服务过玛莎拉蒂、威马的创略科技:车企数字化转型需解决3大难题

中国汽车市场低迷,车企需数字化转型。转型面临数据管理使用、消费者认知和企业管理三大难题。创略科技为玛莎拉蒂搭建智能客户数据中台,助其提升营销效果;威马与创略合作建立舆情平台,实时了解消费者。转型关键在于企业管理层的决心与管理水平。
640?wx_fmt=gif640?wx_fmt=jpeg640?wx_fmt=jpeg

来源:Morketing MarTech丨文:Hugh Zhao

数据猿官网 | www.datayuan.cn

640?wx_fmt=jpeg

今日头条丨一点资讯丨腾讯丨搜狐丨网易丨凤凰丨阿里UC大鱼丨新浪微博丨新浪看点丨百度百家丨博客中国丨趣头条丨腾讯云·云+社区

640?wx_fmt=png

根据中国汽车工业协会发布的数据显示,今年5月汽车产销量较上月分别下降了9.9%和3.4%,至此,中国汽车市场已经连续12个月出现销量同比下降。

 

市场的低迷影响了车企的营销预算,更关键的是,随着消费人群与信息传播渠道的变化,广告效果的提升越来越难。——这是2019年车企营销面临的普遍性难题。

 

在开展优惠活动等各种营销手段都无法挽回市场颓势的情况下,各大车企已经认识到,消费者特征发生了改变,现在需要对这些消费者重新建立认识、梳理他们的需求,并在营销、购车、售后服务等各个环节去满足他们。这个过程中,车企需要建立一套更有性价比、更有竞争力、更能满足消费者需求的营销体系和服务体系。传统车企如玛莎拉蒂、造车“新势力”如威马皆做出了很多实践,这些实践指向了同一条道路,那就是数字化转型。

 

车企进行数字化转型的目的有两个:一个是整合企业内部的数据,打通数据孤岛,进而建立一套统一的营销管理制度,提升内部管理、运营效率;另一个是对外践行以消费者为中心的理念,重新认识消费者、接近消费者、沟通消费者,围绕消费者的需求提供产品和服务,提高消费者的价值归属感,形成品牌竞争力。

 

当然,车企的数字化转型不会一帆风顺,他们普遍面临着数据管理使用难题、消费者认知难题,和企业管理难题这“三座大山”。在接受Morketing采访时,创略科技科技总裁杨辰韵对车企进行数字化转型面临的难题与解决方案都做出了详细解读。

 

  转型之基:

如何解决数据的管理使用难题


俗话说巧妇难为无米之炊,对于企业的营销数字化转型来说,数据是一切的根本,数据的质量以及对数据的分析运营能力决定了这套新的营销体系是否能发挥正面作用。

 

在杨辰韵服务玛莎拉蒂的过程中,他发现车企在数据层面主要面临着3个问题:

 

1.数据的采集、整合无法统一,形成数据孤岛。

 

数据整合度较低的问题存在于各个行业。汽车企业则因为自身体量的庞大以及经销商体系的复杂,表现出了多渠道、多平台、多业务的特点,虽然这曾有效支持了车企的市场开拓,但是随着社会移动化、信息化程度的提高,很多数据积存在经销商、自有App、品牌官网、微信平台、合作媒体等各个触点无法采集,也无法统一,这便形成了一个个数据孤岛。

 

数据孤岛的存在导致了信息的不通畅,一方面使车企对消费者的认知、对市场的判断容易出现偏差,另一方面使车企无法对消费者和市场的变化做出快速反应。

 

2.数据质量无法把控。

 

数据源的可靠性决定了数据的价值大小。车企的客户信息主要来自于经销商体系以及第三方媒体,由于获取信息的流程不够透明且缺乏有效的监督,这些信息的有效性并不能得到保证,这不仅导致车企会在无效信息上浪费时间、人力等资源,也降低了营销活动的市场效果。

 

3.对数据的分析、应用能力存在不足。

 

将数据采集、打通、整合在一个平台,仅仅是营销数字化转型的基础,数据的价值在于深度挖掘、分析,并与应用场景深度结合,进而帮助企业把握客户的生命周期,在不同的阶段采取不同的策略服务用户。

 

在几十年的发展过程中,车企在后端生产环节进行了自动化、智能化的改造,但是由于经销商体系的存在,车企的模式更倾向于B2B2C,在前端营销环节的技术应用能力稍显不足。

 

面对多达几十万条甚至上百万条的数据,一方面车企的营销人力资源根本无法做到全面覆盖,也没有办法甄别其中的高意向客户,从而延误优质线索转化时机;另一方面,除了经验以外,车企营销人员缺乏对客户重要性的判断依据,无法通过正确的渠道和方式触达客户,造成沟通质量的下降。

 

玛莎拉蒂便曾处于这样的困境之中:他们曾花了几年时间将整个公司约65万条的潜在客户数据、运营数据、与客户沟通的数据、经销商performance数据都收集沉淀起来,为数字化转型做铺垫,然而玛莎拉蒂在数字营销方面仍然存在着数据难以整合的问题,且由于无法度量客户信息质量,玛莎拉蒂不能施行优先级跟进原则,白白错失了很多好机会。

 

另外,玛莎拉蒂只有400多名销售人员,销售成本高昂,且运营效率低下,使玛莎拉蒂迫切需要数字化技术来解决这个问题。

 

不单单是玛莎拉蒂,数据整合、数据质量把控、数据分析应用是所有车企在数据层面都会遇到的问题,包括“新势力”车企,相比传统车企,“新势力”车企还需要多进行一轮数据积淀的工作。那么,这些问题该怎样解决?车企在营销数字化转型中到底该如何利用数据?

 

在分析了玛莎拉蒂面临的数据问题与业务需求后,创略科技分三步为其搭建了一个可循环使用的智能客户数据中台:

 

第一步,通过不同系统的对接、整合和打通玛莎拉蒂自有营销渠道的第一方数据,使之集中管理于一个平台上,建立私域流量池。并帮助对接第三方数据源,丰富现有客户数据,完善客户画像。

 

第二步,将这些数据关联,通过“黑白名单”等方式优化数据质量,并根据客户数据的不同维度来设定标签,建立数据模型。

 

第三步,通过运用创略科技自主研发的营销模型-客户营销计分,按营销价值为每位客户进行打分,分数越高,客户购买可能性越大,营销价值则越大。针对不同车型或者营销分段,让营销人员采取相应的营销策略,来提升营销转化率。

 

640?wx_fmt=png


创略科技通过NEXUS平台(即CDP)整合数据,通过iQ平台建立分析模型,营销人员可根据不同的营销分段采取相应的营销策略

 

通过实时优化,最终达到的效果是:玛莎拉蒂缩短了75%的营销执行准备时间,提升了30%的活动响应率,由曝光带来的搜索量较平时提升5倍,客户满意度提升13%。


  转型应用:

如何解决“消费者认知”难题


现在没有人会否认消费者是汽车产业链上最值得被讨好的角色,也没有人会否认其中的难度,但因为新一代消费者的消费观与之前的消费人群具有明显不同的特点:他们分散在各个渠道、各个维度,不仅要求产品的品质,也要求产品的调性和价值观是否能与他们产生共振,同时还要体现在外形、内饰等不同层面上的个性化,最麻烦的是,这些要求还处于动态的变化中。

 

所以对于任何想要争取这些消费者的企业来说,差异化才是未来竞争的核心。现在他们面临的难题在于如何认识这些消费者,了解他们的消费观点、消费需求、消费目的,并做到营销和服务上的有的放矢、快速反应、及时满足。

 

但是传统车企却在这方面存在着两个“不知”。

 

第一个“不知”是不知道他们的消费者有哪些诉求。与电商、零售这些紧贴消费者做出改变的行业相比,虽然汽车行业与消费者的关系同样紧密,但是由于B2B2C模式的存在,传统车企与消费者之间却存在明显的割裂,他们与消费者并不是直接接触,这导致了传统车企在消费者认知上存在偏差,历史上因为车型设计不合大众审美致使销量下滑的案例屡见不鲜。

 

根据第三方服务机构发布的关于汽车行业数字品牌形象社交传播的报告显示,传统车企传递的品牌形象和消费者关注的形象之间存在着显著差异,传统车企的自我认知、产品宣传与消费者的认知之间也存在不同。

 

第二个“不知”是不知道该如何解决。现在消费者存在于各个媒介渠道,传统车企很难进行统一的调研,也很难总结不同层次、不同类型客户的诉求和观点,提供针对性服务。这导致当市场下滑,各大车企之间开始拼产品质量、拼服务质量、拼消费者洞察来争夺客户的时候,由于缺乏对客户的正确认知,也并不知晓消费者对自己的评价、观感,不知道该从哪里做出改进,传统车企在消费者服务上总是显得“慢一拍”。

 

那么,解决方法是什么?或许可以从“新势力”车企身上得到答案。

 

相较于传统车企,“新势力”车企缺少了一些“底蕴”,但同时也少了很多包袱,他们在运营模式、销售模式上做出了很多创新,比如特斯拉便向所有人开放了Model3的个性化定制,而国内车企如威马则在个性化定制的基础上,建立消费者舆情平台来实时了解消费者。

 

威马与创略科技合作建立的舆情平台是这样的:首先是互联网监测系统。通过智能爬虫技术监测新闻、论坛帖子、博客文章、微博、微信、App客户端、平面媒体等各个渠道的信息,并将其分类存储。

 

然后,利用AI模型进行文本分析、关键词提取、情感分析等,将这些信息中的负面内容、正面内容、有价值的营销内容都做出分析与判断,并按照不同的权重进行展示。正面的内容可以让企业知道哪里做的好,并继续保持下去,而负面内容根据级别的不同会有不同的警示,高级别负面舆情会进行快速通报,并实时监测后续发展,帮助相关人员进行后续的引导和处理。

 640?wx_fmt=png

创略科技的舆情分析模型

 

在这套系统的支持下,威马可以实时了解各个渠道中自己的用户对于产品的观点、服务的评价,对其中展现的新矛盾快速处理、新需求快速满足,从用户的角度制定营销策略与运营策略,进而提升自己的服务质量与品牌影响力,提高用户的归属感与价值感。

 

  转型关键:如何解决管理难题


需要注意的是,无论是建立数据平台还是建立消费者舆情中心,其难度都比想象中的低,对于国内成熟的服务商而言,只需要几个月便可以将需求梳理完毕并搭建起项目雏形。真正困难的是企业是否有相应的决心与管理水平,这一点体现在两个方面:

 

第一,建立数据平台并不仅仅是企业营销部门的事,因为涉及到系统的部署、数据的采集与整合,这涉及到跨部门协作与不同体系之间的交流,比如,如何从源头控制数据质量、如何让IT部门与营销部门进行协作、如何完善系统的基础设施等等,其中会触碰到不同关联方的利益,甚至需要行政手段强行推进,而且企业本身还承担着一定的风险,这就考验企业管理层的决心与魄力。

 

实际上,数据不足可以从头积累,技术水平不足可以慢慢培养,运营能力不足可以逐渐学习,但若是管理层决心不够,无法突破种种阻碍,那么这样的项目是注定不会成功的。所以,业界的共识是,企业做数据平台,无论是做CDP也好,做DMP也好,一定是“一把手工程”,是从上到下贯彻执行的过程。

 

第二,新技术、新产品的应用必须要有配套的管理运营体系,因为新技术、新产品的价值能否实现,并不在于企业团队是否能正常的使用它们,而在于它们能否被统筹应用到业务体系中,同时为客户、核心业务和整个生态系统带来提升。

 

所以在新产品、新系统部署成功以后,企业又要尽快形成一套适用于自身的管理运营体系,这就又考验管理层在制度上的探索总结能力。好消息是,在这个过程中,创略可以为企业提供运营指导与经验分享,帮助企业缩短建立配套体系的时间。

 

另外,杨辰韵也建议汽车企业,在进行数字化转型的实践中,一定要要慎重选择合作伙伴,多多考虑对方的成品成熟度、技术领先性、对营销场景的理解、对行业的了解以及有多少相关案例。—道理很简单,做得项目越多,模型会越准确,同时对场景的理解也会越深,也越能确保项目的成功。

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及新点概述本文采用的技术路线、研究方法及主要新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值