案例解读｜神策分析在 BMW 集团的应用实践

近期，神策数据主办的 DA 大会 2025 北京·《大模型时代的精细化用户运营——神策数据特别策划专场》成功举办。各行业同行、客户、伙伴们共同探讨了在大模型浪潮席卷各行业的当下，数据与智能的融合创新。来自宝马集团领悦公司的郑文星，分享了神策分析在宝马集团的应用实践。以下为演讲实录：

大家好，我是来自宝马集团旗下领悦公司的郑文星。领悦公司成立于 2019 年，是宝马的全资子公司，核心使命是支持宝马在中国区以用户为中心、以数字化运营为目标的转型。

今天我分享的主题是神策分析在 BMW 集团的应用实践。我们将深入探讨宝马与神策的合作历程，这其中包括为什么选择神策，在合作过程中遇到了哪些核心挑战，又是如何设计解决方案来应对这些挑战的，以及最终取得了哪些项目成果和未来的展望。

在这个过程中能很直观地感受到模型能力的边界在哪里，也能看到它的成长速度有多快。

一、背景介绍：数字化转型的必然选择

我们的数字化故事始于两款核心产品：MyBMW APP 和 MyMINI APP。这两款应用于 2020 年陆续在中国市场上线。它们不仅仅是工具，更是品牌体验的延伸。APP 中新增了社区、会员和电商三大板块，旨在打造“社交化的品牌体验”，强化车主与品牌之间的互动与粘性。

伴随策略的推进，用户规模经历了快速增长：

• 2021 年底：两款 APP 的累计活跃用户突破 300 万，月活跃用户（MAU）超过 100 万。

• 2023 年 3 月：累计活跃用户首次突破 1000 万，MAU 超过 200 万。

对于传统车企而言，这样的增长速度是非常可观的。但高速增长的背后，我们也迅速意识到了新的问题。

到了 2022 年底，随着用户规模的快速增长和运营场景的日益复杂，传统的“经验驱动”运营模式（例如拍脑袋决策）已经难以为继。团队无法再依靠过往经验来支撑精细化、个性化的服务目标。

因此，“私域运营”被正式提上日程。我们开始考察国内多家提供 APP 私域运营能力的企业，神策分析在这一轮考察中脱颖而出。

双方的合作迅速展开：

• 2023 年：神策团队进场实施。到年底，私域运营已初具形态，成功拉通了 APP、H5、小程序和内部 CDP（数据中台）之间的数据应用链路，实现了用户全生命周期的洞察。

• 2024 年：基于神策分析提供的实时行为数据，团队制定了更多快反运营策略。人群圈选、活动推送、APP 社区运营推荐、文章推荐及商品推荐等功能陆续上线。同时，为了解决数据治理问题，埋点地图和埋点管理平台也相继上线。

• 2025年（规划）：计划完成神策分析的版本升级，并持续探索用户运营与 AI 结合的分析及运营场景。

二、核心挑战：跨国车企的数据采集难题

在与神策的合作过程中，我们也遇到了诸多挑战，尤其是在数据采集阶段，作为一家跨国车企，面临的问题尤为突出。

挑战一：全球标准与本地化冲突

第一个核心冲突，来源于全球总部的埋点规范与神策分析体系的碰撞。

宝马集团总部有一套全局统一的埋点规范，这套规范是强制执行且不能更改的。这导致我们无法直接使用神策分析的标准埋点规范。因此，团队必须投入大量精力，进行“总部埋点”到“神策事件”的映射工作。

这种冲突还导致了多套埋点方案并存的局面。我们既要遵循 Global 规范使用 Countly 进行数据采集，又要兼顾本地化运营需求，使用神策分析及最初使用的 MZ。三套系统并存，数据孤岛问题严重，格式不互通，给数据使用带来了极大困难。

挑战二：埋点工程复杂性被低估

第二个挑战，是我们低估了埋点工程本身的复杂性。

1、Flutter 适配问题：APP 采用了 Flutter 框架。而在项目初期，APP 的 Flutter 版本与神策 SDK 支持的版本存在较大的兼容壁垒。我们紧急与神策团队沟通，由他们专项开发了专用的 SDK 适配层。最终，采用了 Flutter 与 H5 分别集成 SDK，再通过桥接（Bridge）方式上报数据的方案。

2、埋点字典管理混乱：随着事件和页面的增加，埋点相关的文档管理变得异常繁琐。团队至少需要同时维护四类文档：埋点设计文档、埋点映射文档、埋点地图文档、埋点版本管理文档。

3、海量历史数据导入：在切换到神策分析时，我们面临着超过 100T 的历史埋点数据导入难题。为了保证业务分析的连贯性，实现无缝切换，这些数据必须全部导入到新系统中。

三、解决方案：从规范到平台的系统性工程

针对上述挑战，神策数据团队设计并实施了一套系统性的解决方案，涵盖了规范管理、数据预处理和历史数据导入等多个层面。

1、规范映射管理的平台化实现

首先，解决多套方案并存和文档管理混乱的问题。这分两步走：

*所有截图数据均为演示数据

第一步：规范化：我们统一了埋点设计，规范了超过 1000 个事件。通过埋点映射关系，适配了 Countly、MZ、神策分析等不同平台。此外，还新增了“埋点地图”文档，管理超过 100 个核心页面，让埋点位置更直观。

第二步：平台化：人工维护海量文档极易出错且效率低下。为此，我们开发了一个统一的埋点管理平台，将埋点设计、映射、版本、地图等所有文档和流程全部纳入平台管理，从根本上解决了规范化的问题。

2、规范映射的工程化实现：预处理

解决了管理问题，接下来是技术实现。为了兼容总部的埋点方式，我们选择在神策的数据接入侧进行改造，使其兼容原始数据格式。

采用预处理插件的形式，在神策的 SDF（数据接入模块）中实现。

核心难点在于，历史埋点数据到神策数据格式的转换，映射关系多且复杂，需要在预处理模块中做事件和属性级别的精密转换。

预处理方案包含三个核心程序：映射关系导入、预处理（实时）、异常数据导入（T+1）。

3、规范映射的工程化实现：历史数据导入与定开

预处理解决了实时数据的映射问题，而 100T 的历史数据导入则是另一个巨大的工程。

历史数据导入：

我们规划了多阶段导入策略，包括历史平台数据收集阶段、神策与历史平台共存阶段、历史平台下线阶段，不同阶段采用不同的处理方式。

通过精细化的实现流程，我们分批次地完成了海量数据的导入，保证了业务分析的连续性。

数据定开：

在数据导入的同时，也构建了数据导出的链路。开发了 ETL 程序，定期将神策库中的 events 表和 users 表，以及自定义的 Session 中间表，导出到阿里云 OSS 上，供 CDP 及其他下游系统使用。这包括历史全量数据和 T+1 的增量数据。 

四、项目成果：数据驱动业务增长

通过解决上述一系列挑战，数据开始真正为业务赋能，我们取得了显著的项目成果。

成果一：神策分析支撑的运营成果

神策分析已经成为我们日常运营不可或缺的工具。围绕激活、促活、转化、裂变等众多业务分析主题，形成了超过 300 个常规看板。这些看板为运营提供了直观的数据洞察，有力地支撑了精细化运营决策。

成果二：智能推荐引擎的架构设计

我们利用神策采集的实时行为数据，构建了智能推荐引擎。

架构：APP 端的行为数据（Tracking） 通过神策数据平台实时采集，并同步到 CDP 数据中台。

建模：在 CDP 中，行为数据与车机互联、会员、电商、社区、线索等业务数据 相结合，通过 Spark 和 Flink 构建实时/离线特征库（存储于 Hologres 等）。

模型：这些特征被用于训练协同过滤推荐模型、实时个性化精排模型、文章质量模型等。

服务：模型通过推荐系统（REC System）、A/B 测试系统和标签服务（Tagging Service）对外提供服务，最终呈现在 APP 中。

成效：基于用户行为数据的 APP 社区内容推荐，CTR（点击率）提升了 301%。

成果三：埋点管理平台

如前所述，构建了“埋点管理平台”。它不仅是一个文档库，更是一个管理埋点需求全生命周期的工作流平台。

它支持从“创建需求” > “编辑方案” > “申请 Feature” > “评审通过” > “复测通过” > “上线完成” > “需求查询”的完整闭环。平台为业务运营、产品 Owner、开发 Owner 和测试 Owner 等不同角色提供了清晰的视图和权限，实现了埋点管理的规范化和平台化。

五、未来展望：迈向“用得更好”的智能时代

我回顾过去，我们通过一系列的工具和平台，逐步解决了埋点“设计问题”、“管理问题”和“使用问题”。

构建了一个从“埋点文档”/“埋点地图”（解决设计问题） > “埋点管理平台”（解决管理问题） > “神策分析”/“数据中台”（解决使用问题）的数据闭环。

现在，我们面临的下一个问题是：如何“用得更好”？如何让数据“用得更省心？

答案是 Agent（智能体）。

未来，我们将探索与大模型（LLM）的结合，为数据平台和管理平台赋予AI 能力。举个例子，现在业务方如果想知道“A 功能的埋点和 B 功能的埋点相似性如何？”或者“这个平台的数据体现和另一个数据体现的差异对比是什么？”，他们可能需要查阅大量文档或咨询数据分析师。

希望未来，用户可以直接通过自然语言向“Agent”提问，AI 能够理解埋点、文档和数据，直接给出智能化的分析和答案。这是我们实现“用得更好、用得更省心”的最终目标。我们目前正与神策数据携手合作，在 AI Agent 方向上共同探索与实践，致力于将这一愿景逐步落地，实现真正的智能化分析体验。

我的分享就到这里，谢谢大家。

✎✎✎

【更多内容】

神策 AI 智能分析师

神策 AI 智能运营师

神策分析 MCP Server 启动内测

▼ 点击“阅读原文”，了解更多神策数据