在7月11日，以“D造客户生态”为主题的“2019（首届）中国汽车客户生态高峰论坛”上，北京理工新源信息科技有限公司技术总监陈奕昆为大家解读了“大数据时代下汽车企业数据运营思路”。
他表示，在逐渐从以产品为核心转变为深入持续地以客户为核心的过程中，汽车企业要逐渐形成新的战略重点，建立新的工作方式，这其中最重要的一点就是如何将“车辆运行实时监测数据”的价值进行挖掘和赋能。
如下是他的演讲实录：
非常荣幸“D造客户生态”的邀请，我能够参与这个论坛，跟汽车界的朋友分享我们新源汽车生态的认识和见解。今天演讲的题目“大数据时代汽车企业数据运营的思路”主要分享四部分：第一部分，会跟大家分享整个汽车产业界目前发展的一个现状，以及下一步在整个新能源、电动汽车未来下一步15年发展一个大体的方向。第二部分，我会分享一下我们从2015年截止到现在我们整个新能源汽车国家平台数字化建设的一个历程以及我们自身思考的一些思路。第三我会挑四个案例，从四个不同的角度跟大家分享一下我们在数据化输出一些真实的场景，以及管理的一些价值。第四部分会跟大家介绍一下数据运营以及实施。
一、汽车产业发展现状
从去年开始，中国整个市场30年来首次销量下降，这个下降趋势一直蔓延到今年年中，可能会持续到今年年底。在此背景下，大家同样可以看到新能源、电动汽车的持续增长还是依然保持一个较快的增速。
在2018年，全球的销量是241万辆，去年整个中国新能源电动汽车销量是125万辆，环比增长61%，占总销量的4%，全球累计销量564万辆，中国占比52.8%。
从2015年50万辆，预计到今年会达到160万，以及后面的计划，2020年达到200万辆的销量，保有量达到500万辆。以及之前在博鳌论坛发布的一个共识，到2035年全球新能源汽车市场份额达到50%。这个观点，大家未来电动汽车的爆增时代，我们要做好充分营销，以及充分服务的准备。
电动汽车的变革、电动汽车的革命，会带来三个大的变革的协同。
首先是能源革命，因为能源革命主要是两个能源，现在汽车、油这一块的能源，我们国家是有限。目前在主要的能源里面第一是电能，大家也知道所有的消费品、用的电器大部分来自于电能，因为电能的来源多种多样，在国家出现任何问题的时候，其实电能的供给我们是能够自给。
第二是氢能，氢能在世界中国资源占有量占到全球的30%，每年我们浪费的氢能加起来有500万吨，500万吨可以支撑2030年100万氢燃料电池汽车的所有能源的供给，所以在这种大背景下，未来电能和氢能的能源革命后年15年的能源革命的发展。2035年电动汽车1500万辆氢燃料电池国家示范的规划大概100万，在这种情况下我中间写了一个500公里，是一个电动汽车和氢燃料电池汽车的成本临界点，500公里以下是更加适合电动汽车的一个全生态全周期的发展环境。
随着国六今年的推出，燃油汽车制造成本的提升，在电池技术不断地改善和提升的同时，一直到2025年会产生一个市场的又一轮爆发。为什么这么说呢？在2015年电动汽车的权声明周期从制造、运营到后面的报废必然有车更具性价比，所以这里会有第二轮的爆发。
这种爆发的情况下，写了一个智慧交通，在交通领域，目前中国整个千人汽车保有量是160台，跟所有的发达国家还存在2-3倍的差距，这个数据证明中国人的出行需求，现在还远远不能满足的环境因素有多种，有目前的交通情况等等情况，但是后面的共享汽车会作为一个新的运营模式、新的生态解决出行的刚需。所以，这里面提到未来共享汽车要解决的一个目标是人工里成本下降45%-82%。这是一个大的需求，也是未来电动汽车的发展，是一个阶梯爆增式，所以我们要做好充分的准备。
这里面大概介绍一下，现在我们新能源汽车国家监管平台已经接入电动汽车235.64万辆，用车接入占比达到77.5%，这是一个很关键的数据，因为一开始的时候示范运营商用车的占比是更多，更多是政策驱动、公交场景、示范运营的主要场景，77.5%逐步验证了市场和消费者逐步接受新能源电动汽车。
目前在整个市场化之后，慢慢从之前政策驱动的北京为首，慢慢迁移到广东，广东目前的不管是在乘用车、客车，乘用车排第二名是北京、浙江、上海、山东，而且我觉得后面随着市场化的发展上海以及广东、浙江会持续占用前四。
客车领域排第一是广东，第二是湖南，第三是江苏。
专用车领域更多是跟物流相关，第一是广东，第二是安徽，第三是湖北。
我们真正分析了从刚才乘用车77.5%里面真正购买新能源电动汽车的主要原因构成如何，这里面我分了三部分：第一是限行限购的城市，通过政策手段、路权手段引出一些刚需，总共是25%。第二是很多集团购买的，也是政策的鼓励。很多国企、央企、企业购买，集团购买、企业购买占到34%。但是刚需41%，这个占比我们觉得还是非常好的，因为这一块是普通的消费者逐步正在逐步接受新能源电动汽车，刚性需求在逐步增长的趋势。
在限行限购，目前是第二辆车新能源电动汽车的一个补充车辆，是消费者比较大的刚需之一。
在服务层面，我们做了大量的调研，目前其实真正的阻碍新能源电动汽车消费者的用户体验，主要是充电桩充电、能源的供给，以及充电时间，说白了更多是找桩匹配。所以，我自己尝试过开新能源汽车找三个地方充不上电，这是很痛的一个痛点。
针对痛点我们看了一下，现在在整个业内有两种模式，第一模式是类似于特斯拉、蔚蓝、小鹏这种新造车势力，他们走的是，自己资本、自建充电站、自建充电桩、自建VIP充电服务，去给自己的客户提供一个最优的充电服务，保障他们的充电需求和充电效率。
当然在第一种情况下，用户体验是最好的，但是这个成本巨大。第二种是传统车企，传统车企更多是发挥自有的自身优势，结合现有的经销商的网络资源，再加上第三方的运营商的合作，通过多样化的合作去开展。
当然合作开展的时候也遇到很多痛点，因为我作为一个汽车消费者，能通过这种合作开展，只能到很多的运营商去做匹配和消费，这种跟专属的感觉是完全不同的，从效率和使用有很大的差异。
说到最后在汽车产业发展里面，现在更多的一些传统企业、造车企业，内部最成熟是传统的制造基因，更多的IT、DT技术端还是依靠于外的。第二是在运营方面，运营这一块是借助很多第三方的运营公司。所以这三大块的基因融合还是在磨合当中。但是在未来我们在智能汽车、智能网联汽车的发展趋势下，硬件、软件驱动更好的客户服务同时，我们必须得具备最基本的基因，才能去给客户打造一体化的解决方案。
二、数字化建设的思路
第二部分给大家分享一下，我们数字化建设过程的一个历程。最早的时候，我们在建大数据平台，是在2003年的时候，那时候比较早，技术也比较落后。我们从2003年-2018年，十多年历程总共推翻了三次，我们总共丢弃了三次整个的产品生态。从一开始奥运到最后200万的支撑能力，我们在2015年做了大规模的切换。
这里面为什么要做大规模的切换、2015年意识到传统的IT架构难以满足未来大数据的信息挖掘，所以我们从数据聚合、数据治理，以及到数据智能、数据赋能，这一块做了四级技术架构，做了一个大的更替。关于这个数据架构在海量数据收集能力方面，我们一台普通32G服务器能够达到20万汽车的收集能力，目前也是业界里面比较高的一个技能水准。
第三是跟大家数据利益紧密相关，因为我们有了这些技术的支撑支持之后，到底后面应该如何建设数字化，这里面我们总结有三层。
第一层是整车内部各个系统的打通。这里面包括生产、销售、售后、使用、报废，但是我们认为只打通这个数据，只是实现了整个数据的二倍价值的增值。也就是说，我打通了下面整一层之后只能干管理模式上的重构，管理模式上的重构只能降本，降低原有的沟通成本、效率成本，在这种模式下，数据价值是非常有限的。
第二层是打通上游和下游零部件供应商和后面的服务商，这种信息打通可以实现用户的定制化，说白了要我一个什么样的新的车样，或者是一个产品，通过这个产业链可以实现一个服务模式的重构。这个服务模式的重构一定程度上在产品营销层面就会给予很大的支撑。所以我认为第二层打通之后数据价值可以到10倍。
第三是跨界融合，在我们打通所有的场景，在我们的用场景接触到其他行业，比如这个月要去装修、可能要去某些地方干别的事情，关于一些跨界信息的融合和打通，跨界生态的构造，我们认为能够把生态的数字化做成，数据的增值可以达到50倍，甚至以上。这是我们对数字化建设三层架构的理解。
所以我们说最上面那一层可以给主机厂带来一个新商业模式的构建。这里面是我们现在正在做的，因为我们自身也收集了很多车辆的数据，仅靠车辆的数据难以通过车辆去识别出来，开车这个人现在的心理状态、出行目的、全周期的状态，所以我们要构建一个知识库，这个知识库有很多的维度。有气象的维度、城市建筑的维度、人口普查的维度、城市规划的维度、交通安全的维度、工商等等一系列第三方的维度，我们通过这个维度才能够知道这个用户真正的痛点来源于那儿，出行为什么慢了？为什么遇到问题？是交通拥堵的问题还是他个人的问题。
通过我们一系列的数字化手段，把很多的数据价值做出来之后，我们需要一个立体化、时空化一些手段把这种价值给展现出来，为此我们做了一个GPU的技术，不知道大家有没有遇到，因为我们自己电动汽车200万辆发现网页无法渲染这种生态、这种状态，所以我们通过这种GPU的计算、客户端渲染了一个技术，类似于游戏的技术，把时空化的统计，特别是大家看到最后一张图，在我们做很多战略的时候，老板更希望看到是一个时空的特征。我基于时空的特征后面怎么做布局、应该在哪里搞活动。
三、数据价值案例分享
第一我要阐述一个观点，现在大家在数字化建设的时候，更多是把所有的数据收集回来，包括四调、当时登记的、当购车的一些登记数据全部收集起来做一个用户画像我告诉大家，这样做出来的画像是不准的，有可能是四不像。画像一定要跟用户的数据活跃度相关，如果差距很远，两年前的注册信息和现在的信息勾兑起来画出来的一个画像，这个画像极其不精准。我们更多是以实时的数据为准，如果我们拿过来的静态数据跟大数据、跟实际数据脱离，已经超过1个月或者是超过一年，我还不如通过实时数据的反馈。
这是我们看到的大部分现在市面上的一些服务系统，包括TSP、其他等等，更多是没有从用户角度灌入，等下我会从四个层面给大家做详细的阐述。
我们当时只针对一个轨迹勾勒出来某个城市的一些出行人员的心态，这里面的心态有几种，两点一线的这种模式，那个工作是工作之外特别活跃的一些人，后是它原本是两点一线突然来一个月有很多的出行轨迹。我们根据这种类别做了很多的画像，这种画像是让你去揣摩出行用户的心态现状，应该给他推荐什么、应该给他推荐什么产品和营销手段，如果我刚才说的两点一线不需要打扰的人给他推广告，这样会带来他很大的反感。
这里是我们根据出行做的一些预测。比如说我们找到一个用户在4月第一周，所有的轨迹都很正常，是8点出发，17-18点返家。4月偶尔访问一些装修建材的地点，随着这个地点和出行的意向，我们统一机器学习的方式去预测，他下一步预测这种品越来越高，可能这个人极需要装修。在这种情况下我们通过车机、更好的客户服务是否更加精准解决客户现在的一些问题，这个时候是不是可以跨界跟建材做一个联合，发一行优惠券，用户指导最近哪个建材有优惠的活动。
所以由刚才的例子引出来，后面我们大数据分析，首先在车机里面应该一个多媒体，那个多媒体应该是根据用户的心情来的，如果你发现这个用户最近很烦琐，或烦恼，频繁去各种会议，在这个时候是不是通过音乐、其他什么渠道给他一些关怀。第二是个性化用，在新能源电动汽车这种车主之下更需要密切的关怀，因为在恶劣的天气，比如说下雪、暴雨、极寒这样一种天气下，是我是不能在车机那里做一些更好的服务。基于我们刚才的尝试做很多的贴身服务。回到我第一个观点，更待是基于转实时的数据做最精准的服务，而不是基于一堆数据的融合画出一个不精准的画像去进行推送。
这个是共享汽车，我们提出一个观点，现在共享汽车更多在布点的时候，更多关注是宏观信息，宏观信息在后面真正推进城市真正去运行的时候，可能会造成很大的判断失误。所以我们推出一个观点，以及我们的一个模型。从四个层面：我们认为一个共享其进入某一个城市是四个层面：第一是消费需求，包括这个城市的消费的里程、时长、质量等等，以及车辆的供应。如果这个城市里面一些政策，以及车辆是不足以支撑你去运营，在这种情况下应该是作为深度思考的。记得某出行公司就是因为这个车辆供应的政策研究不是那么透，后面导致大规模的成本亏损。第三是运营成本，里面包括了能耗、总能耗和运营能耗和空置，空置的车辆、空置的时长，以及气象、充电的环境适不适合在这里罚息共享汽车。关于这个模型以及这个报告也可以精准的测算出来。
大家看到这是某个共享汽车在整个城市的布点情况，左边布点情况，以及优化、优化过后。右边看到整个曲线、日均订单数和每公里的单价，大家看到每公里的单价上升特别多，这就是在合理驱动模型带动的应收。现在共享汽车能够做到平衡，甚至能够做到盈利的企业非常少。这是一个关键点。
第三这个可能跟运营商相关，我们举了一个例子公交，这种商用车的运营环境下有四个痛点：第一是充电的无序，体现在哪儿呢？我们找了一个厂家调研出来的数据，我们自己很惊讶，80%的车辆在50%的时候就进场充电，充电看着好像使用很频繁，但是效率极低。
第二他要做调度做做了车电分离的管理模式，车队和整车企业、充电运营企业他们互相之间的信息都是孤岛，信息都没有连通、没有互动。
第三是充电效率极低，我们看到每辆车每天充4-5次，每次充电只充5-20分钟。北京除外，电价是统一在，其他的波峰波谷的。大家可以看到这个图，这个图里面像刚才说到的，充电的时间是极其不均衡，极其不均衡调动车辆有很大的问题。大家可以看到右边有一个160%，这个时间里面非常明显，没有拔枪，这种无序的管理带来无序性。会带来什么样的危害呢？50%以上车辆是在80%的时候去充电的，大家看下面，我们挑了3辆车，大家看到在这种使用情况下最明显是下面第三辆车，每度电的充电效率是2分钟，到现在按照这种调度行为、运营模式是3.42分分钟，这证明电池衰减的极其厉害，说明这个点很快就损坏了。
其实我们的观点，我们认为要再合理的调度、精准化的调度、智慧的调度，我们这边提出一个运量能力守恒智能模型。这个运力守恒智能模型是什么意思呢？正常运营任务的情况下，公交线路和耗电的匹配关系，我根据当天的气象情况、当天的工况情况，我应该是可以测算出来，你需要用的能耗。根据这个能耗，你回来需不需要充电什么时候去充电应进行一个有序化的管理。
大家可以看到，这里面是优化前和优化后的变化，优化后单桩的使用效果上升了大概20%左右。
第三块是充电，充电也是我们消费者一个很大的痛点，因为我自身用电动汽车找充电桩找不到，我试过四五个地方都找不到，主要是什么问题呢？第一通过导航去找桩，这种很多信息是不准的。你会发现用德、用百度，因为他们的数据很多还是日常当中他们从事收集回来、采集回来，或者是转化回来的，这种信息的更新是极其滞后。我们通过高德、通过什么找到地方，很多地方根本只用充电桩，但是充不上电。运营充电桩应用信息最全，但不准。第三是聚合信息，其实信息既不全也不准，这就带来一个很大的痛点，消费者应该看那儿，我车没有电的时候到底应该去那儿。特别是充电续航很低的时候，这种用户急需应该怎么办，作为整车厂应该给客户一个最精准的充电引导和服务。
这里面提出一个观点，充电的行为识别不应该先从桩开始去识别应该先从车辆，大家可以看到，左边是基于整个城市里面所有电动汽车的一个充电行为，提取出来的一个分布图。右边是通过很多额外来的一些信息叠加起来，这些汽车的真正用点行为，我们再去甄别，到底哪些是能用、哪些是不能用的。如果我作为某某车型的一个车主，我更加希望看到基于车主这个型号在这个城市里面的充电地图，到底能去哪里充，跟我的车型是匹配的。
最后一个分享其实是比较关键的，但是我只用了一页，这个分享是我们所有运营的基础，因为产品的安全、汽车的安全是重中之重，这里面我左边写了一个基于安全事故特征库，其实是从去年到今年新能源电动汽车发生的事故有十几起，每起事故我们都有大量的事故特征库的收集。基于这种事故特征库的收集，这里面三个图是什么意思呢？
第一个图，是5月份的时候，一辆电动汽车充完电之后静止，后面是没有负电流，当时电压异常，在初始之前有一秒钟升高20度，然后发生了整个热失控自燃的事故。其实我们在整个甄别过程中，通过数据的手段能够提前7分钟能够感知出来。我们应该有一个安全预警的系统然后把模型植入到现有的主机厂的系统里面，做提前预知这种事故风险，告知用户这种事故的多发的蔓延。
第二张图是某年8月份充电过程中发生一个热失控，在发生热失控之前我们也是通过特征库出来的一个模型算法，能够在10个小时之前，能够看到它单体电压变化的异常。10个小时之前我觉得比较可观了，可以让用户做很多东西，我们客户团队可以出来解决避免这个事故。
第三个图是12月份，也是充电之后静止发生的一个热失控，其实这个车辆之前整车性能都非常好，所以我说为什么一定要植入这一块去保障这个安全呢。因为电动汽车电池有一些化学反应和物理的慢性衰变是不太一样的，是直接30分钟之后发生了一些化学变化，直接就自燃了。我们通过模型能够感知30分钟之前谈一些严重的隐患，我们做一些预判。预判之后我们右边写了马上通过故障应急系统和客户服务系统给客户一个事前的保障，而不是事后的一个处理。
四、数据运营如何实施
前面大概跟大家分享了一下，我们在数据这一块的东西。最后是说数据运营，如果你们是一个主机厂、运营企业、后服务企业或者是代理商怎么跟我们合作，怎么获取我们的能力。可以通过这种模式。
我的演讲完毕。谢谢大家！
