汽车行业的大数据与分析-zh-160428.pdf

汽车行业的大数据与分析2016年4月2汽车行业如今面临与日俱增的挑战和压力：成本压力、行业竞争、全球化趋势，以及市场变化和波动。不过，最新的大数据与数据分析为汽车制造商们带来了前所未有的可能，供他们应对各种挑战和难题。随着数据分析能力的提高，预测分析正演化为一种有力的工具，可以大大提升预测效率以及运营和绩效。但挑战在于，汽车制造商是否能玩转这些海量的知识和经验数据。简单地说，巨大的数据量为评估带来难度，难以支撑战略决策的制定。数据分析可以把这些信息融合起来不论是“机器可读的”数据集，还是非结构化数据如视频、录音或文本。只要处理得当，效果将令人称奇。例如在生产中，可以通过分析历史数据、参数和参数组合来确定某个事项是否正常。这些分析可用于汽车召回事件，汽车制造商能确定或预测什么时候可能会发生召回。起初不会发生，因为决定性参数及时地重新引入到目标走廊。这种方法和流程也能应用于客户、供应商，以及汽车生态系统中的其他利益相关方。德勤最近的一项研究也探讨了数据作为绩效分析的有效来源的重要性。汽车制造商可以从大量的客户数据中发现，特定客户群对哪些型号、配件或服务感兴趣。进而提供个性化和量身定制的产品与激励方案，提高销量。随着互联网和社交媒体的普及，以及各种交通工具关联性的不断提高，制造商们也能获得源源不断的客户数据，分析准确度也越来越高。有了数据分析，供应链数据也能透露出哪些环节比较薄弱，从而在出现严重问题之前及时采取积极的解决措施。在中国，交通拥堵及环境污染导致城市不得不采取车辆限行，摇号拍牌等措施，使得车辆使汽车行业的数据分析通过评估庞大而复杂的数据来改进预测能力、运营能力和提升绩效用成本高企不下。好消息是，运用大数据分析等技术可解决实时交通管理难题，辅助缓解交通拥堵，提高车辆使用效率的同时也对环境保护做出一定的贡献。同时，对于汽车驾驶员，亦可运用数据分析，将技术与用户需求有效融合，实时记录并处理车辆行驶路况，协助用户选择最佳行车路线，不仅提高车辆燃油效率，还能大大节省驾驶时间。数据分析是一个强有力的工具。但除了数据、运营或信息科技，有效运用数据分析还需要更多的知识与经验。要恰当运用数据分析，需要具备全方位的综合能力，与企业内的多种职能部门和技术团队交互融合。鉴于此，我们的汽车行业服务团队撰写了一系列文章，介绍大数据分析将为您的公司带来哪些可能，以及您在考虑数据分析计划时需要注意的事项。我们期待您的反馈，并愿意随时与您探讨相关话题，分享我们的经验。欲了解更多信息，可通过封底联系人与我们联系。洪廷安，德勤中国汽车行业主管合伙人。何马克博士，德勤中国汽车行业管理咨询主管合伙人。本文中Deloitte（“德勤”）泛指德勤有限公司及其子公司。请参阅http:/ 通过数据分析改进汽车制造商与消费者之间的互动客户行为分析改变汽车行业客户保留策略的游戏规则 汽车主机厂的全新客户策略利用高级分析管理营销支出 对营销组合的连续分析可以洞见因果关系破解全球供应链管理难题 用数据分析管理风险并推动增长 运用质量预测分析防患于未然 质量领先对制造商的成本控制和品牌形象越来越重要有备无患 汽车制造商如何加强召回的准备与管理25710141618201汽车行业的大数据与分析2大数据的价值在于对数据的运用大数据分析体系及德勤在中国的实践随着网络应用越来越普遍，社会信息化的程度越来越高，互联网的普及和发展正改变着传统行业的运营模式。传统行业正在经历着在线化和数字化的变革。在这种变革过程中，企业积累了大量的数据，据有关统计，全球的数据量正在以每18个月翻一倍的惊人速度增长，特别是对于经济快速发展的中国市场，如何充分利用数据资源，挖掘数据价值，是每个企业都面临的迫切需求。而大数据技术的快速发展给企业提供了一种处理数据、挖掘数据价值的有效方法。对于数据的爆炸式增长，德勤认为企业大数据应用的重点不是在于如何获取更多的数据，而是围绕业务目标，具体业务问题，通过大数据分析的手段进行深入分析并解决问题。大数据应用框架设计企业在构建大数据应用时，应从企业的业务战略和IT战略出发，构建大数据应用的顶层框架设计。主要包括以下几个领域：大数据战略：明确大数据应用的目标与策略；制定大数据应用/平台建设路线图。大数据应用场景：结合市场和公司的发展，从企业价值链和客户生命周期入手，梳理大数据应用的业务场景。大数据分析建模：分析业务挑战，构建分析模型，通过多种算法的运用，找到解决问题的方向。大数据技术平台：追踪技术发展趋势并结合企业内部各种应用系统，构建大数据技术平台，满足企业发展需要。大数据应用的顶层框架设计对于企业而言，可以把IT系统建设直接与公司战略，业务发展相挂钩，此外还可以减少对数据资产的过度投资或者投资浪费。大数据战略大数据本身涉及的业务领域和技术领域都很广，企业在应用大数据时需要从业务目标和IT规划入手，明确大数据应用的方向。大数据战略的制定需要回答以下3个问题：作者：华思远，德勤合伙人及中国区汽车行业信息管理负责人。做什么何时做典型应用如何做业务支持持续改进业务优化IT驱动业务创新IT驱动通过大数据处理技术，增大数据处理带宽，增强实时数据分析能力，促进提升业务水平 企业管理实时驾驶舱 企业运营风险监控平台基于业务领域场景，整合数据，构建业务模型，通过大数据分析技术，挖掘潜在业务模式 客户画像 客户流失预警拓展数据范围，借鉴并融合异业领先实践，促进业务变革与创新 基于车联网的动态保单 基于服务能力的动态工时费用3汽车行业的大数据与分析未来的IT项目将会更加需要技术与业务的融合，IT部门将不仅仅是企业的成本中心，通过对数据资产的深入利用，还将会促进业务变革与创新，甚至创造出新的业务模式，成为企业发展的新引擎。大数据应用场景大数据应用场景，可以从企业价值链和客户生命周期入手，找寻业务需求（痛点），以从客户生命周期角度分析为例，在客户生命周期的3大阶段中，包含了18个业务场景，从这些业务场景出发，可以挖掘出众多数据分析应用场景：德勤在中国市场经过多年的实践，累积了大量宝贵的行业经验，形成了多套行业方案，包括但不限于：舆情分析，客户保养行为预测，客户价值分析，客户流失预警等，这些行业方案可以帮助企业客户，充分利用企业内外部的数据资源取得速赢。大数据分析建模大数据应用的重点是对数据和分析算法的运用，需要IT专家，业务专家以及算法专家密切配合。主要的工作重点包括：业务理解与建模：基于大数据应用场景，识别关键业务挑战，构建数据模型。数据获取与清洗：识别模型所需的数据，以及相关的数据质量问题，对数据进行必要的清洗使其满足模型需要。数据存储与整合：从业务与IT两个角度构建数据存储模型，并对不同来源，不同结构，不同类型的数据进行必要的整合。数据挖掘算法运用：通过多种数据挖掘算法的运用，找寻大数据背后的业务答案。大数据分析建模不是简单的数据统计和汇总，所回答的问题也不仅是明确的因果性问题，更多的则是带有不确定性的相关性问题。通过对多种来源的海量数据分析，发掘潜在的业务动因和模式，辅助业务决策，甚至驱动业务变革与创新。大数据分析场景售后服务客户满意度销售线索需求分析汽车展示试乘试驾价格谈判客户投诉车辆召回维修交叉销售合同终结二次购买促销金融服务考虑再次购买合同签订订单与交付管理质保维修定期维保检修售前&销售 客户分类分析 销售线索管理 线索跟进与再激活 广告设计与投放 市场营销活动设计与投放 客户行为分析 后勤管理 订单管理 等等使用 客户信息持续更新 会员管理 交叉销售 客户忠诚度计划 客户满意度管理 汽车保险 质量保证 服务升级与促销 客户投诉管理 等等再购买 产品广告与促销 金融服务 产品调查问卷 客户信息更新 口碑管理 等等4大数据分析平台大数据分析的技术落地，涉及多种IT技术的整合与运用，市场上相关的产品层出不穷，企业面临难以选择产品的问题。为此，德勤提出分层的大数据技术平台架构，促进大数据应用落地。大数据应用在中国的机遇与挑战不管我们愿不愿意承认，我们确实已经处在一个信息和数据无处不在的大数据环境中了。企业的业务更加电子化，企业与客户之间的沟通，企业与供应商之间的沟通，以及客户与客户之间的沟通，都日趋多元化，敏捷化。这些都为大数据分析提供了广阔的空间。目前，很多企业客户已经应用了很多大数据技术来解决业务问题，但同时，我们也要清楚的看到，企业在进行大数据应用方面还有很多待解决的问题。例如，数据质量不高，给数据分析工作带来了很大的难度，再有，数据预测精度也有待于提高。虽然大数据预测能力在智能化的今天得到了长足进展，但预测的精准度相对来说还不够，这就为大数据技术的应用提出了更高的要求，需要从业务理解，场景规划、算法更新等多个方面入手，进行努力和尝试。尽管大数据应用目前还有一些难点和不足，但在大数据领域的研究和探索正在快速的发展和完善，我们有理由相信，在不久的将来，大数据必定能成为助力汽车行业发展的新引擎，推动汽车行业快速健康的发展。界面交互Digital Media(Video,Audio)Owner Portal,Official Website数据建模Form indicator analysis framework based on core control indicators identified by management,ideals Business driven modeling传统数据源 ERP System SCM System RDBMS CRM System MDM System Flat files DMS System Warranty XML files非结构化数据源 Very complex structure Large data bags Blogs Unstructured text Behavioral data WeChat Images and video Weibo半结构化数据源 Complex structure Unstructured text Data Bag数据存储Optimized platform for a)massive parallel processing,b)Sophisticated querying,c)High performance advanced analytics,d)In-memory computing数据清洗Data quality issue identification and automated data cleansing传统数据获取ETL logic and data extraction数据整合High volume and complex data management流数据获取Large size data with fast data generation移动与互联Pad/Mobile ApplicationsBehavior Data Tracking数据推送与主动服务Define the logic of data exception identificationActively push data to target persons数据分析Advanced data analysis algorithms with mathematical statistic analysis,Cluster analysis,Forecasting model Real-time business decision support数据源基础平台建模与分析用户交互5汽车行业的大数据与分析决策流程发展需要新型态的管理方式数据分析：从大量数据中筛选出相关知识大数据是新的动力，是创新和生产力发展进化的下一步，是管理革命。诸如此类的说法铺天盖地而来，几乎没有一个机构不知道数据分析所带来的机遇。这不难理解想想看，我们的确常常经历大数据分析带来科学的进步、新的业务模型和社会变化。例如，Amazon根据演算法向客户推荐书籍。M根据个人资料匹配算法推荐合适的对象。而Netflix公司则根据人的行为原理，把电视剧纸牌屋打造得异常成功。本系列文章结合引人瞩目的前沿思考，为汽车制造商呈现有关数据分析的未来机遇。举例来说，我们的汽车专业团队将在文章中讨论以下话题：以客户数据为依据预测销售；制定营销活动和价格策略的组合；以及通过分析目标客户行为来提高客户忠诚度。但在进入这些最新的话题之前，必须去掉一些戴在数据分析头上的“光环”。事实上，数据分析不是什么新鲜事。它最基本的形式就是，人们根据自己掌握的信息以及有关该信息的知识来做出决定。本质上说，知识就是对相关信息的处理，而信息则包含压缩的数据。这些“事后分析”原理已经运用了几个世纪，从记账开始以来就有。那数据分析和预测未来呢？尽管还没有事后分析发展得那样成熟，预测分析也并不新鲜可以追溯到20世纪50年代信用评分和评级的出现。更多数据更多知识由此可见，说在决策制定方面已经发生革命有点夸大其词，就目前而言，演进一词更为贴切。具有革命性的是现在所处理的数据量，以及由此产生的信息量。其中三个方面的发展具有决定性意义：更详细的数据：技术进步让更多的数据得到处理和传输。更多数据类型：特定的方法让更多非结构化数据（如文本、社交通讯和视频）得到处理。更多数据来源：外部数据（如天气和社交媒体）能与内部数据来源轻松整合。这些额外的数据可以进行额外的分析，理论上还能拓展知识。然而无法确定的是，哪些额外信息真的可用于支持决策，以及如何筛选出这些信息。并非所有额外的数据带来的附加信息都是有必要的。就像大海捞针，不会因为海水涨高就一定能捞出更多的针。因此，必须在投入之前就确定数据分析计划的有效性。能否对决策提供更好的支持？能否更快地提供支持？能否支持新决策和额外的决策？这些决策对公司究竟有多重要？作者：Nicolai Andersen，德勤德国合伙人及创新负责人。6联系至关重要在我们看来，日益重要的数据分析倡议正在引发企业内部一些重大变化，包括：功能孤岛之间的界限瓦解：有功能孤岛（functional silo）的公司无法发掘数据分析的潜力。因为公司内部现存的数据，一经组合往往能带来重大发现，因此数据分析计划必须在所有部门实施并长期推进。创新文化的传播：新的数据分析能力需要企业做好测试准备。过去不够创新的专业部门由于被要求应用数据分析后，也变得越来越灵活，且愈发关注未来。能力融合：如果不了解分析采用的统计模型、算法和数据来源，就可能出现严重的决策失误。因此，通过能力的融合消除商业问题与统计模型或技术性方案间的差异变得越来越重要。管理生态系统：数据分析计划可能有很多层面，在单个企业内部开发所有必须的能力可能效率很低。因此，创建同样多层面的外部合作伙伴（专业新创公司、研究机构、数据供应商等）网络变得越来越重要，整个网络将构建成一个处理数据分析计划的生态系统。提高识别力：可靠的数据处理变得更加重要。各个专业领域的公司都必须提高识别力，不仅在法律方面，还包括数据分析计划的道德和社会影响。这样一来，已经进化的决策流程就会引领管理方式的演进。可用的数据量和数据来源以及数据类型一样不断增长，必须确定其中哪些能真正为决策提供更好的支持。妥善管理数据洪流过去现在可能性？知识信息数据决策更多信息更多数据来源更多数据类型更多详细数据必要性？7汽车行业的大数据与分析客户体验的演进通过数据分析改进汽车制造商与消费者之间的互动随着客户越来越依赖社交媒体和互联网进行研究与沟通，汽车制造商们必须重新思考并改进在整个销售流程和商品持有周期间与购买者的互动。这对汽车制造商而言非常重要，只有这样才能从越来越多、竞争日益激烈的各类品牌中脱颖而出。随着新兴技术尤其是消费者技术推动汽车购买和售后服务体验发生变革，汽车制造商需要积极应对，并重新考虑如何与活跃的消费者建立联系，以满足他们对个性化定制体验日益升高的期望。客户数据的主要利益相关方（运营部门、管理部门或高层主管）对客户数据都有各自的特殊需求与问题。例如销售主管，必须不断开辟与核心客户互动的新方法，并提高现有客户群的终生价值。而针对新业务，销售主管必须着重吸引新客户，包括优化现有的销售资源。与之相似，营销主管必须注重了解各个消费者群体（按年龄、地理位置和收入等划分）的价值，以及他们是否为公司的销售和增长目标提供相同的价值。此外，营销人员往往面临这些难题：如何确定公司和品牌是否满足客户的需求；价格变化对客户造成什么影响；如何战略性的锁定目标客群来降低营销成本；如何优化各个销售渠道的激励费用来实现销售量和利润率的最大化。客户服务主管的基本目标是提高客户保留度，以及改善各个渠道的客户体验。这需要有效分配资源，并在各个渠道和服务需求之间调整，确保改善客户服务体验。对汽车公司而言，数据分析和信息管理能提供解决这些复杂问题的办法，并且使用定量技术而不是定性评估。一个真实的例子就是最近发生的汽车品牌停产。过去，当一个品牌停产时，90%的客户都容易流失。一家大型主机厂在制定策略准备停产一个主要品牌时，就意识到了这个问题和客户流失的可能。该主机厂明白，要想成功停产该品牌，同时又不造成大量客户流失，必须制定双重战略通过品牌转移客户和通过服务保留客户。此外，战略实施必须顺畅，从而对具有流失风险的客户产生最大影响。该制造商利用数据分析获取并保留客户群，还实现了旗下其他品牌的增长目标。通过数据和分析模型来研究品牌偏好和消费者群体，该制造商估计销量每上涨1%意味着增加约 20,000 个销售单位，同时还根据呼叫中心、保修期和销售数据的变量分析来确定有针对性的产品，加强客户细分。数据分析帮助该制造商留住了570万有流失风险的客户。通过更精准的数据分析实现的客户获取率每上升1%，估计可带来每年12亿美元的收入增长。作者：Ashwin Patil，德勤美国管理咨询总监及制造业数据分析和信息管理负责人。8图1：客户细分成熟度向数据分析成熟度曲线的高端前进 客户数据集成令人望而生畏：存储空间、细节层次，以及客户数据变量的复杂程度。从客户关系管理系统和呼叫中心，到经销商管理系统、质量保证系统，再到销售和营销数据库，了解客户并创建单一的集成视图对于获得客户、保留客户和实现终身盈利都至关重要。汽车公司在集成整个企业的客户数据时，有机会大大提升数据的丰富度和成熟度。数据集的丰富度越高，客户数据能提供的见解和益处就越多（图1）。客户细分是利用客户数据的关键步骤。客户细分是指按相似属性划分客户群，有助于解决关键业务问题。客户细分依据的客户属性包括激励因素、利益、风险因素、行为、喜恶、偏好等。据此可针对各个客户群开发差异化产品和价值主张，同时还支持直接与客户交流活动的制定、关键客户数据和报表的数据库管理，或者客户关系管理战略的制定。有效的客户细分必须目标明确，并需要进行详细的研究设计来形成可实际操作的洞察。客户细分的一个新趋势是建立“家庭”群而不是“个人客户”群。对应的概念是互联微群体（或家庭），共同负责决策制定。“个人”考虑的是汽车制造商在一名客户的生命周期与之进行的交互，而“家庭”则随着青少年成长以及成年人变老而不断发展并重复各个层面的生命周期。“家庭”法可以影响一个家庭中年轻消费者的最终购买决定。事实上，根据德勤最近在19个国家对23,000名消费者进行的研究，在影响Y世代消费者（生于1977-1994年间）最终购买决定的信息来源中，家庭和朋友高居榜首高出经销商、社交媒体以及汽车制造商网站。这些购买、保留和影响行为虽然复杂，却更容易理解，而多个家庭集则能形成具有相似特征的家庭群。大多数有效的细分都能通过两个以上的属性组合而成（表1）。态度 品牌忠诚度 推广敏感度 转换敏感度需求 产品属性 产品/服务偏好行为 使用服务 购物频率 产品组合客户特征 个人信息 最终用途 购买产品丰富度/复杂度益处无细分客户特征行为需求态度9汽车行业的大数据与分析表1：客户细分属性帮助汽车制造商了解客户 德勤的项目方法利用深入的客户见解和数据分析经验来实现可行并有针对性的客户细分。我们认为，有效的客户细分必须目标明确，并需要进行详细的研究设计来形成可操作的见解。根据我们的经验，应遵循下列指导原则：客户群应具有高度相似的需求和购物行为，并需要统一的价值主张来开展业务。应持续衡量每个客户群的价值主张执行情况，从而评估每个价值主张对其相应的客户群的有效性。客户群必须具有可操作性，让公司确定客户，并通过可行、有效的销售、服务和营销活动接触客户。虽然一个组织内部可能存在多个客户细分类型，但客户群之间必须界限清楚、互相排斥；这通常要求用统计/数学方法进行细分。用于区分客户的属性应相对稳定，从而让总体细分计划经受住时间考验。但细分也要能随着客户偏好和业务需求的变化而发展，允许客户从一个群转到另一个群。细分的关键利益相关方应该从一开始就深度介入，利用他们的业务知识并获得他们的认同。最终的细分结果要告知相关部门，让他们充分了解，并用于销售、市场推广和/或服务。将这些原则融入日常运营和长期增长战略可能很复杂，但汽车制造商如果忽略这些想法，则可能错失良机。只要处理得当，通过数据分析来改进客户体验可以带来更有效的市场推广和客户互动；形成更有针对性的一对一产品；还能帮助汽车制造商更好地了解按客户群提供服务的成本，从而设计更有盈利性的营销和客户服务计划。处理不当（或是完全忽略）的话，汽车制造商就可能失去吸引消费者、与消费者互动以及留住终身忠诚消费者的机会。细分属性示例使用情景示例个人信息姓名/地址个人资料（如年龄、收入、婚姻状态、子女）账户类型 客户统计调查（例如，多少名客户）客户与品牌/公司/产品的互动情况不详婴儿潮出生的一代人业务客户生活方式第三方生活方式群（例如PRISM、Equifax）休闲活动有车推广新产品或新服务客户统计调查与相关供应商发展外部关系年轻人的活动高尔夫球友需求量化成本效益选择服务水平要求关键购买因素差异化不够需要精确属性来制定价值主张只求实用性的顾客关系客户需要全套服务的顾客态度品牌偏好推广敏感度转换敏感度评估未满足需求和失望衡量品牌溢价了解决策偏差忠诚客户只求便利性的顾客寻求优惠的顾客价值估计客户价值客户服务成本客户生命周期价值（CLV）客户群之间的客户购买因素区别明显在折扣和更多服务之间权衡战略性采购底价爱好者高端奢侈者行为购买频率产品组合|购买量距离上一次购物天数快速确定需求简单销售人员指令了解转换行为单身、都市和高端顾客年轻家庭寻求价值的退休人员按相似特征将客户和潜在购买者分组，以此为不同客户群生产定制产品，为这些客户提供更个性化的服务。10客户行为分析改变汽车行业客户保留策略的游戏规则汽车主机厂的全新客户策略随着数据量的成倍增长，大数据分析已经成为汽车主机厂经常讨论的话题，他们往往是对大数据分析代表的意义感到好奇，但大多数情况下，他们的讨论都忽略了一点，即数据隐含了公司所积累的共同经验，可以指引未来的管理决策。每一次客户互动都能产生多个数据点，揭示客户的行为。随着客户数量不断增长，这些数据点达到数百万，导致数据关系变得复杂，从中获取有价值的见解也变得越来越难。低客户保留率是领导层的薄弱环节 客户保留带来的好处非常明显。但大多数汽车主机厂在客户保留方面做出的努力很少，并且与竞争对手没有明显差异。在发展中国家，汽车需求主要来自初次购买者，对客户保留计划的关注非常少。但随着时间推移，市场变得成熟，换车的买家比例也会增加。到这个阶段，稳定的客户保留就变得至关重要，和目前发达经济体的情况一样。客户保留和可持续性增长有必然的联系，并从一开始就需要正确的战略方向。传统观点告诉我们，保留一名现有客户所付出的努力远远小于获得一名新客户所需的努力。因此，客户保留率是一项关键的业务绩效指标。但仅仅重视保留率还不够。要全面加大客户保留力度，主机厂需要深入理解客户行为，确定最吸引人的客户体验。面对庞大而复杂的数据量，主机厂需要花更多精力从中获得有价值的见解，并融入到客户保留战略。数据分析不仅仅是数学数据分析常常被误认为就是简单通过数学和建模得出见解。合理的数据分析架构至关重要，从处理数据中获得见解来实现最初的目标。同样，要获得可行并适用于现实世界的见解，深厚的运营知识也非常必要。在德勤，我们通过“四墙突破法（Four Wall Breakthrough Approach）”（见图2）来驱动价值，让数据分析符合现实需求，并得出更有意义的结果。通过数据分析实现客户保留率的最大化客户生命周期主要分为三个阶段：购买、售后和再次购买（见图3）。如果客户体验不理想，在任何一个阶段都有可能流失。通过在每个接触点进行详细的客户数据分析，可以获得有价值的见解。例如，对主机厂和经销商的客户信息数据库进行分析，就可以发现客户详细联系资料中不准确或不完整的地方。将此信息与每位客户优选的联系方式相结合，主机厂就能找出客户流失的原因，并设计战略性的客户信息管理方法。与之相似，客户保留的其他方面，例如互动（由价值链服务和产品驱动）和客户满意度（由客户体验驱动）也要全面分析，才能在最大程度上实现客户保留。作者：Sharad Mohan Mishra，德勤日本高级经理，全球汽车主机厂客户获取和保留战略制定及执行专家。Masanobu Kurihara，德勤日本经理，在全球汽车主机厂跨境业务的战略规划及执行方面经验丰富。11汽车行业的大数据与分析图3：战略性客户保留架构和数据分析为了保留客户并促使他们再次购买，必须在接触品牌的每一个环节和阶段让他们感到满意。通过数据分析可以看到需要做些什么。图2：主要挑战有目的的规划 设定清晰目标 设定清晰的期望值（可行的输出图像）长期/全职团队组织架构 清晰的管理方向和指引数据分析架构 运用操作知识制定架构 数据识别、映射、收集和清理建模能力 技术、数学和数据能力 运用操作知识调整建模互动行动 与每一位利益相关者进行互动，并推动他们采取行动确定目前客户流失的总体情况确定具体的流失领域确定可行的见解123客户获取过程购买售后体验再次购买购车客户 分析 数据分析不知道未参与不满意未保留未保留未保留知道服务/产品客户信息管理分析价值链参与分析客户满意度分析保留情况和可能性分析（服务、再次买车、以旧换新）总体流失分析参与服务/产品满意服务/产品保留（车辆维修）保留（再次买车）保留（以旧换新）方针制定数据分析战略规划数据分析III流失客户（部分或全部）总体保留客户12我们将数据分析分为两类：方针制定和战略规划从而得出在每一个客户流失点加强客户保留的可行见解（图4）。方针制定分析(Direction Setting Analytics,DSA)旨在对当前情况进行深入了解，协助主机厂制定具体的行动计划。方针制定分析分为三类：流失分析、原因分析和预测分析。流失分析(Leakage Analytics)售后业务的关键在于了解客户流失的时间、数量和原因。虽然传统的分析方法可以了解整体情况，却难以得出具体的行动来保留每一类客户群。流失分析旨在通过深入研究各类客户的个人行为，确定真正的客户流失形式。然后针对不同客户群制定具体的行动计划。鉴于数据的复杂程度和庞大数量，仅用传统分析方法几乎做不到这一点。原因分析(Causation Analytics)主机厂一直面临着一个难题：即使客户满意度高，流失率也仍然很高。通过原因分析可以找出客户保留的关键驱动力，包括（但不限于）客户满意度。在各种因素/特性和客户保留之间形成一种因果关系。例如，原因分析可以解释事故维修服务对客户参与的影响，以及最终对客户保留的影响。虽然这种数据分析由数学建模支持，其设计有赖于实际运作时的洞察来创造可行的价值。预测分析(Predictive Analytics)对未来的规划是基于历史走向和对当前情况的了解。通过每位客户在所有接触点的历史数据，我们可以建立一个模型来确定预测模式，预示个人在未来可能出现的行为。例如，调查客户售后行为的模式，可以帮助我们预见客户在一定时期内可能出现的行为。与之相似，根据每位客户惯常的售后行为，也可以估计他/她购买某些物品的机率。预测分析可以带动业务规划的模式转变，为当前和未来做好准备，如经营场所扩张、资源培训等。图4：数据分析类型方针制定数据分析方针制定数据分析III(1)流失分析(4)价格弹性分析(3)预测分析(6)模拟分析(2)原因分析(5)地理分析13汽车行业的大数据与分析战略规划分析(Strategy Planning Analytics,SPA)旨在为战略规划提供可行的见解。这种数据分析通过价格弹性、地理映射和模拟与客户保留的三大因素（即价格、网络和价值链）相关联。价格弹性分析(Price Elasticity Analytics)价格弹性分析是一种常用的方法，用于了解最佳价格范围，从而实现最高绩效，不论关键绩效指标（KPI）是什么（如利润或收入）。但将价格弹性分析应用于客户保留目前并不普遍。通过对售后服务进行价格弹性分析，可以针对各持有期制定不同的定价策略，从而确定客户保留的机会，并通过客户保留提高利润或收入。地理映射分析(GEO Mapping Analytics)有效的网络策略来自仔细挑选宏观经济和微观数据，并从地理角度加以整理。这种多维数据结合客户行为信息，有助于经销商选择正确的网络位置来加强客户保留。此外，合并历史数据可以显示高层面的地缘经济趋势以及售后业者的发展模式，从而确定合适的位置，大大节省时间和人力成本。模拟分析(Simulation Analytics)这是行动规划阶段的最后一步。模拟分析从金额和客户保留数的角度阐释客户保留计划对业务的影响。其目的是让所有利益相关方通过简单方便的可视化平台迅速模拟业务行为的影响。随着历史数据的持续输入，分析输出的准确性得以提高，从而获得更有效的业务规划见解。数据分析在客户保留管理中的未来 随着数据量和种类的不断增加，数据分析对客户保留战略的重要性将成为决定性的竞争因素，并对整个行业环境产生深远的影响。虽然汽车行业联网技术的出现已经预示了未来的趋势，一些高级分析，例如保修分析（汽车保修金额每年预计250亿美元）应该立即加以运用来帮助降低运营成本，同时提高客户满意度。如果主机厂想要打造更精简、盈利性更好、数据驱动的商业环境，并选择正确的信息制定行动计划，在每个阶段搭建稳固的分析平台显然是前进的方向。那么问题来了，主机厂们准备得怎样了？14利用高级分析管理营销支出 对营销组合的连续分析可以洞见因果关系消费者争夺之战在汽车厂商之间愈发激烈。现今，竞争不仅局限于品牌之间，还存在于不断发展的诸多交通模式，替代了购车的实际需求。对汽车主机厂而言，了解当前和潜在的客户行为、愿望和喜好变得空前重要。那些能有效控制营销支出，并提升消费者互动的主机厂就有机会赢得有购车意愿的消费者，以及那些喜欢开车但暂时无力购买的消费者。关键在于提高营销支出的管理水平，从而减少营销费用。对全球汽车主机厂来说，在产量不变或增加的情况下，营销支出下降1-2%，利润可提高15-30亿美元。市场条件的不断波动和规划的日益复杂，迫使主机厂寻求更有针对性、更有效的营销预算管理方式。否则将会付出高昂代价，甚至丧失机会。但是，为此而投入的时间、资源和工具同样成本不低，且更为复杂尤其当营销费用是车企预算和规划流程的核心，并牵涉众多不同的职能部门时。主机厂在营销预算实施时还会面临更多复杂的因素。从外部看，全球化正在推动全世界的需求，但美国、中国、印度、欧洲和巴西的消费者，以及全球各个市场对各种策略的反应不同。车企间的竞争日益激烈，各自为品牌优势、市场份额和利润增长而奋战。市场条件的波动也大大增加了营销和销售计划的复杂性，甚至可能让长期预测不再有稳定性可言。从内部看，很多汽车制造商的分析不够严谨，也没有闭环机制，因而不能评估计划的有效性。增加计划复杂性的因素包括：投资组合扩张、市场变化、新增销售渠道、以及价格不透明的挑战。被动的销售激励通常是为了应对不准确的规划预测，因此影响了品牌优势、剩余价值和利润。此外，制定可靠而完整的价格/销量和营销计划，以及实施流程，也变得越来越困难。在这些因素的影响下，汽车主机厂需要更深入地了解市场和客户，从而更有效地管控营销开支和制定决策。在汽车行业倡导营销分析2014年全球可变营销/激励成本估计超过1,240亿美元，到2020年预计将增长22%1。与此同时，全球汽车主机厂通过各类媒体花费的广告成本预计将超过500亿美元2。由于固定营销投入（如广告）和可变营销费用（如特殊融资和租赁交易）是汽车需求生成系统的两大关键要素，我们认为，正确运用广告和激励对主机厂的销售业绩和盈利能力都有重大影响。根据我们的经验，营销分析能帮助汽车制造商解答关键业务问题，包括：在设定可变营销费用时，以什么标准来确定模型和配置？按照模型和配置应该投入什么（除了弹性elasticities）来确定激励计划的方式和程度？应该怎样设计激励，从而加强特定模型的其他需求生成策略？应该采取什么措施，确保激励只用于那些必要的配置？作者：何马克博士，德勤中国汽车行业管理咨询主管合伙人。Kevin Mercadante，德勤美国战略与运营咨询高级经理。1 IHS Inc.2014年汽车行业数据;U.S.auto sales predicted to top 16 million in 2014-with profits,AutomotiveN,2013.2 Advertising Age estimates 201415汽车行业的大数据与分析 怎样衡量计划的有效性（例如，销售目标、利润目标、投资回报等等）？可变营销费用和固定营销投入应怎样正确组合才能推动盈利增长？有哪些现有的闭环机制和工具来修订广告和激励计划？怎样衡量这些计划的投资回报？助力汽车制造商控制营销开支根据我们的经验，用统一的指标制定激励计划有助于主机厂改进战略规划，并提高可变营销费用的回报率（例如，销量增长、单位成本降低等）。战略规划和绩效管理流程的关键在于持续的营销组合分析，可以确定并衡量能有效推动增长的激励计划。营销组合分析旨在量化营销活动对销售额和销量变化的影响。用数据建模方法来评估一段时间的销售、营销和宏观趋势。经过长期全面实施，营销组合分析也可以支持特定情景的营销计划、投资组合预算分配、绩效预测和媒体优化。这样一来，主机厂就能通过统一的绩效指标同类对比所有的营销和媒体投入，从而推动问责。此外，营销组合分析还有助于量化宏观环境因素（例如天气、经济等）对营销的影响，进而公平评价营销和其他因素对销售的影响。严谨的数据驱动型方法为主机厂带来的好处还包括：对绩效管理提供战略和战术指引；为全面营销计划提供指引；支持投资组合管理；支持因果预测。在这些好处当中，我们认为问责最重要。通过问责，可以明确推动销售增长的活动主要通过判断营销对销售变化的影响，并衡量营销开支的有效性，从而指导绩效管理工作。然后利用这些见解积极推动基于情景的规划和业务预测工作，从中获得更多好处。汽车制造商在考虑营销组合分析时，重点在于根据业务需要以及可用的数据来调整方法，方法包括：高层面的战略分析，可衡量营销的整体有效性；通过营销活动和模型/配置进行更细微的优化；以及区域和经销商层面的方法，可带来区域和市场层面的反馈。汽车营销人员的角色正在演变“大数据”的日渐可得以及汽车业高管能用的数据分析，将继续从根本上推动汽车营销人员角色的演变，逐渐向零售、电信和银行业的营销人员靠拢。营销人员在考虑通过数据分析加强营销策略和开支时，可以扮演四个主要角色。包括成为客户体验的拥护者；成长和创新管理员；营销设计师；以及高效营销运营与投资的推动者。已经有客户通过数据分析扮演以上各项角色，实现了重大价值。有位客户应用了所有的四个角色，公司通过数据分析支持客户体验，客户保留率提高了15%，客户满意度也上升了7%。通过数据分析获得的洞察，提高了该公司推动创新的能力，还实现了650%的年增长率。收入、销量和销售额分别提高了100%、20%和62%。最后，还利用数据分析进行运营优化，营销投资回报率提高了15%，代理费用节省了20%。对于汽车公司来说，采用以上同样的方式，更容易达到同等效果。未来有什么？汽车制造商正迎头赶上，用数据分析获得有关客户以及有效管理营销预算的见解。零售和银行业已经运用了多年。操作得当，汽车广告和