近日，由数据猿、金猿组委会共同推出的第五届 “年度金猿季大型主题策划活动”正式启动，活动以“激发数智活力·促进产业新生”为主题，围绕“数据+智能+行业”的视角，挖掘过去一年以来，业内优秀的代表性企业、产品以及突出的技术成果予以表彰。DIA数皆智能携成功案例入围本届奖项。

中国汽车行业整体上进入了慢速发展阶段，汽车保有量已经接近饱和，对存量用户的运营成为众多车企争相竞争的新场域。维护老客户，促进老客户的价值转化，提升老客户的满意度，促进其复购和推荐，成为企业运营的重要目标。

而在汽车售后市场同样也面临着更多的挑战。一方面，受疫情影响，居民消费热情减淡，配件销售的大盘有所下滑；另一方面，配件终端渠道商中出现了诸多新的竞争者，尤其一些新兴互联网养车平台对消费者的分流，导致主机厂配件进销存的数据管理需要进行快速迭代。

某欧美豪车品牌的售后服务业务线，还沿用过去DMS体系，主机厂依赖于经销商4S店每月自主录入的财务数据辅助决策。这种情况不仅造成主机厂信息缺失，难以准确指导业务，也导致一线4S店的执行效率较低。大量精细的车主行为数据、配件销售数据躺在数据库里，没有充分利用起来。

该品牌希望能够用数据驱动业务，通过对车主、配件数据做销售管理，包括做整体的配件销量预测，以制定主机厂的采购预算表；基于车主的行为标签，提升车主进站效率；通过算法模型，为车主进站推荐匹配的配件商品，实现销量提升。

实施时间

2022年3月启动；

2022年5月完成配件销量预测，主机厂对经销商部署实施；

2022年6月启动第二期进站与配件营销预测；

2022年7月完成算法模型，分发给各地经销商；

2022年8-9月开展线下培训、落实、反馈；

2022年10-11月启动工作流程的系统化。

应用场景

本次项目涉及到三个模型算法和业务系统对接两部分。

一、算法模型的应用场景

配件销量预测：

预测总量对主机厂每年的进货管理、预算分配，根据市场变化，及时调整计划，节省成本；对经销商4S店来说，细致到单月的配件预测，能够给到详细的指标，指导经销商的月度策略。

车主进站预测：

经销商4S店的电销人员需要对客户进行呼叫，引导其进店维保，过去电销人员采取全量呼叫的办法，为了达成业绩额，甚至会对同一个客户反复呼叫，反而会对客户造成打扰，降低品牌形象、直接减少收益。

配件营销推荐：

由于客户一年内进站的次数有限，通常是1-3次，因此在进站中为客户精准推荐配件，能够提升转化效率。过往销售人员根据自身经验推荐产品，难以对所有客户进行准确判断，通过“机器智能+销售经验”的组合，能够提升推荐效率。

二、经销商4S店业务系统对接

进站预测与配件营销推荐这两个项目的成果，前期通过DMS系统，试点经销商4S店通过“离线表格上传—分发—导出”的方式，查看相关信息开展邀约与推荐。

后期将数据预测结果放在SCRM系统中，经销商4S店的客户经理可在移动端查看信息，在业务动作结束后，能够及时反馈结果，实时优化算法模型，提升运营质量。

面临挑战

挑战主要分为模型算法和业务应用两大类。

在模型算法中，两期项目均需要学习过去三年中实际的配件销售、客户进站数据，在数据层面主要存在三个方面的问题：

1.配件的数量多，车企可售配件有上万个SKU，数据量大，全量预测噪音多，效果不佳；

2.新客因为缺少个人标签数据，预测不准；

3.受疫情影响，在2020年1-3月份，2022年上海地区4-6月份的数据均出现明显断层，对整体预测造成影响。同时由于2022年受疫情影响深入，各地经销商数据出现异动，需要做多元分析。

在实际的业务应用中，由于数据治理和算法成果需要跟一线的销售人员使用，且进站、交易的环节发生在线下，数据反馈的周期长、精度差，对算法优化造成挑战。为了推行项目，需要跟业务人员做密切配合。因此项目组需要深入到4S店进行培训、持续沟通，以保障数据输入、输出的准确性，才能够确保项目的有效性。

同时由于一线销售人员学历水平不高、数据意识与技能薄弱，对于数字化工具存在排斥心理。项目开始时，预测结果是通过离线的表格人工导入到DMS系统中，由销售负责人阅读并下发给销售人员。这一阶段会有一定的信息磨损，后期通过SCRM工具，实现系统直发、过程可见、快速反馈。

数据支持

数据为该车企过去3年的经销商私域数据：包括DMS（经销商管理系统）、DCC（拨号控制中心）、配件电商商城数据。一共有约几十万个用户id、上百个字段、约千万行数据。

数据获取阶段：与客户系统进行对接，部署算法环境。

数据清洗阶段：对客户表结构进行清洗，对缺失、异常值进行处理；对不同的表结构进行匹配，将车辆VIN码为唯一识别码，打通数据。

数据分析阶段：对该品牌过往数据做总体分析，分析品牌基盘、整体趋势、波动情况、营销活动效果等做出整体评估。

建模阶段：根据以上步骤的结果，建立预测模型，将历史部分数据作为训练集，预测车主进站、购买配件的概率。根据业务需求，持续优化模型。

应用技术与实施过程

一、前期准备工作

数据获取阶段：与客户系统进行对接，部署算法环境。

数据清洗阶段：对客户表结构进行清洗，对缺失、异常值进行处理；对不同的表结构进行匹配，将车辆VIN码为唯一识别码，打通数据。

数据分析阶段：对该品牌过往数据做总体分析，分析品牌基盘、整体趋势、波动情况、营销活动效果等做出整体评估。

建模阶段：根据以上步骤的结果，建立预测模型。

二、配件销量预测

配件销量预测的总体思路是用单ASC阅读出库预测金额X单ASC采销比=单ASC月度订购预测金额。

三、在建模过程中，首先要对历史数据进行进一步处理，数据类型包括：

1.配件的活动数据，其作用是在预测；

2.该品牌的基盘数据、新车增量、去年留存数据，这是配件总销量的基础；

3.单店的出库历史数据，出库产品、金额、类型占比。

在历史数据中选择一个观察点，根据观察点前的数据计算特征变量，对下月值进行预测。通过比较预测值与实际值，评估模型表现。

通过使用不同模型或调整模型参数和数据特征，再次预测并对模型预测值进行评估。反复多次对模型进行调优并评估，直至达到模型最优表现。

最后评估lightgbm模型的效果，以MAPE(Mean Absolute Percentage Error),MAE（Mean Absolute Error ）、决定系数R2、RMSE（Root Mean Squared Error）均方根误差三个指标预测模型的准确性，剔除噪声数据。

四、车主进站和配件销售预测模型

在这一期中，增加了车主的数据和维度，预测模型更加复杂：DMS数据，CCX标签数据，商城数据，获取到车主和配件的数据信息。

车主模型构建中，三个新增数据来源预测在本月度。

从业务上考虑，邀约客户的宗旨是确保应邀尽邀，不遗漏任何可能进站的客户，因此在模型训练中优先考虑召回率。据此选择以auc作为目标调优模型，并最终以F2指标作为评价标准选择最佳threshold切分点：

在配件模型中，面临一个问题是配件的SKU数量非常多，不可能全量预测，因此先根据业务需求选择了19个品类、3000多个SKU作为评估预测对象。

配件推荐平衡Precision和Recall的结果，尽可能提升SA开口成功率，也不浪费资源。

五、业务应用

对以上预测结果分别与主机厂和经销商进行沟通，为销售发放预测结果，销售主管、客户经理根据结果采取对应的业务动作。

六、模型优化

根据实际业务反馈的结果，并同主机厂、经销商保持密切的沟通，不断优化模型，提升准确性。

七、系统化

试验一段时间后，离线操作流程的繁琐弊端暴露出来，此前已为该品牌建立了企微SCRM系统，一线销售主管、客户经理也使用起来。在客户经理的界面中开设板块，业务人员能够快速看到预测结果，从而快速形成运营策略，提升整体效率。系统化后，模型的优化也实现了实时性。

商业变化

提升经销商4S店预约进站的效率。

经过一段时期的实践，原先4天才能完成的邀约工作，经过算法推荐后，1天就可以完成；

原先平均打100个电话有20个进站客户，现在打50个就能取得同等效果。

同样的营销活动，试点算法推荐的4S店比未使用算法推荐的4S店，整体销量提升5%。