大数据建设框架成为企业实现精细化经营的重要途径

随着汽车市场逐步饱和，竞争加剧，车企希望通过拥抱大数据实现精细化经营，领先一步。但是大数据化的过程并非一蹴而就，也不是简单的大数据技术选择，更应该看成一个企业级系统工程。本文结合大数据项目实践和行业理解，着重阐述了如何系统看待大数据建设和关键问题解决思路。

背景

随着汽车普及的不断深入，中国汽车市场逐渐饱和增速放缓，我国车企已迈入了竞争运营的阶段。随着近年大数据的兴起，越来越多的车企也选择投身大数据潮流，希望通过拥抱大数据，实现更加精细化的业务运营，营销模式变化，乃至企业转型，提高自身运营竞争力。如国际顶级车企大众、宝马、奔驰，还有国内车企长城、吉利等都纷纷开启了自己的大数据之路(图1)。

图1 车企大数据典型案例

然而，在大数据化进程中，车企却发现演变过程并不是那么一帆风顺，在和车企交流中，往往能听到业务部门的抱怨：

1.数据质量怎么这么差，用户姓名一看就是随便输入的，手机号码居然只有9位;

2.销量统计错了，把提车数统计到实销数里了;

3.你做的分析功能我们不需要，对了，我们库存预测到底能不能做。

信息化部门却会感觉到困惑：

1. 我们已经采用先进的大数据技术平台了，但是该做些什么业务;

2. 我们哪里知道业务部门对应计算口径是什么，业务需求不清楚;

3. 你这个业务需求，我们心里没数。

由此可见，如何构建一个高效大数据平台，不仅仅是简单的IT系统建设，更不是简单购买了大数据平台就能实现大数据分析。企业大数据化更应该是一个系统，要贯穿管理-业务-系统-数据，逐步规划，逐步建设，而不是一蹴而就。因此，基于大数据思考、实践模式，联想总结出企业大数据建设框架(图2)，针对其中关键问题提出思考和分析。

图2.企业大数据建设框架

大数据之“本”：多源之水，夯实数据仓库

对于成熟的车企而言，要利用大数据产生价值，必然要构建丰富的数据体系才能发挥出大数据平台的价值，否则将成为无源之水，无本之木。一般情况下，车企需要围绕四个主要因素构建数据源才能满足整体业务需求：主机厂、渠道、客户、车。

那么车企有哪些数据呢?通常大部分车企的传统数据来源已经有了相对成熟的生产体系，包括销售领域的分销商管理系统(DMS)，以及经销商使用的CRM、客服中心(Callcenter)、生产管理系统，质量管理系统(QIS)等等，这几类数据可以满足日常主机厂对于自身的运营分析、产品分析以及对渠道运营分析，但是，仍然存在如下问题：

1.客户数据匮乏，相比电信、金融行业，车企行业客户触点过少，而周期又过长，这导致其无法构建出多维的客户数据。

2.产品质量数据往往通过售后服务来反馈，因此进行被动故障排查的难度较高，如此一来，车企无法做到预测性故障的分析。

因此，为了发挥大数据的价值，车企就需要增加新的数据源，用来满足业务分析对数据多样化的需求

一、车联网系统：

目前，越来越多的主机厂考虑部署或者已经部署车联网系统，从大数据角度来说，车企通过车联网系统可以有效补充用户日常数据缺失，以ADAS系统为例，可以捕获如下数据：

1.用户驾驶行为数据：用户每次驾驶里程、转向习惯、行驶速度、是否有疲劳驾驶等，均可以有效帮助客户来搭建画像建模。

2.产品参数实时获取：不同零部件的关键运营指标，如转速、温度、电子指标等，从而为精细化产品质量预测和分析提供了基础。

二、网络舆情信息：

网络已经是用户信息传播的主要渠道，相比主机厂传统的传播方式，网络渠道可以更早、更全面的反映用户对主机厂的相关信息，通过部署自有网络爬虫系统或者购买第三方的SAAS服务，可以针对重点门户、知名行业网站、论坛、电商平台等。

1.通过爬虫系统可以有效捕获网络新闻、论坛帖子、用户评论等网络信息

2.基于大数据技术处理，车企可以通过网络信息进行市场营销、品牌影响力推广以及对用户习惯、产品质量等内容的分析。以品牌为例，车企可以完成对品牌日常热度、口碑倾向等内容的分析。

三、第三方外部数据：

1.行业性数据：通过乘联会等行业组织的数据引入，可以有效解决市场趋势分析的数据引入。

2.第三方用户标签数据：在和第三方的数据合作之中，车企往往希望能得到用户级的数据交换，但考虑到第三方数据匹配成功率不足的问题，就需要车企构建统一的用户标签体系和用户多ID体系。此外，更为可行的做法是充分利用第三方的做好用户画像分析数据，优先完善用户群统计数据。

添加该三项数据源的归类，车企才能真正实现现阶段对精细化经营的补充，让整个车企的数据源架构升维到更加实用、高效的层面，这也是未来车企发展的重要途径。