淺談車企如何點燃大數據

隨著汽車普及不斷深入，汽車市場逐漸飽和，增速放緩，邁入競爭運營階段到。根據有關報告，2015年，占汽車產量98%的37家主要汽車企業形成整車產能3122萬輛。其中乘用車產能2575萬輛，產能利用率為81%;商用車產能547萬輛，產能利用率僅為52%。同時隨著近年大數據興起，越來越多的車企也選擇投身大數據潮流，希望通過擁抱大數據，提供更加精細化的業務運營，營銷模式變化，乃至企業轉型，提供自己運營競爭力。如國際頂級車企大眾、寶馬、賓士、還是國內企業長城、吉利等都紛紛開啟了自己大數據之路(圖1)。

圖1 車企大數據典型案例

然而在大數據化過程中，車企卻會發現過程並不是那麼一帆風順，在和車企交流中，往往能聽到業務部門的抱怨：

數據質量怎麼這麼差，用戶姓名一看就是隨便輸入的，手機號碼居然只有9位

銷量統計錯了，把提車數統計到了實銷數里了

你做的分析功能我們不需要，對了我們庫存預測到底能不能做

…….

信息化部門卻會覺得感覺到困惑

我們已經採用先進的大數據技術平台了，但是做些什麼業務呢

我們哪裡知道業務部門對應計算口徑是什麼，業務需求不清楚

你這個業務需求，我們沒數。。。。

由此如何構建一個高效大數據平台，這不僅僅是簡單IT系統建設，更不是簡單購買了大數據平台就是實現大數據分析。企業大數據化更應該是一個系統，而是貫穿了管理-業務-系統-數據，逐步規劃，逐步建設，而不是一蹴而就。因此基於大數據思考、實踐模式，聯想總結出企業大數據建設框架(圖2)，針對其中關鍵問題提出思考和分析

圖2.企業大數據建設框架

對於成熟的車企要利用大數據產生價值，必然需要構建豐富的數據體系才 能發揮出大數據平台價值，否則將成為無源之水，無本之木。對於車企而言，通常需要圍繞四個主要要素構建數據源才能滿足整體業務需求：主機廠、渠道、客戶、車。

那麼車企的有哪些數據呢?通常大部分車企數據傳統來源已經有了相對成熟生產系統體系，包括銷售領域的分銷商管理系統(DMS)，經銷商使用的CRM、客服中心(Call center)、生產管理系統，質量管理系統(QIS)等等，因此可以滿足日常主機廠自身日常運營分析、產品分析以及對渠道運營分析，但是相比，仍然存在如下問題：

客戶數據匱乏，相比電信、金融行業，車企行業客戶觸點過少，而是周期過長，無法構建多維的客戶數據

產品質量數據往往通過售後服務反饋，進行被動故障分析排查，難度較高，無法缺少過程數據進行，更無法做到預測性故障分析;

客戶信息傳播行為發生變化，更多進行網路信息傳播，因此通過傳統銷售系統、售後系統、客服系統相對被動無法滿足快速獲取信息的需求

因此為了發揮大數據的價值，就需要增加新的數據源，滿足業務分析對數據多樣化、化的需求

目前越來越多的主機廠考慮部署或者已經部署車聯網系統，從大數據角度來說，通過車聯網系統有效補充用戶日常數據缺失，以ADAS系統為例，可以捕獲如下數據：

用戶駕駛行為數據：用戶每次駕駛里程，轉向習慣，行駛速度、是否有疲勞駕駛等，可以有效幫助客戶畫像數據構建

產品參數實時獲取：不同零部件的關鍵運營指標，如轉速、溫度、電子指標等，從而為精細化產品質量預測和分析提供了基礎

網路已經是用戶信息傳播的主要渠道，相比主機廠傳統方式，網路信息會更早、更全面反映用戶對主機廠的相關信息，通過部署自有網路爬蟲系統或者購買第三方的SAAS服務，可以針對重點門戶、知名行業網站、論壇、電商平台等

通過爬蟲系統可以捕獲網路新聞、論壇帖子、用戶評論等網路信息

基於大數據技術處理，通過網路信息進行市場營銷、品牌影響力、用戶習慣、產品質量等分析，以品牌為例，可以完成品牌日常熱度、口碑傾向等分析。

行業性數據：通過乘聯會等行業組織的數據引入，可以有效解決市場趨勢分析的數據引入;

第三方用戶標籤數據：和第三方數據合作中，車企往往希望能得到用戶級的數據交換，考慮到第三方數據匹配成功率不足的問題，這就需要車企構建：統一的用戶標籤體系和用戶多ID體系;此外更為可行的做法是充分利用第三方的做好用戶畫像分析數據，優先完善用戶群統計數據;

業務需求驅動大數據方向，大數據的價值通過業務呈現。對於車企而言，大數據分析可以有效提供運營體系關鍵領域效率，主要包括三個方向(圖3)：商業敏捷運營，產品精準設計和製造領域智能化

圖3 車企大數據應用方向

那麼面對不同業務場景，大數據分析如何展現自身作用，根據德勤諮詢的大數據分析不同類型統計研究，可以看出在當前大數據應用下依次從三個層面進階：統計分析、根因分析和預測性分析(圖4)

統計應用分析作為基礎分析能力，不僅僅為高級分析提供了數據基礎，同時在業務層面覆蓋面更廣泛，而預測性分析則充分體現了大數據智能化能力，提供了業務精細化決策的手段。無論哪種分析能力其實都是業務需要的，關鍵在於如何和業務場景匹配。

圖4 不同大數據分析類型

以汽車售後環節的在保車輛理賠業務為例：在保車輛理賠是車企售後服務重要業務，對於出現配件故障在保車輛，車企需要支付相應的維修工時、配件費用等等，每個月車企花費的理賠費用通常都在幾百萬，乃至千萬級別。

因此基於理賠業務理解，針對理賠業務關鍵場景，聯想構建了大數據業務設計(圖5)

圖5 在保理賠分析

對於車企需要能夠監控整體理賠指標，及時發現整體理賠變化狀況，從而及時採取應對策略。這就要求能夠對理賠業務提供全局洞察，同時能夠及時發現變化，通過理賠地圖設計可以很好滿足業務快速的洞察

對於理賠地圖主要解決了統計分析和數據可視化的需求，重點需要實現如下功能：

定義出理賠業務的KPI體系：通常為理賠金額、單次理賠金額、理賠- – 對於理賠KPI各項指標提供趨勢變化統計分析舊件數、理賠台次等，對於環比、同比等異動能夠明確標識

提供地域下鑽功能，從而實現業務不同層次探查;

提供地域、車型分佈統計佔比分析

理賠業務不僅僅是售後服務，同時也為產品品質分析提供了基礎，在整車中通常有幾百件關鍵配件，如何快速發現那些舊件產生了理賠金額，這些舊件是否因為批次原因，還是因為超過一定里程原因?

通過圍繞舊件種類、舊件類型、舊件批次、舊件使用里程等舊件特徵構建出理賠舊件的分析結構樹，可以用於分析理賠金額、件數進行分層結構探查，也就針對理賠同比或者環比劇烈變化時，進行異動探查，快速定位到導致異動的舊件因子。

在保理賠中存在服務店，騙取配件、維修費用事件，過去由於，因此車企沒有很好手段進行異常理賠的分析，只能通過服務店整體理賠數量和金額進行判斷，隨著車聯網系統開始進入車輛預裝，為異常理賠預測提供可能性。

通過已有故障配件和無故障配件的里程、行駛行為、受力、溫度、濕度、電磁等環境參數採集，構建出配件故障概率模型，針對理賠配件通過歷史數據回溯，計算出配件故障概率，從而作為是否異常理賠判斷參考。

國內車企相對來信息化還沒有進入精細化階段，因此數據質量往往不高。以筆者參與的國內某車企大數據項目為例，就遇到如下情況

1) 業務系統缺少數據約束：經銷商管理系統錄入的用戶身份證號碼沒有基本校驗，用戶手機號位數不全等;

2) 業務部門業務口徑混亂：辭彙定義隨意，出現不同部門對同一個業務術語不同解釋;車企使用術語和行業通用術語不一致;業務口徑沒有明確定義等;

結果調研了十多個業務部門，竟然有90%部門第一個意見就是數據質量差，無法進行有效用戶分析，系統使用率和使用效率大打折扣。究其根源，就是企業沒有建立數據管控體系，尤其以數據標準體系缺失為首要原因。

「沒有規矩不成方圓」，只有數據標準體系的建立，才能夠確立數據質量管理基礎。構建數據標準體系需要包括三方面內容：

數據標準體系(圖5)需要包含兩層設計：

數據體系結構：數據體系結構設計應該和業務緊密相關，採用分層設計

數據的標準定義：需要數據來源、數據屬性、業務定義、數據格式、數據宿主等關鍵信息

數據標準體系結構隨著業務的演進不斷優化，而每個數據則必須找到唯一管理者，才能保證數據的唯一性解釋，因此數據標準管理組織包括了兩個關鍵角色：

數據標準體系規劃團隊：負責數據標準體系設計和優化，通常可以由信息化部門牽頭。

數據owner：作為數據的擁有者，負責數據名稱定義、業務口徑、數據變更申請等工作，通常建議由業務部門負責;

大數據就像流動的水一樣具有生命，不斷流動，因此就需要圍繞數據生命周期：建立-變更-退出建立數據管理流程

建立：重點確定數據擁有者，使用者以及業務定義

變更：重點說明變更申請原因，變更的內容、變更對其他數據影響;

退出：重點確定退出原因，對其他數據影響;

越來越多車企會重視大數據對運營帶來的價值，構建自己的大數據平台。那麼要想能夠讓大數據平台高效運作，這不僅僅單純涉及到大數據技術方案，而是系統性工程，因此選擇具有端到端的大數據解決方案能力的供應商將使車企的大數據之路事半功倍。

本文由 聯想大數據組 投稿至36大數據，並經由36大數據編輯發布，轉載必須獲得原作者和36大數據許可，並標註來源36大數據http://www.36dsj.com/archives/76534，任何不經同意的轉載均為侵權。