
用大数据造车 车企与IT企业联盟的新掘金点
未来我们要生产什么样的汽车卖给消费者?在互联网时代,流行元素的更迭速度超过以往任何时候,而且车市竞争激烈,如果还要靠运气去搏或者赌一款车,一旦失败,承担的风险将是巨大的,无论是十亿级的研发投入,还是数年的时间成本。如果继续走完全依靠工程师、设计师和车企高管们直觉和经验的路子,就显得有些out了。
“互联网+”的思路给车企的数据调研带来了新的契机,而且数据调研样本量是传统调研样本量的百倍、千倍,同时,基于互联网的大数据分析相较于外包的线下调研方式更为准确、便捷。2015上海车展前夕,长安汽车和汽车之家达成战略合作,二者宣布将在新平台搭建、产品优化以及产品开发上展开跨界合作,建立起利用大数据造车的未来商业模式,打造一款令用户具有参与感的汽车。
长安汽车和汽车之家是首个宣布要用大数据造车的战略组合,而此前纷纷加入“互联网汽车”热潮的众多车企与IT企业,其合作大多也涵盖利用互联网大数据更好地造车的内容。比如上汽和阿里巴巴的战略合作,未来也会根据消费者需求定制汽车,消费者可以选择自己喜欢的颜色、配置等各种个性化需求。
在一些自主品牌人士看来,国内车企产品策略更为灵活,而且国内互联网应用,特别是电商方面已经超越了国外,能否实现“互联网+”、快速建立起大数据造车模式,将决定中国自主品牌未来5-10年能否超车合资品牌。
诞生背景:诉求与浪费
“我们在线下做数据调研的时候,消费者往往是希望配置越高越好,而经销商希望定价越便宜越好。配置越多价格就越高,新车搭载哪些配置有时非常难抉择,如何实现厂家成本和消费者诉求之间的平衡非常考验市场团队的判断力。”多位自主车企人士与经济观察报记者交流时吐槽。
汽车之家创始人兼总裁李想认为:“消费者需求的变化在加速。传统汽车制造,六七年换代的模式显然已很难适应当今的变化,甚至每年的小改款也显得不合时宜,能够按照消费者的需求去打造面向未来的企业和商业模式,这个决定了车企未来十年的胜负和行业地位。”
记者发现,国内诸多自主品牌和合资车企均有负责产品研发前端的市场调研团队,人数从几人到几十人不等,该团队多是位于企业市场部门之下的一个小组。特别是自主品牌近几年负责产品前端的团队发展迅速,例如广汽就成立了多达十多人的市场调研团队,而长安作为自主品牌新贵,则将原来市场部公关、传播、市场活动的职能剥离成立了集团产品策划部,是国内首个针对产品前端数据收集和分析设置专门部门的车企。
但由于自身团队人手有限,数据收集一部分靠团队对市场现有的畅销车型的全面剖析,另一方面来源于外包的调研公司,但如何确保外包调研公司收集的数据准确、样本够大和没有水分却成了难题。
“从别人家厨房里偷原料做的菜,始终缺些东西,大厨只好将就下,用这点东西极力做出花儿来哄哄食客了。”长安一位多年负责产品前端数据调研和分析的人士向经济观察报记者表示,“企业知道自己需要什么,喜欢什么口味,但是没有原材料也是干着急。”
大数据挑战:食材挑选
“再大的汽车厂家都会存在拍脑袋的情况,厂家做了很多调研,结果有些产品还是不行。”李想认为汽车之家开辟大数据造车模式可以有效解决当下车企在产品前端开发上的困境。与竞争对手易车全面转向电商不同,汽车之家在汽车类媒体网站的转型时代,开始了新的道路探索,即“大数据造车服务商”。
据了解,长安和汽车之家利用大数据联合造车的模式是:长安要改进一款车型,汽车之家会向其论坛注册的认证车主发放开放式问题,收集到非常准确的数据,比如用户希望增加什么样的配置。汽车之家内部人士透露,未来随着项目推进,在这个合作平台上,消费者可以按照自己需求定制属于自己的互联网智能汽车。
但是,样本量大了,如何从纷繁复杂的大数据食材中挑选出自己需要的菜却是一项难题。在“互联网+”时代利用大数据调研,就不会产生传统线下调研的问题?“用户调研得到的信息不一定准确,很可能随口说喜欢什么,而通过大数据能比较完整地了解用户的偏好,通过用户的网络行为来得到较为准确的用户行为。”汽车之家CEO秦致表示。
在李想看来,这种对用户有过基本判断和定位后再做的调研更为精准和有效,这是汽车之家开辟新的商业模式的差异化竞争优势。“这种模式比拍脑袋定产品设计,或者外包给调研公司找一堆大学生做线下调研的方式强很多。而且外包公司有时会根据汽车厂商喜好出调研结果,而不是消费者想要的结果。”
在阿里汽车事业部总经理王立成看来,大数据比消费者更了解自己。“大数据未来的应用是给消费者提供个性化服务,比如说太太要生孩子,丈夫在网上搜儿童尿不湿和衣服,我们就知道给你配备什么样的安全座椅,装在什么车上更有空间,店小二做不到,大数据能做到。”王立成表示。
不管是上汽和阿里的合作,还是长安和汽车之家的战略合作都没有排他性。这意味着,一旦双方探索出成熟的商业模式,未来国内其他自主品牌和合资车企均可进入。“如果到了那个商业模式,我们还是一个看客,这个企业就消失了。”李想表示。
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