MathArt | 车企降本增效三大创新场景

2018年中国车市以负增长惨烈收尾，2019年的中国车市面临前所未有的变局。对于已经在市场上的车企无疑是销售热战的一年。

销售战争的一个必备特征就是价格战，在激烈的市场竞争中，价格战是不可避免的，尤其是在消费信心不足的经济低潮期，消费者的价格敏感度升高，价格对销售的促进效果更加明显。

但是，在存量竞争的大环境下，价格战并不能带来销量倍数增长，因此，依靠价格倾销而实现规模成本下降，达成高成长下的新成本平衡是不可能的。

在存量竞争市场上，有能力在价格战中最终获益并胜出的玩家一定是有更优成本结构的企业，是不以牺牲产业链上下流合作伙伴利益为代价的有品质的成本优化，是通过创新手段以更高效率减少整个制造与销售环节无效的间接成本为特点的降本增效。

 

2019年也是造车新势力开始进入大规模交付的一年。对于“新势力”们也是一样，有能力实现首批产品的批量交付，只是证明了从零到一的能力，也就是有能力把一家汽车企业的关键业务跑通的能力，标志着从商业模式的投资期开始进入运营期。接下来是漫长的征途，实现从一到百，学会生存，成长到卓越。

这整个商业模式生长过程中，有一点是最核心的，就是赢利能力。如果成本结构本身是不具有赢利能力，产品再酷，成长再快，模式再新，最终都会被市场规律淘汰。

对于正式进入战场的“新势力”而言，降本增效同样也是非常关键的生死环节。“新势力”虽新，但其创始团队与管理层基本都是行业内经验丰富的专业人才，企业内部的管理体系相对比较完整，并不存在上一轮新玩家草莽创业时的相当可观的管理体系优化空间。

因此，“新势力”也必须利用新技术来实现降本增效，而且作为束缚更少的新创企业，在利用新技术新方法上更有后发优势。

 

在追求价格优势的同时，还有一个重要的社会新趋势对汽车消费的影响非常大。那就是以从小衣食无忧的90后为代表的消费主力越来越重视消费品质与用户体验。

整个社会在从成长期的性价比经济向成熟期的体验经济开始转型。这个趋势的影响，从2018年价格处在最低档段的低品质车型销量大减，而入门级豪华车型成为增长亮点就体现得非常明显。产品力，性价比依然重要，但是权重已经没有以往绝对了，消费者的体验品质的重要性在上升。

因此，更好地提升消费者在购车用车整个生命周期中的品质体验将开始成为车企的竞争生存核心能力。而且从长期行业趋势的角度，汽车行业从以产品为中心向以用户为中心的转变，要求车企必须具备精准高效的客户服务能力。而这方面的效果提升，在激烈存量市场竞争的前提下，一定不能以靠资源与成本投入的增加为主要手段，更多的还是利用新技术新方法，以创新的方式实现成本优化前提下的客户服务能力升级。

 

过去10年的中国是新技术成熟与社会升级最快的10年，可用于赋能车企探索创新实现效率提升的技术与方法是全方位的。数策从一家行业数字化技术公司的角度，更多看到的是对数据应用的技术升级与社会进步带来的整个行业效率创新性提升的可能。

 

汽车行业的信息化与数字化在整个制造业一直居于前列，过去10年，汽车企业的信息化系统建设进展非常大，主流车企的关键业务流程基本都实现了信息化管理，这就为数字驱动决策与运营提供了最基本的数据基础。

尤其最近几年，车企的数据维度不断丰富，应用场景不断增多，尤其是移动互联所带来的客户直联互动、车联网带来的轨迹与传感器数据的指数增长，以及沿着摩尔定律曲线变化的海量数据处理成本的下降与芯片算力的提升，人工智能算法的快速演进成熟 ，使得以前很多没有数据可算，有数据却算不起，算不动，算不准的制约因素大量消除，以数字驱动运营与决策，以数字大脑辅助高级专业人员的大脑从“上帝视角”进行全局变量计算与优化的大门正在打开。

中国车企的智能营销与智能制造时代正在到来。

 

迎接数据智能新时代，最先要搭建的是一个能够支撑全面业务链条的智能化运营数字中台。这个数字中台对后端要对接所有的业务数据输入，同时也要联接所有业务流程系统实时输出智能计算结果；数字中台本身要打通所有的业务数据逻辑，并具备完整的模型计算框架支持数据的快速调用与模型的灵活训练；数字中台的前端，要有灵活快速的接口支持各种业务探索的快速反应与外部系统兼容。

简而言之，一个创新的数字中台，向后充分调用后台系统能力，向前灵活支持业务快速探索，最终实现数字驱动对业务优化创新的支持与快速迭代完善，支撑车企在智能营销与智能制造的多种需求。

 

一个高效的企业智能化运营数字中台，应该既能支持前端客户需求的多样性与市场发展的快速变化——满足更快的市场响应度，更精准的客户营销，又能充分利用车企在营销、生产、物流端有计划、高效的使用资源——在效果最好与成本最优两者之间实现两端兼顾。

 

从概念与技术的角度描述智能化运营数字中台对业务优化以及数字驱动运营的逻辑与功能，对于多数行业人士而言过于枯燥与生涩。以下，我们就以在这个平台之上，所支撑的众多业务创新场景中举三个场景为例，希望能给大家一些更感性生动的说明。

 

我们从2019年车企最重要的业务挑战出发，选三个重点业务场景：一、提升新车销售效率，保持并抢夺市场占有率二、从经销商售后利润入手，提升整个销售生态体系的赢利能力。三、从制造计划管理入手，提升资源优化使用率，降低间接制造成本，提升市场需求反应速度。从这三个业务场景出发，我们详细描述对应的数字驱动算法应用是如何以创新的方式实现降本增效的。

1、智能线索催化器

随着互联网的快速发展，越来越多的购车用户通过线上触点获取汽车信息并与品牌、经销商进行互动。针对这部分线上流量金矿，陆续有品牌及经销商成立网电销团队（DCC）进行开发挖掘。

然而，线上线索来源于不同的客户触点和媒体渠道，线索质量高低难以判别，尽管线上投放逐年增长，但线索转化率却在下降。在汽车行业初级线索中，甚至存在大量的虚假流量，以及大比例的低效流量。

很多车企花费不菲的牵头去垂媒集采线上线索，但线上带来的虚假和低意向线索，反而引起了经销商对总部的抱怨：下发线索质量太差，浪费人力物力。

 

当线索量大时，DCC专员无法及时跟进所有线索，部分高质量线索无法及时跟进，导致优质客户被浪费。当线索质量参差不齐时，外呼人员外呼屡次碰壁，工作积极性低下。

那么线上有效线索的低利用率是否就真的无解可循？实则不然。

 

解决以上问题实际上可以借助于一个科学的智能线索催化器，基于机器学习算法模型，通过线索提纯与线索评级这大模块来实现。

 

在充分分析完线索的历史数据之后我们发现，如果只使用内部数据，模型的整体提升效果大约在30%-50%左右，实用性还不足以驱动业务改变，因此我们开始着手为这个场景挑选合适的外部数据。

 

通过结合场景的应用属性，分析后我们观察到购车前客户的浏览行为、消费能力、活动范围、兴趣爱好等外部数据对线索提纯评级是有效的。这些标签除了可用于建模外，还可以作为用户画像通过数据管理平台系统下发，使得DCC人员在外呼前对客户拥有初步了解和预判，提前组织语言从而进一步提升邀约进店率。

 

实践过程中，我们通过数据分析发现，客户归属城市与经销商所在城市不一致的线索入店和购车概率较低，而通过与DCC团队的访谈，也证实了这一结果。更有趣的是，DCC专员一直认为职业是一项判定线索是否有能力购车的重要指标。但通过数据分析显示，与职业相比，该线索常住的小区作为判断线索的消费能力和入店的可能性更为有效。

  

数学模型即便复杂，在落地使用时也应该具有用户友好性，通过线索提纯这一步操作，DCC人员能够有效减少分配给低意向线索的跟进时间，甚至我们建议在同时段内最后外呼此类线索，或者通过外呼机器人进行初步联系筛选，这样可集中优质精力优先跟进高意向线索。

 

对于DCC经理而言，模型评判结果可作为线索质量好坏的重要参考依据，根据高中低线索等级，分别制定奖惩机制，既可以客观评估DCC专员的个人能力和跟进效率，亦可以公平公正的制定绩效机制。

 

智能线索催化器可以提供标准数据传输接口以及简单易懂的使用逻辑，并通过建立良好的数据反馈闭环机制，保存完整且有效的业务过程数据，为模型迭代和流程优化提供有效的支撑依据。通过提供可灵活配置的系统集成及数据接口方案，智能线索催化器可将部署落地时间缩短到数天。

 

数字化时代，“点数成金”已不是妄谈。通过利用数字化的动态反馈机制形成数据闭环。通过精准的电话沟通就可直接邀约客户进店，重塑4S店在客户心中最信任的汽车顾问专家身份，并不是可望不可及。专业形象的塑造本身就是个费时费力的工程，通过对无效线索的有效剔除不仅会加速助力车企以及4S店的形象塑造，更高的到店率势必会刺激销量的进一步提升。

2、智能售后推荐引擎

移动互联快速升温和发展，让整个消费市场的秩序面临着颠覆性的调整，消费者的诉求、认知与习惯都发生了颠覆性的变化。车企不仅需要推出能够满足消费者需求的产品，还需能够为趋于年轻化、并不专情的消费者提供“千人千面”的优质客户体验。

 

然而，对很多4S店而言，由于缺乏有效的客户画像与个性化的售后服务推荐，无法精准获取邀约名单和邀约策略，导致很多售后服务顾问无法实现“千人千面”的客户运营，造成客户服务体验差、回厂频次降低、售后产值降低。因此，如何降低服务顾问门槛，提升服务专业度，成了近些年4S店亟待解决的运营难点。

 

通常来说每款车都会配备保养手册，帮助车主更好地了解车的性能与保养注意事项，然而，客户的实际维修保养习惯与保养手册往往存在很大出入。而且，不同车主间的保养习惯也并不一致，这导致零件的磨损老化程度存在差别。由此，不同车的零件更换周期也有很大差异。

 

目前，大多数售后服务顾问在接待客户过程中，往往很大程度上依赖于自身的个人能力和行业经验。这往往造成在给客户推荐过程中，出现推荐内容不匹配或者过度推荐等问题，导致客户服务体验差，认为车辆没有维修好或者产生被“宰”的想法。

 

这时，如果能够利用大数据技术手段，通过算法计算出每个客户对于维修保养，甚至一些金融衍生品的精确需求，将能够有效实现客户的售后精准化运营。具体运作方式我们来通过一个场景案例来探索，经销商端的售后服务顾问如何通过移动端的APP，进行售后智能推荐：

 

目前，售后维修保养的基本流程是前台接待进站车辆进行引流至服务顾问，由服务顾问带领客户进行车辆预检，随后再通过PC端的DMS系统查阅客户历史维修记录，并结合客户沟通询问来综合判断给出维修建议，在和客户达成一致后，服务顾问才会开出维修单。然而，这整个售后维修保养流程继繁琐又低效，客户的等待时间较长，体验感较差。

 

创新的模式是采用移动前端+后台智能大数据，首先可以简化整个接待-开单流程：车主进站时，维修站直接通过车牌扫描，自动通知服务顾问车辆进站，同时后台利用工具整合大量用户历史数据，推送由大数据计算出的维修建议，并把计算后的标签以可视化的方式直接呈现给服务顾问。

随后服务顾问根据上述推荐建议和客户沟通，达成一致后，勾选推荐项目直接在移动端开出，从而简化整个流程，大大节约客户等待时间，提升客户体验。同时，提高了售后服务与产品的推荐频次与准确率，带来了高毛利的售后业务收入的明显提升，有效地增强了经销商的单店赢利能力。

 

在面对客户时，门店通过建立数字化流程，并进行实体化改造，从而建立新的客户服务思维。而智能售后推荐引擎将是助力经销商增强数字化服务能力，提供更优的客户体验，提升更好赢利能力的重要利器。

3、智能生产整体优化平台

上述提到的智能线索评级产品与智能售后推荐引擎，主要是通过提升运营效率实现精准营销、客户服务的体验升级。那么，在智能制造方面，车企又该如何实现精细化计划和精益化生产，在保证质量的前提下又降低生产成本呢？

 

当车企开始由单纯的产品竞争过度到技术、服务、知识和物流管理全方位的竞争时，从采购、生产到销售，供应链体系在整个过程中所占的地位越来越重，车企也自然会对供应链优化提出了更高的要求。

 

通过智能化运营数字中台之上搭建智能生产整体优化平台，将生产计划的决策点从计划执行层前置到需求计划层，直联需求端的订单系统DMS(经销商下单)/SCRM（电商平台定单），提供各种场景模拟下的应对方案，以更少的代价应对供应链波动，同时基于ERP丰富信息资源和MES的执行信息，助力车企实现生产过程整体优化及自反馈。

 

智能生产整体优化平台将精细化计划与精益化生产相结合，把计划自动分解到最小生产单元，定义和管理订单优先级，实现快速的插单、撤单等特殊情况的处理，避免因异常现象导致计划无法实现难以调控。而通过对各种假设条件进行生产计划模拟试算，可以提前得知产能、物料是否足够支撑决策，从而量化策略产生的利润和成本，帮助进一步优化制定决策。

此外，智能生产整体优化平台还会利用各工单在不同设备、工位的自动化排产，对排产结果进行优化，输出具有高度配置性和定制性的排产规则。  

 

考虑到车厂的供应链长且复杂，智能生产整体优化平台的优势在于能够在计划层面，实现生产、需求、物料等计划的自动闭环，使得一旦计划层的任何一个参数发生变化，所有相关的计划都能够快速做出自动调整，进而提高供应链的敏捷度。

 

在计划层方面，在制定计划时，就将供应链成本考虑在内，并通过生产、需求和物料一体化的计划平台，模拟出最优成本和多个次优成本下的计划安排。通过模拟市场的波动，不断对预测进行滚动更新，来提高预测计划的准确性，再基于大数据算法对预测进行优化，将有效帮助进行合理采购，从而有效地在规划阶段降低供应链成本。

 

相比于将模拟作为排产排程的辅助功能（例如通过排程进行交期评估）的传统生产优化系统APS，智能生产整体优化平台作为决策支持和排产平台，模拟的目的主要为了制定精细化的计划——除排产的功能外，还强化了决策模拟和支持功能。另外，APS计划执行层面的模拟提前期较短，仅能够解决燃眉之急，无法辅助决策者制定长期规划。

而事实上，除计划执行层面的模拟外，需求计划层的模拟对供应链而言也是必不可少。智能生产整体优化平台通过对需求计划层的模拟，直接对接上游电商平台（SCRM）及下游企业资源规划系统ERP，以降本增效为导向进行需求计划、物料计划和生产计划各个场景的模拟，并结合上游需求和下游生产限制，计算出最优的应对方案，从而在较长的提前期下以更少的代价做好计划层的规划，以应对供应链的波动。

 

通过智能生产整体优化平台，实时联接协同三大计划（市场需求计划，生产制造计划，物流供应计划），实现全局生产要素与约束条件的整体优化，一方面可以对规模批量制造实现间接生产资源成本的有效下降，另一方面，也可以实现在生产有序成本可控前提下的个性化定单的快速生产交付。

 

智能线索催化器、智能售后推荐引擎以及智能生产整体优化平台，作为车企智能化运营数字中台的三个典型应用场景，都是在快速反馈中自我迭代提升，帮助车企构建既开放又闭环的数据自我成长系统。

 

以上关于智能化运营数字中台以及应用场景的描述并非纸上谈兵。事实上，我们通过与多家在大数据智能探索处于先锋的车企进行合作实践，车企智能化运营数字中台在营销与制造方向的降本增效，以及以客户为中心的升级转型优化场景中得到了初步有效地业务绩效验证。我们也相信，数字驱动决策与运营将越来越深入地有效帮助车企，进行汽车全生命周期的资产运营，构建汽车新消费生态，助力产业升级发展。

 

2019年，一个寒冬已至、剩者为王的存量竞争新时期，增强“冬季”生存能力也许是汽车行业所有参与者的必要选择。面对车企从“产品”为核心的产权交易传统模式、向“用户”为核心的用户运营和资产运营的新运营模式进行转型的选择，以及对效益最大化、成本最低化的追求，传统的营销和生产模式已不足以满足车企寻找新的增长点的需求，只有有效利用最新的技术与社会进步，以创新的方式实现运营模式的优化以及以客户服务为导向的升级，用有限的预算成本去撬动无限的需求，才能更加适应车市寒冬的严峻形势。