五菱新能源汽車精準營銷策略研究

薛海濤　何浩宇　陳延展　包辛煜

摘 要：隨著汽車大數據產業時代的到來，傳統營銷方法已不能滿足市場的快速變化，基于大數據的精準營銷具有相當大的優勢?；诖?，本文采取數據驅動的手段研究汽車用戶畫像，首先基于上汽通用五菱汽車股份有限公司的用戶購買數據集，通過相關性分析進行用戶分群，其次分析人群特征，從而總結篩選出對于體驗用戶的建議，最后基于用戶的行車數據集，通過聚類算法提取出用戶出行的興趣點，為汽車產品的精準營銷策略分析提供了可靠的指導。

關鍵詞：數據驅動 用戶畫像 精準營銷 聚類分析

1 引言

隨著傳感器技術與數據傳輸技術的發展，各方面數據的獲取日益便利，基于大數據的用戶畫像研究能為企業提供精準的特征知識。Wang等[1]提出了用戶日常駕駛模式模型，且為了實現低成本下的充電負荷波動最小，構建了雙級優化模型確定最優充電策略。Pearre等[2]為了獲取用戶需求，研究了全種類新能源汽車的平均行駛距離，從而設計出用戶喜愛的新能源汽車。胡海清等[3]利用客戶購買行為數據驗證了理論模型，并提出了在不同電商模式下的網絡營銷策略。詹麗華[4]結合用戶行為情景和用戶素養分析了用戶行為特征。本文基于上汽通用五菱汽車股份有限公司提供的用戶相關數據集，分析總結篩選出對于體驗用戶的建議，并且通過聚類算法獲取了用戶的出行興趣點，從而準確把握用戶需求，實現汽車產品的精準營銷。

2 汽車產品用戶群體特征

汽車用戶產品群體特征是指從多源數據中獲取的對汽車產品用戶的消費行為有所影響的群體屬性?；诖髷祿樾蜗碌钠嚠a品用戶群體特征分析，是對通過各種方法收集到的用戶數據信息的分析。在汽車這種高度復雜的產業中，將會產生結構化和非結構化的超大數據量，涉及場景和系統復雜，數據的清洗、轉化、融合是一項重要挑戰。

汽車用戶產品群體特征是指從多源數據中獲取的對汽車產品用戶的消費行為有所影響的群體屬性。其中，多源數據是指某一品牌或某款特定車型投入市場后得到的大規模用戶數據。汽車產品用戶群體特征具體表現為用戶基本屬性、駕駛習慣屬性、充電習慣屬性、社交偏好屬性、用戶關注點屬性、消費習慣屬性。

標簽是對信息的抽象化表示，可以是任何文字或符號，體現一定的群體性和事物特性[5]。同時，標簽系統的構建需遵循MECE（Mutually Exclusive Collective Exhaustive）原則[6]。本文將標簽分為靜標簽和動標簽。靜態屬性標簽指用戶的基本屬性，可以通過靜態標簽算法對數據列標簽索引，獲取信息并生產新標簽。動態屬性標簽根據數據類型：數字型信息、文本型信息、網頁信息等，采用不同算法進行標簽。然后構建用戶畫像，并對數據進行分析、挖掘，得到數據中隱藏的相關關系，是大數據時代數據分析的重要一步[7]。最后根據分析的結果，制定優化方案、精準營銷等，為汽車產業的各階段提供參考依據。

3 汽車用戶購買行為分析

利用“車輛+用戶”的大量行為數據，提升數據清洗和數據轉化的效率，取得系列購車用戶屬性，并對購買者與未購買者進行分析，可以發現潛在用戶群體，制定合理的銷售策略。原始數據包括用戶的消費習慣特征和駕駛習慣特征等。

以五菱新能源汽車用戶體驗數據為例，進行購買行為分析，數據集包括5070位五菱新能源汽車用戶的相關數據，包含100178條用車數據和89102條問卷數據。具體分析流程如下。首先結合用車數據和問卷數據，計算用戶標簽；然后選擇相關性高或業務需求高的標簽作為特征，進行用戶分群；再分析人群特征，總結篩選體驗用戶的建議。故提取和匹配13大用戶特征，首先進行特征相關度分析[8]，如圖1所示。相關系數絕對值越大表明相關度越高，取值范圍為[-1，1]；正相關表示標簽取值越大，用戶購買車輛的可能性越大。負相關表示標簽取值越小，用戶購買車輛的可能性越小。對于數值型變量（如總里程），正相關表示總里程越大，用戶越可能購車；而對于類別型變量，正負值與賦值方法有關。

根據特征相關系分析可知，相關度高的標簽包括總里程、每日最大單次里程、總充電次數、充電位置、燃油車價格、車系、共同居住人數等。相關度低的標簽：燃油車數量、家庭年收入、用戶職業、車輛日啟動次數。

然后利用上述的13大特征，對已購車和未購車人群分別進行聚類，可以區分出5類特征差異明顯的人群：已購車用戶兩類：高學歷高收人群（15人，44%），經濟適用年輕人（19人，56%）；未購車用戶三類：高需求中等收入家庭（110人，23%）、低需求中等收入家庭（189人，40%）、低需求年輕人（174人，37%），聚類結果如圖2所示。

對已購和未購人群進行聚類分析，從聚類結果中可以發現以下結論：對于已購車用戶群體：第一類用戶群體的主要特征是屬于中低年齡、高學歷、已婚一個孩子家庭。該用戶群體的用車需求不高，日均行駛里程35km左右，平均5天充一次電，對充電頻率要求不高，但是對充電便利性要求高，因此他們以單位充電為主，其中大約53%的用戶有多個充電點。對于第一類已購人群具體分析結果如圖3所示。

第二類已購車用戶群體是經濟適用年輕人：畢業不久本科生，未婚居多。他們的經濟基礎較低，但用車需求偏高，日均行駛里程42km左右，平均3天充一次電，他們對公共充電樁接受度高或單位可解決充電問題，以單位、城市公共充電樁為主，分析結果如圖4所示。

對于未購車人群，主要分為三類：高需求中等收入家庭（潛在用戶）類、低需求中等收入家庭類、低需求年輕人類。

第一類是高需求中等收入家庭（潛在用戶）類：30-40歲已婚人群，用車需求極高，要求充電方便，但學歷偏低，收入一般，家庭負擔重，消費保守。分析結果如圖5所示。

第二類屬于低需求中等收入家庭類：未購車已婚人群與購車已婚人群（高學歷高收入）的主要差異集中在家庭經濟基礎，那些能負擔得起15萬以上的燃油車的用戶群體更易轉化成新能源用戶，主要是因為這個用戶群體經濟基礎較好。這類用戶群體用車需求不高且買車的意愿較高，看重品質，對充電便利性要求高，但是也可能由于充電不夠方便而放棄購車。

第三類為低需求年輕群體類，這類用戶群體主要特征為出行需求不高，且主要出行路線為公司和居住地，收入普遍較低，同時可能會面臨停車難、充電難的問題，更加減弱了他們的出行需求意愿。

通過上述對五菱新能源汽車用戶的購買行為分析，可為精準營銷提供以下幾條建議：第一，從學歷/收入、年齡/婚姻、出行需求等方面篩選體驗用戶，本科以上學歷，家庭燃油車車價15萬以上，如果充電條件便利，容易轉化。第二，家庭燃油車車價在5-15萬左右，30-40歲的已婚人群，目前轉化率較低，但其用車需求高，有充電條件，后續可以考慮針對此類人群制定有效轉化方案。第三，家庭燃油車車價在15萬以下甚至無車的用戶，優先給本科/?？频?0-30歲人群發放體驗，當單次出行距離大于16km時更容易轉化。

4 汽車用戶行為軌跡分析

用戶行為軌跡特征提取和預測是汽車用戶畫像出行特征模塊的核心技術。目前的網聯汽車車載信號傳輸設備通常采集每5s-10s的位置信號，在5G時代可以采集時間間隔更短、更精確、更詳實的（包含語義地址）位置信息，提供智能化、個性化的服務。某用戶出行軌跡示例如圖6所示：

提取五菱新能源汽車用戶的一個月行車數據為例，進行用戶出行行為分析，興趣點位置聚類（7類）和時空聚類（8類）結果分別如圖7、圖8所示。并將時空聚類（8個）在百度地圖上進行可視化展示，如圖9所示。

將時空聚類后的興趣點進行編號，構建出時間序列，使用Prefix span算法進行頻繁模式挖掘，設置支持度參數為0.2，即該月出現6次以上的出行模式，得到頻繁模式結果如表1所示，分析結果易知興趣點[0]和[6]分別為單位地址和家庭住址，1、2、3、5、7為用戶頻繁模式的頻繁節點。

Prefix span算法是一種基于前綴投影的序列模式挖掘算法，廣泛應用于序列頻繁子模式研究，對于汽車用戶出行模式的挖掘具有良好的效果，該算法的主要步驟如下：

然而用戶出行軌跡當前位置的轉移可能和此前多個興趣點有關，因此將來的研究可以考慮使用長短時記憶神經網絡模型（LSTM）[9]。

通過上述提取用戶的出行數據進行興趣點位置聚類和空間聚類并進行可視化顯示，可以確定用戶出行的興趣點為單位地址和家庭地址，即表明五菱新能源汽車用戶購買該汽車主要用于居住地和工作地之間的往返。在確定用戶出行興趣點的基礎上為了進一步挖掘用戶出行模式所提出的Prefix span算法具有良好的效果，為五菱新能源汽車的精準營銷提供了更好的方案。

5 結論

本文主要采用大數據驅動的手段研究了五菱新能源汽車用戶畫像，結合五菱新能源汽車用戶體驗數據進行相關性分析，總結篩選出了體驗用戶的建議，再利用聚類算法對五菱新能源汽車用戶的行車數據進行興趣點位置聚類、時空聚類以及可視化展示，確定了五菱新能源汽車用戶出行的興趣點位置。綜合對于體驗用戶的建議和用戶興趣點位置這兩步可以準確捕捉用戶行為特征以及用戶需求，從而可以為汽車產品的精準營銷策略提供更加精準的用戶情報。

參考文獻：

[1]Dai W，Wang H，Jiang W，et al. Optimal aggregated charging analysis for PEVs based on driving pattern model[C]// Power and Energy Society General Meeting （PES），2013 IEEE. IEEE，2013.

[2]Pearre N S，Kempton W，Guensler R L，et al. Electric vehicles：How much range is required for a day's driving？[J]. Transportation Research Part C Emerging Technologies， 2011，19（6）：1171-1184.

[3]胡海清，許壘.電子商務模式對消費者線上購買行為的影響研究[J].軟科學，2011，25（10）：6.

[4]詹麗華.UGC用戶行為成因分析——用戶數據素養與用戶行為情景的雙重視角[J]. 情報理論與實踐，2018，041（004）：28-32.

[5]李蕭瑋.大數據系統和分析技術[J].電子技術與軟件工程，2018（21）：1.

[6]高聰，熊杰，劉彩云.淺談大數據分析技術及其應用[J].電腦知識與技術：學術版，2020，16（5）：3.

[7]田立瑞.面向生產制造的大數據分析平臺技術研究[D].山東大學，2017.

[8]陳偉麗，高東華.軟件行業質量保證與MECE原則結合的實踐[J].信息技術與標準化，2012（6）：3.

[9]Dua M，Yadav R，Mamgai D，et al. An Improved RNN-LSTM based Novel Approach for Sheet Music Generation[J]. Procedia Computer Science，2020，171：465-474.