搜公众号
推荐 原创 视频 Java开发 开发工具 Python开发 Kotlin开发 Ruby开发 .NET开发 服务器运维 开放平台 架构师 大数据 云计算 人工智能 开发语言 其它开发 iOS开发 前端开发 JavaScript开发 Android开发 PHP开发 数据库
Lambda在线 > 智数联 > 数据即价值 从车企业务需求看大数据的前景与短板

数据即价值 从车企业务需求看大数据的前景与短板

智数联 2017-10-21
举报

来源:36大数据


随着大数据概念的渗透,各行各业都迎来了突破传统行业体系的契机。汽车市场作为国内巨头行业之一,自然避免不了这类新兴技术的“洗礼”。在数据技术的加持下,整个汽车产业催生出众多可行的发展道路,其涉及领域从前市场到后市场,几乎覆盖了整个汽车产业链条。对汽车企业而言,大数据技术直接驱动了其业务发展路线,而业务体系饱和后诞生出的需求,又反向引导了大数据技术的方向,两者之间,相互依存,相互指引。


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其运营体系中关键领域的效率,这之中主要包括三个方向(图1):商业敏捷运营、产品精准设计以及制造领域智能化。


图1 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价值呢?根据德勤咨询的大数据分析结果(图2)可以看出,当前大数据应用存在三个层面的进阶方向:统计分析、根因分析及预测性分析。

数据即价值 从车企业务需求看大数据的前景与短板

图2 不同大数据分析类型


统计分析作为基础分析能力,不仅可以为高级分析提供数据基础,还能使业务层面的覆盖面更加广泛;而预测性分析则充分体现了大数据智能化的能力,即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。

 

以汽车售后环节在保车辆的理赔业务为例,在保车辆理赔中,车企售后服务是重要业务。对于出现配件故障的在保车辆,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,基于理赔业务的理解以及针对理赔业务关键场景,可以联想出以下大数据业务设计架构图(图3)。

 

数据即价值 从车企业务需求看大数据的前景与短板

图3 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。这就要求车企能够对理赔业务全局洞察,同时能够及时发现变化,而通过理赔视图设计则可以很好地满足业务快速洞察的需求。

 

对于理赔视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:

 

1) 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;

2) 提供地域下钻功能,从而实现业务不同层次探查;

3) 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,如何快速发现那些旧件产生的理赔金额,以及这些旧件是否是因为批次原因而导致的,是关键所在。

 

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

在保理赔中存在服务店骗取配件、维修费用等事件。过去,由于车企没有合理手段对异常理赔进行分析,所以只能通过服务店整体理赔数量和金额进行判断。而随着车联网系统开始进入车辆预装,对异常理赔的预测出现了更多可能性。

 

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,针对理赔配件通过对历史数据进行回溯,计算出配件故障概率,从而形成是否为异常理赔的判断参考。


大数据之“准”:以规矩制方圆,构建数据管控体系

国内车企相对来讲,信息化还没有进入精细化阶段,因此数据质量往往不高。比较常见的主要有如下情况:


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产生不同解释;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。

 

而大部分数据业务部门反映的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”,只有建立了数据标准体系,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。(图4)


图4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:一是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;二是数据owner,主要作为数据的拥有者,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进行“建立、变更、退出”三步走:

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,还要涉及系统性工程的建立,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。


智数联zhishulian

长按二维码
关注智数联

版权声明:本站内容全部来自于腾讯微信公众号,属第三方自助推荐收录。《数据即价值 从车企业务需求看大数据的前景与短板》的版权归原作者「智数联」所有,文章言论观点不代表Lambda在线的观点, Lambda在线不承担任何法律责任。如需删除可联系QQ:516101458

文章来源: 阅读原文

相关阅读

举报