中國汽車行業(yè)整體上進入了慢速發(fā)展階段，汽車保有量已經(jīng)接近飽和，對存量用戶的運營成為眾多車企爭相競爭的新場域。維護老客戶，促進老客戶的價值轉(zhuǎn)化，提升老客戶的滿意度，促進其復購和推薦，成為企業(yè)運營的重要目標。

而在汽車售后市場同樣也面臨著更多的挑戰(zhàn)。一方面，受疫情影響，居民消費熱情減淡，配件銷售的大盤有所下滑；另一方面，配件終端渠道商中出現(xiàn)了諸多新的競爭者，尤其一些新興互聯(lián)網(wǎng)養(yǎng)車平臺對消費者的分流，導致主機廠配件進銷存的數(shù)據(jù)管理需要進行快速迭代。

某歐美豪車品牌的售后服務業(yè)務線，還沿用過去DMS體系，主機廠依賴于經(jīng)銷商4S店每月自主錄入的財務數(shù)據(jù)輔助決策。這種情況不僅造成主機廠信息缺失，難以準確指導業(yè)務，也導致一線4S店的執(zhí)行效率較低。大量精細的車主行為數(shù)據(jù)、配件銷售數(shù)據(jù)躺在數(shù)據(jù)庫里，沒有充分利用起來。

該品牌希望能夠用數(shù)據(jù)驅(qū)動業(yè)務，通過對車主、配件數(shù)據(jù)做銷售管理，包括做整體的配件銷量預測，以制定主機廠的采購預算表；基于車主的行為標簽，提升車主進站效率；通過算法模型，為車主進站推薦匹配的配件商品，實現(xiàn)銷量提升。

實施時間：

2022年3月啟動；

2022年5月完成配件銷量預測，主機廠對經(jīng)銷商部署實施；

2022年6月啟動第二期進站與配件營銷預測；

2022年7月完成算法模型，分發(fā)給各地經(jīng)銷商；

2022年8-9月開展線下培訓、落實、反饋；

2022年10-11月啟動工作流程的系統(tǒng)化。

應用場景

本次項目涉及到三個模型算法和業(yè)務系統(tǒng)對接兩部分。

一、算法模型的應用場景

配件銷量預測：

預測總量對主機廠每年的進貨管理、預算分配，根據(jù)市場變化，及時調(diào)整計劃，節(jié)省成本；對經(jīng)銷商4S店來說，細致到單月的配件預測，能夠給到詳細的指標，指導經(jīng)銷商的月度策略。

車主進站預測：

經(jīng)銷商4S店的電銷人員需要對客戶進行呼叫，引導其進店維保，過去電銷人員采取全量呼叫的辦法，為了達成業(yè)績額，甚至會對同一個客戶反復呼叫，反而會對客戶造成打擾，降低品牌形象、直接減少收益。

配件營銷推薦：

由于客戶一年內(nèi)進站的次數(shù)有限，通常是1-3次，因此在進站中為客戶精準推薦配件，能夠提升轉(zhuǎn)化效率。過往銷售人員根據(jù)自身經(jīng)驗推薦產(chǎn)品，難以對所有客戶進行準確判斷，通過“機器智能+銷售經(jīng)驗”的組合，能夠提升推薦效率。

二、經(jīng)銷商4S店業(yè)務系統(tǒng)對接

進站預測與配件營銷推薦這兩個項目的成果，前期通過DMS系統(tǒng)，試點經(jīng)銷商4S店通過“離線表格上傳—分發(fā)—導出”的方式，查看相關(guān)信息開展邀約與推薦。

后期將數(shù)據(jù)預測結(jié)果放在SCRM系統(tǒng)中，經(jīng)銷商4S店的客戶經(jīng)理可在移動端查看信息，在業(yè)務動作結(jié)束后，能夠及時反饋結(jié)果，實時優(yōu)化算法模型，提升運營質(zhì)量。

面臨挑戰(zhàn)

挑戰(zhàn)主要分為模型算法和業(yè)務應用兩大類。

在模型算法中，兩期項目均需要學習過去三年中實際的配件銷售、客戶進站數(shù)據(jù)，在數(shù)據(jù)層面主要存在三個方面的問題：

1.配件的數(shù)量多，車企可售配件有上萬個SKU，數(shù)據(jù)量大，全量預測噪音多，效果不佳；

2.新客因為缺少個人標簽數(shù)據(jù)，預測不準；

3.受疫情影響，在2020年1-3月份，2022年上海地區(qū)4-6月份的數(shù)據(jù)均出現(xiàn)明顯斷層，對整體預測造成影響。同時由于2022年受疫情影響深入，各地經(jīng)銷商數(shù)據(jù)出現(xiàn)異動，需要做多元分析。

在實際的業(yè)務應用中，由于數(shù)據(jù)治理和算法成果需要跟一線的銷售人員使用，且進站、交易的環(huán)節(jié)發(fā)生在線下，數(shù)據(jù)反饋的周期長、精度差，對算法優(yōu)化造成挑戰(zhàn)。為了推行項目，需要跟業(yè)務人員做密切配合。因此項目組需要深入到4S店進行培訓、持續(xù)溝通，以保障數(shù)據(jù)輸入、輸出的準確性，才能夠確保項目的有效性。

同時由于一線銷售人員學歷水平不高、數(shù)據(jù)意識與技能薄弱，對于數(shù)字化工具存在排斥心理。項目開始時，預測結(jié)果是通過離線的表格人工導入到DMS系統(tǒng)中，由銷售負責人閱讀并下發(fā)給銷售人員。這一階段會有一定的信息磨損，后期通過SCRM工具，實現(xiàn)系統(tǒng)直發(fā)、過程可見、快速反饋。

數(shù)據(jù)支持

數(shù)據(jù)為該車企過去3年的經(jīng)銷商私域數(shù)據(jù)：包括DMS（經(jīng)銷商管理系統(tǒng)）、DCC（撥號控制中心）、配件電商商城數(shù)據(jù)。一共有約幾十萬個用戶id、上百個字段、約千萬行數(shù)據(jù)。

數(shù)據(jù)獲取階段：與客戶系統(tǒng)進行對接，部署算法環(huán)境。

數(shù)據(jù)清洗階段：對客戶表結(jié)構(gòu)進行清洗，對缺失、異常值進行處理；對不同的表結(jié)構(gòu)進行匹配，將車輛VIN碼為唯一識別碼，打通數(shù)據(jù)。

數(shù)據(jù)分析階段：對該品牌過往數(shù)據(jù)做總體分析，分析品牌基盤、整體趨勢、波動情況、營銷活動效果等做出整體評估。

建模階段：根據(jù)以上步驟的結(jié)果，建立預測模型，將歷史部分數(shù)據(jù)作為訓練集，預測車主進站、購買配件的概率。根據(jù)業(yè)務需求，持續(xù)優(yōu)化模型。

應用技術(shù)與實施過程

一、前期準備工作

數(shù)據(jù)獲取階段：與客戶系統(tǒng)進行對接，部署算法環(huán)境。

數(shù)據(jù)清洗階段：對客戶表結(jié)構(gòu)進行清洗，對缺失、異常值進行處理；對不同的表結(jié)構(gòu)進行匹配，將車輛VIN碼為唯一識別碼，打通數(shù)據(jù)。

數(shù)據(jù)分析階段：對該品牌過往數(shù)據(jù)做總體分析，分析品牌基盤、整體趨勢、波動情況、營銷活動效果等做出整體評估。

建模階段：根據(jù)以上步驟的結(jié)果，建立預測模型。

二、配件銷量預測

配件銷量預測的總體思路是用單ASC閱讀出庫預測金額X單ASC采銷比=單ASC月度訂購預測金額。

三、在建模過程中，首先要對歷史數(shù)據(jù)進行進一步處理，數(shù)據(jù)類型包括：

1.配件的活動數(shù)據(jù)，其作用是在預測；

2.該品牌的基盤數(shù)據(jù)、新車增量、去年留存數(shù)據(jù)，這是配件總銷量的基礎(chǔ)；

3.單店的出庫歷史數(shù)據(jù)，出庫產(chǎn)品、金額、類型占比。

在歷史數(shù)據(jù)中選擇一個觀察點，根據(jù)觀察點前的數(shù)據(jù)計算特征變量，對下月值進行預測。通過比較預測值與實際值，評估模型表現(xiàn)。

通過使用不同模型或調(diào)整模型參數(shù)和數(shù)據(jù)特征，再次預測并對模型預測值進行評估。反復多次對模型進行調(diào)優(yōu)并評估，直至達到模型最優(yōu)表現(xiàn)。

最后評估lightgbm模型的效果，以MAPE(Mean Absolute Percentage Error),MAE（Mean Absolute Error ）、決定系數(shù)R2、RMSE（Root Mean Squared Error）均方根誤差三個指標預測模型的準確性，剔除噪聲數(shù)據(jù)。

四、車主進站和配件銷售預測模型

在這一期中，增加了車主的數(shù)據(jù)和維度，預測模型更加復雜：DMS數(shù)據(jù)，CCX標簽數(shù)據(jù)，商城數(shù)據(jù)，獲取到車主和配件的數(shù)據(jù)信息。

車主模型構(gòu)建中，三個新增數(shù)據(jù)來源預測在本月度。

從業(yè)務上考慮，邀約客戶的宗旨是確保應邀盡邀，不遺漏任何可能進站的客戶，因此在模型訓練中優(yōu)先考慮召回率。據(jù)此選擇以auc作為目標調(diào)優(yōu)模型，并最終以F2指標作為評價標準選擇最佳threshold切分點：

在配件模型中，面臨一個問題是配件的SKU數(shù)量非常多，不可能全量預測，因此先根據(jù)業(yè)務需求選擇了19個品類、3000多個SKU作為評估預測對象。

配件推薦平衡Precision和Recall的結(jié)果，盡可能提升SA開口成功率，也不浪費資源。

五、業(yè)務應用

對以上預測結(jié)果分別與主機廠和經(jīng)銷商進行溝通，為銷售發(fā)放預測結(jié)果，銷售主管、客戶經(jīng)理根據(jù)結(jié)果采取對應的業(yè)務動作。

六、模型優(yōu)化

根據(jù)實際業(yè)務反饋的結(jié)果，并同主機廠、經(jīng)銷商保持密切的溝通，不斷優(yōu)化模型，提升準確性。

七、系統(tǒng)化

試驗一段時間后，離線操作流程的繁瑣弊端暴露出來，此前已為該品牌建立了企微SCRM系統(tǒng)，一線銷售主管、客戶經(jīng)理也使用起來。在客戶經(jīng)理的界面中開設板塊，業(yè)務人員能夠快速看到預測結(jié)果，從而快速形成運營策略，提升整體效率。系統(tǒng)化后，模型的優(yōu)化也實現(xiàn)了實時性。

商業(yè)變化

提升經(jīng)銷商4S店預約進站的效率。

經(jīng)過一段時期的實踐，原先4天才能完成的邀約工作，經(jīng)過算法推薦后，1天就可以完成；

原先平均打100個電話有20個進站客戶，現(xiàn)在打50個就能取得同等效果。

同樣的營銷活動，試點算法推薦的4S店比未使用算法推薦的4S店，整體銷量提升5%。

相關(guān)企業(yè)介紹

·數(shù)皆智能

DIA數(shù)皆智能成立于2016年，技術(shù)團隊孵化自益普索中國，并于2017年成立上海益普索信息技術(shù)有限公司（SIIT）。2021年更名為上海數(shù)皆智能技術(shù)有限公司。通過體驗驅(qū)動的數(shù)字化運營，幫助企業(yè)實現(xiàn)客戶資產(chǎn)的增值，并最終帶來長期、健康的業(yè)務價值成長。

DIA數(shù)皆智能的主要業(yè)務是為線上線下高互動的B2C企業(yè)建立體驗和行為數(shù)據(jù)的閉環(huán)。自研的Bri.eXperience聽客（體驗數(shù)據(jù)監(jiān)測）、Bri.Voice聆客（用戶之聲監(jiān)測）、秒算（XO融合、NPS預測、策略模擬）、Bri.Engagement悅客（線上旅程執(zhí)行）、Bri.Channel友客（線下旅程執(zhí)行）組成了DIA數(shù)皆智能的產(chǎn)品矩陣——用戶體驗提升智能運營平臺。幫助企業(yè)進行全業(yè)務、全客群、全渠道、全觸點精細化運營，從而提升客戶體驗，助力企業(yè)實現(xiàn)客戶資產(chǎn)持續(xù)增值。

·某美國豪車品牌

某美國汽車品牌，一個具有百年歷史的世界著名豪華汽車品牌，憑借著出色的品控以及卓越的駕駛質(zhì)感深受消費者的青睞和追捧。曾在行業(yè)內(nèi)創(chuàng)造了無數(shù)個第一，締造了無數(shù)個豪華車的行業(yè)標準。可以說該汽車品牌的歷史代表了美國豪華車的歷史。