汽车行业现状和痛点分析

1.烟囱式的系统建设阻碍业务发展

烟囱式系统产生的原因有以下三点：

车企会有多个供应链厂商，不同厂商设计存在系统边界，致使每个业务线中间有同样的模块，从而导致重复开发；
技术栈不统一，这会造成公司内部IT架构无法统一规划，且技术能力难以积累的问题；
数据分布广，格式不统一，导致数据难以打通。

2.业务分析效率低

目前汽车行业面临业务分析效率低的问题，可以归结为6大症结：瘫、乱、重、慢、缺、难。

瘫：一次大型活动，比如新车发布会，会需要市场部门、品牌部门、销售部门等各个部门协同工作，但每个部门有各自的系统，各系统来自不同的服务商，系统分散，能力无法互通；
乱：数据分散在各个系统，数据口径不统一，定义不清晰，就会导致数据不准确；
重：很多报表停留在excel阶段，需要大量人工工作，数据统计耗时费力；
慢：各供应商交付的系统没有很好的扩展性，没有整体考虑性能问题，难以快速支持业务创新；
缺：各部门各自为政，没有统一标准、统一规划，缺失统一的管理组织；
难：发布会结束后统计ROI，发现线下车展数据缺失，仅可统计线上投放部分ROI，导致评估困难。

指标体系是数据中台的价值引擎

汽车行业的生命周期包括研发、制造、营销和用户体验，数字化转型涵盖了这四个环节，底座则是数字化中台。本文将从数字化营销的视角，来讲解指标体系的搭建。

1.数据中台发展历程

第一阶段：数据库阶段

主要是OLTP （联机事务处理）的需求。例如MySQL、PostgreSQL、Oracle等，数据来源主要为各业务系统。

第二阶段：数据仓库阶段

OLAP（联机分析处理）成为主要需求，例如Hive、Greenplum、HBase、ClickHouse等。在使用OLAP进行数据分析时，需要对原始数据进行维度建模，之后再进行分析。维度建模理论中，基于事实表和维度表构建数据仓库。在实际操作中，一般会使用ODS、DW、AD三级结构。

第三阶段：数据平台阶段

典型的代表为Hadoop，针对海量数据，主要解决BI和报表需求的技术问题。

第四阶段：数据中台阶段

数据中台的概念由阿里巴巴首次提出，它的目的是将企业沉睡的数据变成数据资产，从而实现数据价值变现的系统和机制。通过系统来对接OLTP和OLAP的需求，强调数据业务化的能力。

2.通过数据中台为精准营销提供数据支撑

整体架构如下图所示。包括业务应用、数据产品、数据治理、数据源四大部分。如需此图的PPT原件可联系作者

(1）业务应用

市场营销：媒介投放——垂媒（汽车之家、懂车帝、易车网）、社交媒体（微信、微博、抖音、小红书、B站）、转介绍、线下活动引导APP形成私域流量池

线索转化：流量池汇聚到统一的线索库，线索库下发4s店/直营门店，销售伙伴线索跟进，邀约试驾，大定转化

车辆交付：上牌、保险、车饰等环节

售后服务：主要是围绕修车的场景

(2）数据产品

第一阶段：经营决策支撑

基于业务梳理建立数据指标库平台，通过指标体系对关键指标全链路业务进行下钻分析，生成经营分析报表/决策数据大屏，支撑经营决策。

第二阶段：数据资产化（CDP）

通过CDP沉淀用户全生命周期的标签数据，去更好地做精准营销。

第三阶段：数据业务化

通过CDP对数据指标的沉淀进行应用，推出用户画像、精准营销等服务。

(3）数据治理

是整个数据中台核心的平台层，参考了阿里的数据中台架构，通过OneID、OneData、OneService来实现底层架构和基础能力的搭建。

(4）数据源

包括客户数据、营销数据、售后数据等。

整个数字化营销数据中台，搭建了一个可复用的数字化的能力，包括数据治理能力、数据资产化能力、数据分析挖掘能力、数据可视化能力和数据业务化能力。

指标体系是数据中台的价值引擎

指标体系相当于中台地基的血肉，为不同角色用户提供数据决策支持，实现数据驱动业务。

最上面是企业级KPI，主要为经营类指标，帮助高层和决策者进行决策。作为管理者更多的是看结果。
下面一层是部门级KPI，包括销售、交付、售后等指标。中层主要是对数据进行监控，发现业务问题。
最下面是运营层KPI，基层专题运营重点是看细节评估运营活动效果。这里需要通过运营相关指标进行自助分析，定位问题细节。

指标体系建设方法

1.梳理业务目标

整合数据资产，贯穿汽车全流程全场景营销，围绕着客户全周期行为触点，在合适的场景下，选择合适的媒介，向用户传递合适的内容，实现与用户的高效沟通，将大幅节约沟通成本，实现营销效率和效果的双提升。

下图展示了车企消费者洞察及营销策略流程全生命周期五大流程：关注、线索、成交、转介绍、服务。总体目标是：营销策略研究，在每个环节都有各自重点目标，例如关注阶段重点投放策略、内容营销等。

2.指标方案设计

指标体系的设计是与业务强相关的。下面介绍如何依据海盗模型搭建车企指标体系。首先对车企业务依据AARRR流程拆解成关注、线索、成交、转介绍、服务五大环节；再通过指标维度与数据来源确定完成指标体系设计。

例如线索环节，数据指标包含历史线索数、新增线索数、线索的跟进处理数等；数据维度包含来源、状态、时间、区域、经销商等；数据来源为客户管家。

3.指标开发

不仅要注重底层指标开发建设（原子指标、派生指标、衍生指标）还要关注指标开发链路（实时指标、离线指标）。

底层指标开发建设：指标的组成要素决定了指标的生产逻辑。根据组成要素、生产逻辑的不同，数据指标可被分为原子指标、派生指标、复合指标等类型。其中原子指标，指的是对某一业务行为事件的度量，比如历史线索数、新增线索数、线索的跟进处理数；派生指标，指的是基于原子指标进行维度、统计周期或过滤条件的派生，比如近一周的历史线索数、上一年的历史线索数等；而复合指标就更为复杂，一般是对多个指标进行加减乘除等运算得出，比如2022年月平均GMV、投资年化收益等。

开发链路：主要介绍下阿里云大数据套件下的实时和离线指标的开发链路；实时指标开发主要采用DataHub+Flink+Hologres；离线指标主要采用MaxCompute+ Hologres；在整个指标开发的过程中基于不同场景的需求指标的更新频率不一样，比如大定量最好是实时，帮助业务实时知晓全国、大区、城市、门店的大定量；比如生产环节相关的指标就不一定需要实时，小时级更新即可，这时用离线指标即可。

4.指标管理

之所以需要做指标管理，主要因为存在同名不同义、同义不同名、口径不清晰、来源不清晰、逻辑不准确等问题。

指标管理大致可分为五个步骤：

建立指标生产协同机制：指标的诞生要经过需求申请、审核、数据开发、上线应用流程，收口指标创建过程，避免指标建设的随意性带来的“污染”。
制定指标命名、口径说明规范：按照原子指标+业务限定+统计维度的方式，将规则集成到平台内，通过系统规则来把控指标输出。
指标字典线上化：解决线下文档(excel)管理指标存在的共享难、更新不及时、权限管控缺失等问题。
指标数据逻辑绑定：即除了维护指标的业务元数据外，还要建立指标的技术元数据，指标数据从哪个模型、哪个字段、何种计算逻辑得到。
指标输出：指标管理最大的价值还是为数据产品提供数据输出。

5.这里主要介绍类应用。

（1）移动看板：管理层经常会使用移动端看板，会有很多定制化需求。

（2）PC看板：更多的是面向业务人员，要求更高的灵活性和便捷性。

（3）决策大屏：比如管理驾驶舱、经营驾驶舱。

案例分享

案例1：车企业务数据洞察——销售全周期分析

针对经销商、区域等多维度对销售全周期客流、线索、潜客、订单等各个关键环节进行数据分析，通过试驾率、建卡率、保有客户转化率等一系列指标透视整个销售环节，找出其中的薄弱环节，有针对性的进行策略优化、方案改进。

案例2: 数字沙盘，助力业务洞察市场行情

数字沙盘分为两个部分进行指标建设，达到知己知彼提升市占率。

一是竞品指标：通过了解市场行情、市场容量、掌握市场动态等，预测发布车型市占率。

二是自身产品指标：通过对客源、潜客、订单等流程梳理、再经过多维度数据分析,定位销售劣势，优化销售环节。

本文来自公众号：松哥聊汽车数字化

车企数据中台指标体系建设方法论