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。

背景

随着汽车普及不断深入，中国汽车市场逐渐饱和，增速放缓，迈入竞争运营阶段到。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，提供自己运营竞争力。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。

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：

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，而是贯穿了管理-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。

大数据之“本”：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。

那么车企的有哪些数据呢?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、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;