车企大数据如何应用| 汽车商业评论

理想中的大数据，让它成为诗成为远方好了，我们还是着手眼下或者未来三五年的事

华思远   邓明辉

从

玄学到厌恶，再到中性，人们对大数据的认识经历了三个阶段。

第一阶段，认为大数据是玄学。它很牛、很神，它什么都能做，没有它不行，未来全都是它的，你不懂它就会被社会无情抛弃，所有人都宣传他们准备或正在搞大数据。

第二阶段，发现大数据是在吹牛扯淡。它其实就是服务器公司、数据库公司、硬盘公司、报表软件公司、科技公司炒作的噱头罢了。它来得很慢，它成本很高，它并不能迅速带来直接的好处。

想要数据又大又快，那么数据很难做的很深，无法基于这些肤浅的数据深入洞察；想要数据又大又准，这得花时间，想想我们企业最小的生理需求——期末编制财报要几天？想要数据又快又准，那么覆盖的广度又有问题；想要数据又大、又准、又快，则需要花很多很多钱。

第三阶段，大数据成了一个中性词。理想中的大数据，让它成为诗成为远方好了，我们还是着手眼下或者未来三五年的事：把基础数据梳理好、把标准搞好；把核心系统的数据及时性和准确性提高；把报表系统进行更新，使出报表的速度从一周提升到一天以内。

造成这段曲折的，其实是源于大数据前面的“大”字。但无论怎样，“大”还是会被继续沿用。

对车企而言，何谓我们的大数据？销量不过100万辆的企业有没有“大”数据？我们的供应链、生产、财务数据算不算大数据？车主的购物记录、社交媒体上的印记属不属于我们的“大”数据？交通、天气是不是我们的“大”数据？

我们认为，车企大数据应用的重点，不是在于如何获取更多的数据，而是围绕业务目标和具体的业务问题，基于一定的数据分析，来解决问题、达成目标，体现数据的价值——这和“大”没有直接关系，甚至有点远离“大”，而强调小、深、精。

1

大数据可以解决哪些问题

排在首位的，当属营销和销售问题，这与营销效果、客户行为分析、客户体验提升、客户保留有关，这一领域也是当前关注和投入最多的部分。在发展中国家，汽车需求主要来自初次购买者，车企对客户保留计划的关注非常少。

但随着时间推移，当市场变得成熟时，换车的买家比例也会增加，此时，稳定的客户保留就变得至关重要，它和可持续性增长有着直接的联系。为了保留客户并促使他们再次购买，必须在接触品牌的每一个环节和阶段让他们感到满意。通过数据分析，我们可以知道为此需要做些什么。

 

图：客户保留数据分析框架

 

大数据还能破解供应链、质量及召回难题。在车企的价值链条上，大数据分析可应用于人、财、物、研、产、供、销、服等各个子领域，其关键在于建立有效的数据分析价值体系模型。在更高级的阶段，大数据还能够为决策方式和决策过程发展的新形态提供必要、必须的基础。

2

大数据应用从哪里开始

大数据本身涉及的业务领域和技术领域都很广，在构建大数据应用时，应首先从企业的业务战略和IT战略出发，构建大数据应用的顶层框架设计。主要包括以下几个领域：

• 战略：从业务目标、企业价值体系、业务痛点和IT规划入手，以明确大数据应用的定位、目标与策略，并制定大数据应用/平台建设路线图；

  
  

• 数据分析/价值模型：分析业务痛点，构建企业价值地图及数据分析模型，通过数据算法的运用，找到解决问题、实现价值的方法；

  
  

• 应用场景：结合市场和公司的发展，从企业价值链和客户生命周期入手，梳理大数据应用的业务场景；

  
  

• 技术平台：追踪技术发展趋势并结合企业内部各种应用系统，构建大数据技术平台，满足企业发展需要。

大数据应用的顶层框架设计对于企业而言相当重要，它直接与公司战略、业务发展和IT系统建设相挂钩。有了顶层框架设计，可以减少对数据资产的过度投资或者投资浪费。

3

制定大数据战略

大数据战略的制定需要回答以下三个问题：

IT如何摘掉只花钱不挣钱的帽子？未来的IT项目将会更加深入融合业务、推动业务，IT部门将不仅仅是企业的成本中心，通过对数据资产的深入利用，还将会促进业务变革与创新，甚至创造出新的业务模式，成为企业发展的新引擎。

4

数据分析模型、数据价值模型

大数据之所以称之为大，第一个原因就是它信息量大、字节数大。在人们大肆鼓吹大数据之前，车企的APO、PLM、ERP、SCM、CRM、SRM等系统产生的大量的数据，已经躺在机房的数据库里好久了，而且还在不断增加。除了能拿来编制报表、展示在管理驾驶舱/仪表盘里，剩下恐怕只能被转移到久不使用的备份磁带上。

如何充分利用这些已有的数据，如何知道还缺哪些数据，使其被用来体现价值？需要建立数据分析模型以及数据能够带来的价值模型。

大数据应用的重点是对数据模型和分析算法的运用，这需要IT专家、业务专家以及算法专家密切配合。主要的工作重点包括：

• 业务理解与建模：基于大数据应用场景，识别关键业务挑战，构建数据模型；

  
  

• 数据获取与清理（清洗）：识别模型所需的数据，以及相关的数据质量问题，对数据进行必要的清理使其满足模型需要；

  
  

• 数据存储与整合：从业务与IT两个角度构建数据存储模型，并对不同来源，不同结构，不同类型的数据进行必要的整合；

  
  

• 数据挖掘算法运用：通过多种数据挖掘算法的运用，找寻数据表象之下的业务的真相以及问题的答案。

大数据分析建模不是简单的数据统计和汇总，所回答的问题也不仅是明确的因果性问题，更多的则是带有不确定性的相关性问题。通过对多种来源的数据分析，发掘潜在的业务动因和模式，才能辅助业务决策，甚至驱动业务变革与创新。

图：企业价值地图与大数据价值模型

5

车企大数据应用场景

和数字化转型类似，大数据的应用也有场景思维。应用场景的设计，可以从企业价值链和客户旅程入手，沿着这个价值链条和客户旅程找寻业务需求、痛点及机会点。

以从客户旅程角度分析为例，在客户旅程的3大阶段中，我们至少可以梳理出18个业务场景，从这些业务场景出发，挖掘出众多数据分析应用场景：

6

自己玩还是和BAT们一起

车企关注的大数据，一方面与汽车相关、一方面与用汽车的人有关。这些数据分散在政府、供应商、经销商、维修店、保险公司、科技公司以及车企手里。

为了分析客户、把握网上舆情、预测客户保养行为、分析不同客户带来的价值、为客户流失预警，仅靠车企自己的CRM或者DMS系统、靠竞价排名、关键词过滤、人肉评论筛选够不够？为扩大销售机会，以每条几百上千的价格从三方平台购买线索值不值？自建垂直电商、自己充实门户内容还是依附第三方平台开旗舰店、赞助论坛？

显然，车企在大数据的生态中，是处于劣势地位的，我们必须以开放的心态与第三方数据供应商积极展开合作，以获得更准确更全面的用户信息。 (本文作者华思远为德勤管理咨询上海有限公司技术战略咨询合伙人，邓明辉为德勤管理咨询上海有限公司技术战略咨询经理)

对本文有任何看法，请向下滑动去“写留言”吧！