汽车行业是数据挖掘大显身手的舞台
数据挖掘的进入对于汽车行业来说无疑是一个非常好的机会。
在过去几年的高速发展中，汽车行业主要追求销量，跟销售要利润。随着汽车市场竞争日趋激烈，以及一系列限制性政策的出台，销量增长日趋缓慢，而围绕从汽车售出到报废的整个过程产生的一系列服务和交易的汽车后市场则蓬勃发展起来，必将成为汽车行业最主要的利润来源，这是一个行业性的规律，全世界汽车市场发达的国家大抵如此。某上市的大型汽车经销商年报显示，其汽车销售和售后的营业额比例大概是10:1，而这两部分的利润率恰好相反，是1:10，因此最后两者所贡献的利润是相当的，比例将近1:1。这种态势在不断发展和深化，今后几年售后服务对经销商利润的贡献率将逐年上升并大于销售业务。
汽车行业不同于快消行业，汽车属于大宗购买商品，购买周期长、消费频次低、客单价高，即使没有限购令，销售量也必有限高。因此售后如何做、如何从中获取利润是厂商和经销商今后需要重点考虑的问题。
汽车售后的利润其实高得诱人。一辆好一点的车一年仅维修保养就需要三、四万块钱，再换个零件、做做其他的保养和服务，又得好几万。假设一辆车平均能用十年，只要保证这十年客户在你的售后服务体系内不流失，十年下来经销商能够收获的利润相当可观。
汽车厂商近年来已经越来越多地注意到了这一点，开始做客户杂志、组织自驾游、开办车主俱乐部等，并且开始考核售后的绩效。售后绩效的考核不同于销售数据的一目了然，很多指标不能直接衡量，比如售后营销的效果，而数据挖掘则可以在其中大显身手。
汽车行业数据挖掘的现存桎梏
以往汽车行业之所以没有大规模地开展数据挖掘工作，最为重要的原因在于整个行业的信息化水平比较低。
银行业和电信业属于信息化水平比较高的行业，其用户消费的本身就是无形的产品和服务，他们的日常行为都通过数据表现，同时这些数据大都是可以直接用于分析的结构化数据。汽车行业相比之下只能望其项背。
首先，从行业结构来说，汽车行业的主机厂商和消费者之间还有一个层级是经销商，它在其中形成了一个天然的数据壁垒。主机厂商（或销售公司）拿不到潜在客户的数据。潜在客户的任何行为，包括到店、试乘试驾，以及其他一些涉及营销的行为，这些行为产生的数据经销商是不会主动提供主机厂商的。只有订单产生以后，客户付钱了，厂商才能拿到这个客户的数据。之前大量的信息，尤其是最重要的潜在客户的信息都掌握在经销商手里。厂商给经销商特许经营权大部分是1~2年重新签署一次，历时很短，因此它们之间大都还存在一定的猜忌。
即便数据获取的问题能够得到解决，我们能获取有效的数据并建立模型，经销商与厂商之间的这一层隔膜也极大影响着数据挖掘结果的执行效果，并进一步影响厂商下一步确定是否继续进行数据挖掘的选择。
不同的经销商执行力千差万别。比如，越是豪华的品牌，经销商对厂商的话语权越强，厂商越弱势，数据挖掘结果的执行力就会特别弱。也有的厂商很强势，“全国一盘棋”式的掌控，经销商的执行力就会比较强，能够按照数据挖掘结果进行执行和改进。有时候执行力也和经销商掌握的数据有关。比如厂商要把一个模型推广到经销商方面使用，但是经销商可能会发现模型里需要的很多数据是厂商方面才有的衍生数据，经销商无法直接使用，这也会使数据挖掘结果的执行力变差，这个壁垒的影响是双方面的。
其次，从数据质量来说，即便是厂商拿到了客户数据，也存在大量的经销商造假的情况。如果是银行业或是电信业，用于考核业绩的数据清晰明了，客户存了多少钱就是多少钱，花了多少话费就是多少话费，这些统统都是系统记录在案的。而在汽车行业，厂商主要通过销量、飞行检查、神秘客、审计等方式考核经销商，这其中存在很大的造假余地。比如车主购车后需要留下个人信息，有的经销商会留下保险人员或是销售顾问的信息，等到厂商回访进行满意度考核的时候，经销商方面可以为自己的满意度打很高的分数，最后它得到的年底返利就会很高。 部分厂商的经销商造假情况非常猖獗，甚至达到90%的数据都是造假的程度。如果几乎全都是假数据，我们怎么根据这些数据进行挖掘、做营销？
针对这一点，新华信近年来一直在努力帮助厂商做数据打假，这种经销商数据造假的情况相比以前已经有了很大的改善。营造一个清洁的数据环境是进行数据挖掘必不可少的基础。
最后，从可操作性上来说，在解决数据获取和数据质量的问题之后，汽车行业不得不面对的是它长期积累下来的数据繁复杂乱的顽疾。我们在给客户做数据挖掘的时候发现，花在数据整合上的时间往往是最多的，占整个项目的耗时少则60%，多则90%。相比之下，建模反而是一蹴而就的过程。出现这一问题的主要原因在于厂商数据架构的前期规划没有做好，这就会导致后期挖掘过程中很多问题的出现。打个比方来说，某汽车厂商在同一个系统中，光是同一颜色的编码就有不同的40余种，做数据挖掘之前必须逐一整合这些信息；有的厂商使用的数据系统不是通用系统，而且还是上个世纪由厂商自己开发的，代码只有他们自己懂，做数据挖掘之前就必须先用公式去猜、去算一些数据是怎么来的、不同的指标代表什么意思，才能开展下一步的工作。
大部分汽车厂商、尤其是国产品牌的汽车厂商都存在大量的数据管理的问题，在这种条件下即使他们有意愿，我们也没办法做数据挖掘。有时候我们不得不建议厂商过几年再做数据挖掘。数据管理的问题不解决，要扩大数据挖掘对汽车行业的贡献也是一件难事——单次项目数据整合完成、做出模型之后，下一次项目如果要继续，由于有新的数据产生，在挖掘之前还得再花大量的时间进行数据整合，这导致数据挖掘的结果只能是一次性的。
值得庆幸的是，比起国外的汽车行业，国内汽车行业的数据可操作性已经强很多了。国外汽车行业业态不同，使得数据的收集更为困难。国内是以经销商为主导的业态，从厂商经过经销商就到消费者了，而国外从销售到售后、保养、维修、零部件……每一个环节都是不同的大集团在运作，因此数据是相当分散的。
数据挖掘蓄势待发
无论对于哪个行业来说，要做数据挖掘。第一步永远都不是数据挖掘，而是先做企业或部门级的数据整合。现在基本没有任何一个汽车厂家能把这一步的工作做完。前期准备工作没有做好，没有一个整合的数据平台，数据挖掘无从进行。目前的情况是，我们每做一个项目都要先耗费大量的时间做数据整理的工作，这次整理完之后就放在那儿了。下一次的项目，因为又有新的数据产生，又得重新做一次数据整理，根本无法将数据挖掘作为一个常态来做，使得数据挖掘的价值被极大地压缩。
做完了企业级的数据平台之后，第二步需要做的是建立商业智能系统，即通常所说的BI。事实上大量的描述性统计分析是可以直接在BI系统上直接实现的，甚至在做一些探察性分析的时候，是没有必要建立模型的。很多时候一些有经验的汽车业内人士使用BI系统进行常规性分析的时候，看一眼大概就知道有什么样的问题了，大量基础问题正是通过这样的常规分析发现的。BI系统的作用不止于此，它对于数据挖掘也很关键。数据挖掘需要通过先做描述性分析、探察性分析来帮助理解数据或为挖掘寻找方向，只有做完了前期的这些常规分析再去架构数据挖掘才能有的放矢，因此BI系统与数据挖掘之间是一个递进的关系。
这就是为什么我们现在为汽车厂商做数据挖掘难度这么大的原因。在挖掘之前必须自己先完成数据整理和探察性分析，完成了前两步之后，最后才能做真正的数据挖掘，才能去建模。
新华信认为，中国的汽车企业要真正解决这个问题，也许还需要三到五年的时间。从汽车行业来看，变革的第一步由组织架构切入。目前的汽车企业尚且没有一个单独的部门或相关的组织架构来负责数据方面的事务，无法从客户的角度收集、整理、组织数据；整个行业还是以职能制为中心，是一个市场、销售、网络、售后，各自为战的职能网络，缺乏一个链条来打通客户数据的整合。因此，组织架构需要变革，需要有一个部门负责将各个业务流程打通，疏通数据的流动和整合。接下来的第二步就是打通系统，整个企业使用统一的系统和统一的数据编码、数据架构方式。完成了组织架构的变革和数据整合，之后的数据挖掘就是顺理成章、水到渠成的事了，完成的速度将会非常快。这几年对于数据挖掘来说还是一个蓄势待发的时期，它需要踏踏实实做好前期的铺垫。
大营销体系中的数据挖掘
不同的厂商会把数据挖掘的功能放在不同的部门来实现，有的放在售后，有的放在市场，有的公司干脆单独成立一个部门来专门做这件事。不管如何安排，数据挖掘都是处于一个大营销体系中的，即便是做售后，数据挖掘的功能也体现在售后营销，而非售后服务。比如一个模型出来之后，新华信的专业团队会跟厂商的营销人员讨论这个模型怎么用、怎么调整、怎么优化，甚至根据现有模型衍生新的需求，进而继续开发新的模型。举个例子来说，做了客户流失模型之后我们发现，在流失的客户中，有很大一部分价值其实很低，是厂商没有必要关注的，而需要关注的是另一部分具有很高价值却流失了的客户，所以我们还需要应用新华信客户价值模型，两个模型交叉应用才能解决实际问题。
如此看来，数据挖掘一定是一个团队完成的。要真正做好数据挖掘需要几方面的人才共同配合。第一是对行业有深入理解的人，或者说是行业专家，他们可以对技术不太了解，但对行业的了解一定要非常深入。对行业的理解不一样，采用数据挖掘结果做出的方案就不一样。比如汽车行业不同于快销行业，要做所谓的精准营销，无法直接面向客户推大量的产品，我们的方案必须聚焦在维修保养和追加销售上；第二是技术人员，这其中又分为两类，一类是做单纯的IT工作的，比如数据整合、BI平台建立，第二类是学统计的或做模型的；第三是营销人员。这些模型归根结底是要用到市场上去的，所以需要有对营销非常在行的人，才能发挥这个模型的真正价值。他们需要知道这个模型怎么用，后期营销如何据此策划，以及如何据此为客户提供整套的服务，而不是模型做完就没有下文了。
核心关注：拓步ERP系统平台是覆盖了众多的业务领域、行业应用，蕴涵了丰富的ERP管理思想，集成了ERP软件业务管理理念，功能涉及供应链、成本、制造、CRM、HR等众多业务领域的管理，全面涵盖了企业关注ERP管理系统的核心领域，是众多中小企业信息化建设首选的ERP管理软件信赖品牌。
转载请注明出处：拓步ERP资讯网http://www.toberp.com/
本文标题：大营销体系下的数据挖掘
本文网址：http://www.toberp.com/html/consultation/1083938456.html
相关文章
