【Bsports手机版下载】如何利用网络信息分析团队表现

　　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，大数据化如何利用网络信息分析团队表现的过程却并非一蹴而就，也不是简单大数据技术选择，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必一体育sport网页版登录。

　　随着汽车普及不断深入，中国汽车市场逐渐饱和、增速放缓，迈入到竞争运营阶段。根据有关报告，2015年，占我国汽车产量98%的37家主要汽车企业，形成整车产能3122万辆。其中乘用车产能2575万辆、产能利用率为81%；商用车产能547万辆、产能利用率仅为52%。

　　同时，随着近年大数据兴起，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，提供更加精细化的业务运营、营销模式变化，乃至企业转型，提高自己运营竞争力。如国际顶级车企大众、宝马、奔驰，还是国内企业长城、吉利等，都纷纷开启了自己大数据之路。

车企大数据典型案例

　　然而，在大数据化过程中，车企却会发现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如何利用网络信息分析团队表现：

　　- 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

　　- 销量统计错了，把提车数统计到了实销数里了

　　- 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

　　…….

　　信息化部门却会觉得感觉到困惑

　　- 我们已经采用先进的大数据技术平台了，但是做些什么业务呢

　　- 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

　　- 你这个业务需求，我们没数...

　　………..

　　由此，如何构建一个高效大数据平台，这不仅仅是简单IT系统建设，更不是简单购买了大数据平台就是实现大数据分析。企业大数据化更应该是一个系统，是贯穿了管理-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，针对其中关键问题提出思考和分析欧洲杯。

企业大数据建设框架

　　大数据之“本”如何利用网络信息分析团队表现：多源之水，夯实数据仓库

　　对于成熟的车企要利用大数据产生价值，必然需要构建丰富的数据体系才能发挥出大数据平台价值，否则将成为无源之水、无本之木。对于车企而言，通常需要围绕四个主要要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，车企都有哪些数据呢如何利用网络信息分析团队表现？通常大部分车企数据传统来源已经有了相对成熟生产系统体系，包括销售领域的分销商管理系统(DMS)、经销商使用的CRM、客服中心(Call center)、生产管理系统、质量管理系统（QIS）等等。

　　因此，可以满足日常主机厂自身日常运营分析、产品分析以及对渠道运营分析，但是相比，仍然存在如下问题：

　　- 客户数据匮乏，相比电信、金融行业，车企行业客户触点过少，而是周期过长，无法构建多维的客户数据；

　　- 产品质量数据往往通过售后服务反馈，进行被动故障分析排查，难度较高，无法缺少过程数据进行，更无法做到预测性故障分析；

　　- 客户信息传播行为发生变化，更多进行网络信息传播，因此通过传统销售系统、售后系统、客服系统相对被动，无法满足快速获取信息的需求；

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

　　1

　　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，通过车联网系统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：

　　- 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，可以有效帮助客户画像数据构建。

　　- 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。

　　2

　　网络舆情信息

　　网络已经是用户信息传播的主要渠道，相比主机厂传统方式，网络信息会更早、更全面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。

　　- 通过爬虫系统可以捕获网络新闻、论坛帖子、用户评论等网络信息；

　　- 基于大数据技术处理，通过网络信息进行市场营销、品牌影响力、用户习惯、产品质量等分析，以品牌为例，可以完成品牌日常热度、口碑倾向等分析。

　　3

　　第三方外部数据

　　- 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；

　　- 第三方用户标签数据：和第三方数据合作中，车企往往希望能得到用户级的数据交换，考虑到第三方数据匹配成功率不足的问题，这就需要车企构建：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。

　　大数据之“智”：以终为始，业务驱动数据价值

　　业务需求驱动大数据方向，大数据的价值通过业务呈现。对于车企而言，大数据分析可以有效提供运营体系关键领域效率，主要包括三个方向：商业敏捷运营、产品精准设计和制造领域智能化。

车企大数据应用方向

　　那么，面对不同业务场景，大数据分析如何展现自身作用，根据德勤咨询的大数据分析不同类型统计研究，可以看出在当前大数据应用下依次从三个层面进阶：统计分析、根因分析和预测性分析。

　　统计应用分析作为基础分析能力，不仅仅为高级分析提供了数据基础，同时在业务层面覆盖面更广泛，而预测性分析则充分体现了大数据智能化能力，提供了业务精细化决策的手段。无论哪种分析能力其实都是业务需要的，关键在于如何和业务场景匹配。

不同大数据分析类型

　　以汽车售后环节的在保车辆理赔业务为例：在保车辆理赔是车企售后服务重要业务，对于出现配件故障在保车辆，车企需要支付相应的维修工时、配件费用等等，每个月车企花费的理赔费用通常都在几百万，乃至千万级别。

　　因此基于理赔业务理解，针对理赔业务关键场景，联想构建了大数据业务设计。

在保理赔分析

　　1

　　理赔视图

　　对于车企需要能够监控整体理赔指标，及时发现整体理赔变化状况，从而及时采取应对策略。这就要求能够对理赔业务提供全局洞察，同时能够及时发现变化，通过理赔地图设计可以很好满足业务快速的洞察。

　　对于理赔地图主要解决了统计分析和数据可视化的需求，重点需要实现如下功能：

　　- 定义出理赔业务的KPI体系：通常为理赔金额、单次理赔金额、理赔- - 对于理赔KPI各项指标提供趋势变化统计分析旧件数、理赔台次等，对于环比、同比等异动能够明确标识；

　　- 提供地域下钻功能，从而实现业务不同层次探查；

　　- 提供地域、车型分布统计占比分析。

　　2

　　理赔诊断树

　　理赔业务不仅仅是售后服务，同时也为产品品质分析提供了基础，在整车中通常有几百件关键配件，如何快速发现哪些旧件产生了理赔金额，这些旧件是因为批次原因，还是因为超过一定里程原因如何利用网络信息分析团队表现？

　　通过围绕旧件种类、旧件类型、旧件批次、旧件使用里程等旧件特征构建出理赔旧件的分析结构树，可以用于分析理赔金额、件数进行分层结构探查，也就针对理赔同比或者环比剧烈变化时，进行异动探查，快速定位到导致异动的旧件因子。

　　3

　　异常理赔预警

　　由于在保理赔中存在服务店，骗取配件、维修费用事件，因此车企没有很好手段进行异常理赔的分析，只能通过服务店整体理赔数量和金额进行判断，随着车联网系统开始进入车辆预装，为异常理赔预测提供可能性。

　　通过已有故障配件和无故障配件的里程、行驶行为、受力、温度、湿度、电磁等环境参数采集，构建出配件故障概率模型，针对理赔配件通过历史数据回溯，计算出配件故障概率，从而作为是否异常理赔判断参考。

　　大数据之“准”：以规矩制方圆B—sports全站app入口登陆，构建数据管控体系

　　国内车企相对来信息化还没有进入精细化阶段，因此数据质量往往不高。以笔者参与的国内某车企大数据项目为例，就遇到如下情况：

　　1） 业务系统缺少数据约束：经销商管理系统录入的用户身份证号码没有基本校验，用户手机号位数不全等；

　　2） 业务部门业务口径混乱：词汇定义随意，出现不同部门对同一个业务术语不同解释；车企使用术语和行业通用术语不一致；业务口径没有明确定义等；

　　结果调研了十多个业务部门，竟然有90%部门第一个意见就是数据质量差，无法进行有效用户分析，系统使用率和使用效率大打折扣。究其根源，就是企业没有建立数据管控体系，尤其以数据标准体系缺失为首要原因。

　　“没有规矩不成方圆”，只有数据标准体系的建立，才能够确立数据质量管理基础。构建数据标准体系需要包括三方面内容：

　　1

　　数据标准体系

　　数据标准体系需要包含两层设计：

　　- 数据体系结构：数据体系结构设计应该和业务紧密相关，采用分层设计；

　　- 数据的标准定义：需要数据来源、数据属性、业务定义、数据格式、数据宿主等关键信息。

数据标准样例

　　2

　　数据标准管理组织

　　数据标准体系结构随着业务的演进不断优化，而每个数据则必须找到唯一管理者，才能保证数据的唯一性解释，因此数据标准管理组织包括了两个关键角色：

　　- 数据标准体系规划团队：负责数据标准体系设计和优化，通常可以由信息化部门牵头；

　　- 数据Owner：作为数据的拥有者，负责数据名称定义、业务口径、数据变更申请等工作，通常建议由业务部门负责。

　　3

　　数据标准管理流程

　　大数据就像流动的水一样具有生命，不断流动，因此就需要围绕数据生命周期：建立-变更-退出建立数据管理流程

　　- 建立：重点确定数据拥有者，使用者以及业务定义；

　　- 变更：重点说明变更申请原因，变更的内容、变更对其他数据影响；

　　- 退出：重点确定退出原因，对其他数据影响。

　　结束语

　　越来越多车企会重视大数据对运营带来的价值，构建自己的大数据平台。那么，要想能够让大数据平台高效运作，这不仅仅单纯涉及到大数据技术方案，而是系统性工程。因此，选择具有端到端的大数据解决方案能力的供应商，将使车企的大数据之路事半功倍。