
大数据核心是在应用层面 真实有效最重要
2015年11月20日在广州车展(微博)现场,腾讯汽车举行大数据研究院战略发布仪式,正式启动“罗盘计划”。在发布仪式现场,北京金马甲产权网络交易有限公司副总裁龚冯兵现场参与互动讨论。
龚冯兵:金马甲从2009年诞生之日开始到现在已经六个年头了,在这六年里,金马甲平台在各地公车的处置上,积累了几十万条数据。我们从二手车交易来看,本地化属性很强烈。基本上做二手车都在周边800到1000公里范围之内,这就是二手车生态的特点。
从数据的角度说,不管是对于处置公车还是二手车,首先做公有车处置核心的是汽车价值评估。基于这个市场来说,之前在近几期的针对同一车款、同一年份等等,二手车的成交价格、车况什么样,车价格什么样,对于新进入市场做评估的时候,这种数据就会有具体的应用。
同时对于经销商来说,周边最近看什么品牌的车,或者什么样的二手车销量和处置情况状态,这对于经销商来说也是有利用价值的数据。因为大数据来说,我们之前也都或多或少像J.D.Power所说的,从很早的时间就做大数据,但是没有像现在是当做特别新的概念来提。可能很多人都会在大街上碰到调查问卷,这些都是大数据最原始的搜集和积累应用的方面,只不过这些年随着互联网技术、新技术的增加,让数据的采集和数据的获取方面得到了极大的效率,在数据获取的效率方面得到了极大提升。同时,利用新技术对于数据的处理分析能力也获得了巨大的提升。
在二手车处置方面,大数据最核心的是在应用层面,什么样的人来用数据,身份不一样,那对于数据的要求是不一样的。可能针对于汽车行业,我个人认为可能有三个。一个是主机厂,一个是汽车的经销商,包括各类新车的经销商、二手车经销商,还有最广大的是用户。针对于各个层面在汽车领域里面的身份,对于数据的需求是不同的。我们作为交易平台来说的话,现在正在做的工作,就是针对于不同的身份来提供相应感兴趣的,或者针对与他适应性非常强的数据。
问:请问龚冯兵总,现在在广州、深圳、天津、杭州实施的禁牌的系统,其实里面也有很多的数据。您能否介绍一下这种数据?其实更偏向于更精准一点。从这种数据来看的话,平台运营情况怎么样,以及各个城市之间有差异?互联网数据和这个平台进行结合的话,请您谈一下看法?
龚冯兵:实际上从这四地号牌每个月的竞价情况来看,就像刚才咱们所介绍的一样,本地的特性是特别明显的。不管是从参与人数,从每个地号牌成交的均价来说,地区之间都有差异化。从整体来说,像我们四地基本上每个月的竞牌的获得者总体来说在2万个用户。因为还有一部分是摇号的,光是通过竞价方式获得车牌的就是2万用户左右。每个月关注的在10万左右,也就是有意向竞牌的统计下来有10万左右。关注的基本上就更多了,在四个城市里面有两三百万的规模。
本身竞牌的核心就是一个数据最核心的,这个月可能获得了竞牌会在未来的一个月到两个月会实施购车计划。在这个过程当中,实际上这个数据对于各个品牌的主机厂来说,或者是对于想要在未来获得购买汽车,以及对获得车牌的广大消费者来说,都是有非常好的意义。
我们在通过之前每期的车牌竞价数据的积累,也是在不断地分析、研究,包括数据的车牌价格的走向。也挺有意思的,不像8、9月份价牌会高,10月到11月价格又回落。而是价格有高有低,我们也是通过数据的分析形成价格波峰波谷的规律。同时希望通过数据分析,对于主机厂和对于四地的消费者来说,也能够给予一定的参考和支撑的作用。
第一个层面,在顶层上现在大家都在说大数据,国家在大数据相关立法方面应该拿出具体的措施来。让大家在一个合规合法的情况下去获取数据,去分析数据,去运用数据,让它在法制的大环境下产生更大的经济效益。
第二个层面,像各位嘉宾都是在做大数据生产和经营方面的事情。对于消费者来说,我们能够给各类的消费者提供真实有效的,特别是有效和真实的数据,是我们大数据从业者所要牢固树立的核心出发点。
第三个层面,从金马甲本身来说,希望在今后包括跟腾讯汽车,罗盘计划我们也进入了,跟张教授和从业者一起共同努力,给汽车行业的经营者和消费者提供更为高效和优质的服务。
张教授刚才提到了腾讯推出具体的产品,实际上金马甲跟腾讯现在正在做的四地号牌的产品。我们利用腾讯的微信,做了一个微信的四地号牌的产品,通过这个产品可以给四地号牌消费者非常好的服务,包括历史成交的数据,包括下一步的价格分析等等。我们想通过与跟腾讯汽车合作的产品,来为消费者进行精准的服务。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28在 CDA(Certified Data Analyst)数据分析师的技能工具箱中,数据查询语言(尤其是 SQL)是最基础、也最核心的 “武器”。无论 ...
2025-09-28Cox 模型时间依赖性检验:原理、方法与实战应用 在生存分析领域,Cox 比例风险模型(Cox Proportional Hazards Model)是分析 “ ...
2025-09-26检测因子类型的影响程度大小:评估标准、实战案例与管控策略 在检测分析领域(如环境监测、食品质量检测、工业产品合规性测试) ...
2025-09-26CDA 数据分析师:以数据库为基石,筑牢数据驱动的 “源头防线” 在数据驱动业务的链条中,“数据从哪里来” 是 CDA(Certified D ...
2025-09-26线性相关点分布的四种基本类型:特征、识别与实战应用 在数据分析与统计学中,“线性相关” 是描述两个数值变量间关联趋势的核心 ...
2025-09-25深度神经网络神经元个数确定指南:从原理到实战的科学路径 在深度神经网络(DNN)的设计中,“神经元个数” 是决定模型性能的关 ...
2025-09-25在企业数字化进程中,不少团队陷入 “指标困境”:仪表盘上堆砌着上百个指标,DAU、转化率、营收等数据实时跳动,却无法回答 “ ...
2025-09-25MySQL 服务器内存碎片:成因、检测与内存持续增长的解决策略 在 MySQL 运维中,“内存持续增长” 是常见且隐蔽的性能隐患 —— ...
2025-09-24人工智能重塑工程质量检测:核心应用、技术路径与实践案例 工程质量检测是保障建筑、市政、交通、水利等基础设施安全的 “最后一 ...
2025-09-24CDA 数据分析师:驾驭通用与场景指标,解锁数据驱动的精准路径 在数据驱动业务的实践中,指标是连接数据与决策的核心载体。但并 ...
2025-09-24在数据驱动的业务迭代中,AB 实验系统(负责验证业务优化效果)与业务系统(负责承载用户交互与核心流程)并非独立存在 —— 前 ...
2025-09-23CDA 业务数据分析:6 步闭环,让数据驱动业务落地 在企业数字化转型中,CDA(Certified Data Analyst)数据分析师的核心价值,并 ...
2025-09-23