?slug=pag-wanda-fdepe-transformation-proposal
- Author: FDEPE 编辑部
- Published: 2026-09-19T04:53:37.409Z
- Updated: 2026-09-19
- Language: zh-CN
- Original: https://fdepe.com/story?slug=pag-wanda-fdepe-transformation-proposal
- Revision: 1

## 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。 ↗](https://www.pag.com/en/pag,-citic-capital,-ares-join-forces-with)

[交易背景参考：PAG，2023年12月12日新投资协议公告。文中的改造指标及利润测算均为方案目标或假设，须经试点验证。 ↗](https://www.pag.com/hans/太盟投资集团与大连万达商管集团共同宣布签署新投资协议)

## Source links

- https://www.pag.com/en/pag,-citic-capital,-ares-join-forces-with
- https://www.pag.com/hans/太盟投资集团与大连万达商管集团共同宣布签署新投资协议