面对车企困局，大数据提供六大服务实现价值变现突破

　　伴随汽车行业的发展，中国汽车产量由2007年的0.57亿辆，到2015年1.72亿辆保有量，汽车销量8年间增长了10倍，2015年中国成为世界第一大汽车产销大国，但是产值增长的同时利润率却急速下滑。如何打破营销困局，成为车企亟待解决的问题。摆在车企面前最迫切的问题诸如：我的消费者去哪了？如何提升与消费者的沟通效率？如何更好的为消费者服务？如何盘活企业沉睡的CRM资源？

　　比邻数据通过全面整合企业内部数据和企业外部数据(企业内部数据包括Crm、dms车企路演、车展、市场活动、电视节目等所有留资用户;全网外部数据是通过检测用户浏览内容、评论、移动设备、汽车自媒体、汽车评论、车型提问、品牌口碑、搜索等抓取的潜在用户)利用大数据挖掘技术，以消费者为核心，为企业提供用户洞察、扩大销售线索量、冷线索激活、车主信息补全、触媒习惯分析、线索级别判断等六大服务，将多场景、多维度、多种行为的数据与企业CRM数据、消费者留资等信息有机融合，实现对用户的全面了解，使之成为有价值的资产。

　　不管什么行业都会产生大量数据，即用户资料，用户资料会随着企业的规模不断变大甚至可以用海量来形容，比如车企、房产、金融、教育等，这些数据在企业手里是成本还是资产？如果是资产意味着数据可以变现，能挣钱，能流通。如果是成本则一定是花钱建系统，养工程师，躺在服务器上费电还得伺候着。

　　那么比邻是如何将数据资产转化成数据资本的呢？比邻数据利用机器学习算法，对以消费者为中心的数据关联体系进行深度学习，发现消费者价值，促使数据资产转换数据资本，将大数据处理过的数据资本交由销售环节转换，实现数据资本变现，同时，数据回流到企业内部继续壮大丰满数据资产。就这样，原本躺在服务器里费电的资料被大数据技术盘活，形成了不断有新鲜资源补充的数据资产、数据资本和资金的生态闭环，并为企业生态链条上的市场部、销售部、衍生业务部、售后服务部、生产部等的各个环节提供强大的数据服务支撑。资料到资产再到资金的不断转化与循环，协助企业构建全新生态循环体系，帮助企业实现销售变现的同时，全方位提升竞争力，突破市场困局。

　　大数据如何对用户数据进行技术处理？

　　来自企业内部数据和全网抓取的外部数据源源不断输入比邻大数据中心进行处理。这是一个数据采集的过程，之后开始进行技术处理。第一步数据清洗，将超出正常范围、逻辑不合理、自相矛盾的数据，无效值、缺失值清洗掉。第二步数据融合，以消费者为中心，使用关联规则和设备指纹技术，将设备号、邮箱、社会学特征、兴趣、行为、商品等数据信息有机关联，并实现结构化。第三步脱敏，删除所有敏感信息、隐私信息，最大限度保护消费者隐私。经过三步处理的数据全部存储到数据仓库，以备机器学习算法学习使用，机器学习算法以统计学为理论基础，对已知训练数据做特征工程提取，利用统计分析算法，获得规律，再运用规律对未知数据做预测分析。

　　训练过程中淘汰准确率低的模型，而保留高准确率模型。如提取消费能力标签，建立消费能力预测模型;提取车型浏览标签，建立车型偏好判别模型;提取不同购车阶段行为标签，建立购车阶段预测模型。最终通过模型组合，形成新的预测模型，扩展预测能力。未知数据经过比邻数据平台的清洗、融合、脱敏、存储、预测，不断发掘出数据中潜在价值。

　　以汽车大数据购买习惯为例，比邻数据针对样本用户在电商类网站的购买三大周期：前(浏览，搜索)，中(浏览、比价、提问)，后(比价、下单)，通过机器学习(数据挖掘)得到的特征对购买习惯数据有更本质的刻画，从而建立相应的购买习惯预测模型。模型建立后，通过比邻数据专利算法进行训练模型，比如品牌关注、浏览至购买时长、比价权重、频次、优惠权重、购买额度、退货频次等等这些分类对模型进行调整，最终预测出用户是理性消费？冲动性消费？习惯性消费？还是经济性消费等。通过大数据车企能清晰地知道用户的消费意识、网络轨迹、喜好、性格等。如此一来，就不愁销量，不愁KPI了。

　　大数据利用预测模型解析用户并挖掘用户的价值

　　当企业内部数据和外部数据源源不断输入，并由大数据技术处理存入数据仓，最终这些数据资料实现到资金的转化的最重要一步是通过预测模型对未知用户全面解析和精准预测。 当用户经过预先设定的各类分析模型，比如社会阶层分类模型、生活态度分析模型、车型偏好判别模型、消费观预测模型、购车阶段预测模型，最终输出解析结果，比邻不仅可以丰富潜在消费者的标签还可以准确预测消费者计划购车时间并给出线索级别，形成两类用户：一类是无购车意向的用户，属于低级别线索数据带着丰富的标签直接回流大数据中心，实现对企业内部数据的补充;另一类是有明确购车意向的人，称为高级别线索，交由精准营销环节进行触达，带来源源不断的现金回报。与此同时这一部分成为车主，回流到比邻数据平台。

　　用户分析最重要的价值是CRM信息补全，面对企业CRM中单薄的消费者信息，很难发掘价值，大数据挖掘技术可以补全这些信息，让原本模糊的用户画像逐渐清晰，个体用户分析最终还会聚集成清晰的群体特征。群体特征包含触媒习惯特征，保养维修服务特征，购车金融服务特征，车型偏好群体特征。

　　群体特征分析可以产生不同的价值。如触媒习惯群体特征数据流向车企市场部门，帮助企业危机公关、策略制定，媒体渠道投放选择，营销推广高效精准。车型偏好群体特征数据流向车企产品部门，帮企业优化产品优化与再定义、品牌定位、产品改进、竞品确定。购车金融服务特征数据流向销售部门，对企业营销、沟通策略制定提供支持，帮企业管理用户需求，实现精准营销。保养维修服务群体特征数据流向企售后服务部，有针对性的客户关怀，保留用户，延长利润曲线，带动车后市场。

　　比邻通过对海量数据的采集、分析、建模、预测，将原本没有价值的数据通过关联、丰满、解析变成有价值的数据资产，再经由模型分析，形成个体用户画像与群体特征分析，对企业的销售部、售后服务部、衍生业务部、市场部等多个部门提供决策支持，提升企业核心竞争力，运筹帷幄，未卜先知。当企业打破固有思维，用大数据视角重新审视和定义企业与用户的关系，会发现企业可以通过大数据构建一个周而复始无限循环的价值生态链，建立新市场形势下的营销突围模式，为企业带来源源不断的价值增长。

　　大数据变现实战案例

　　以车企冷线索激活为例，冷线索是车企通过线上线下的市场活动、车展、试驾等获取到的用户留资，在一个推广期后车企花费高昂的费用获得50万用户留资。车企对这部分资料进行激活需要花费250万，激活成功线索2500条，产生500辆购买。当车企找到比邻数据，比邻通过大数据对这50万用户进行数据分析，监测跟踪激活成本只需125万，同样产生2500条线索，1500辆购买节省成本125万，产生的购车用户是车企的3倍。

　　在实际操作过程中，大数据的分析方法可以运用于任何行业，比邻数据服务某品牌奶粉所带来的线上转换效果汽车行业类似，比邻数据在母婴行业也积累了丰富的数据和实战模型，母婴产品的消费者对产品的选择有两个特点，提前准备和习惯性消费。针对这些特点，通过样本用户的数据，使用统计分析算法，构建了生产育儿阶段、网络购物习惯、触媒习惯等等子模型。同样地，综合这些模型得到用户评分模型，可有效预测在线用户是否为特定的品类或产品的潜在用户。7天内实现6万人进店，4000购买转化，转化率8%，是企业自身通过各种方式转化率的4倍。

　　结语：

　　比邻弘科作为大数据时代的参与者、实践者，是一家被海银资本、蓝色光标投资的大数据企业服务公司，公司致力于帮助企业把海量数据资料变现，为企业构建全新的生态价值系统。比邻数据拥有多年在汽车大数据领域的实战经验，并于2016年7月28日荣获大数据世界论坛“优秀汽车行业解决方案”奖。比邻一直专注深耕几个核心领域，除汽车外，还有母婴、金融、房产等领域。比邻数据拥有业内领先的数据算法工程师20多位，申请大数据相关发明专利超50个，持续收集高质量的已知样本用户数据，合作包括电商O2O、求职招聘、调查问卷、社交开放平台、自媒体等;数据维度包括脱敏后的购物行为、评论、社交动态等;日均处理作业2000/天;实时采集数据：10TB+/天;实时查询数据规模：1000亿级。

　　互联网的高速迭代发展，推动身处其中的互联网行业变革的同时也在颠覆其外的传统行业转型升级，比邻数据作为专业的大数据企业服务公司，率先通过大数据技术推动汽车等传统行业的用户数据精准落地与价值变现。当下大数据技术趋于成熟，正是传统行业寻找大数据变现的突破口，信息时代瞬息万变，知己知彼方能百战百胜，得数据者得天下。