大數據提高客戶全用車生命周期價值的應用研究

李彥俐

摘 要：利用大數據全面系統地對現有車主招攬體系進行迭代。在客戶全用車周期持續跟蹤用車習慣，基于客戶行為數據，形成客戶標簽，為經銷商精準識別出不同類別客戶，采取針對性邀約策略，提升客戶價值。對提高汽車企業售后產值有參考意義。

關鍵詞：大數據 數據挖掘 客戶標簽 產值提升

Research on the Application of Big Data to Improve the Life Cycle Value of Customers' all-use Vehicles

Li Yanli

Abstract：Big data is used to iterate the existing car owner recruitment system comprehensively and systematically， continuously track the car habits of customers throughout the vehicle cycle， form customer labels based on customer behavior data， accurately identify different types of customers for dealers， and adopt targeted invitation strategies to enhance customer value. The study has reference significance for improving the after-sales output value of automobile enterprises.

Key words：big data， data mining， customer tagging， output value improvement

售后服務作為汽車企業利潤來源的組成部分，隨著汽車保有量的不斷增長，扮演起重要角色。如何持續提高客戶粘性，將基盤車主保持在4S體系成為售后產值的關鍵。

與此同時，在數字化背景下，主機廠端各類數據量爆發性增長，大數據作為一種豐富的資源，拓展數據應用場景的重要性日益顯現。借數據賦能，精準營銷，搭建完善的客戶邀約流程，才能夠高效招攬客戶，拉動產值提升，提高客戶忠誠度，提升客戶全生命周期價值。

本文根據中國汽車企業招攬車主現狀，提出優化方案。

1 售后招攬現狀分析

現主流廠商多數以贈送首次保養的方式捆綁新車首次進廠。新車首保后，基于客戶進廠公里數推算日均行駛里程，在預計滿足品牌推薦保養時間或公里數時，以電話或APP/短信推送保養到期提醒。

在實際情況中，不僅客戶日行駛里程不斷變化，另外對于不同客戶，保養偏好存在差異性，這使得傳統的保養提醒時間點和用戶需求產生時間點產生偏差。若某一客戶在一時間段內長途旅行，用車頻率激增，導致測算的日均行駛里程值大，可能導致某次保養后間隔極短時間就提醒客戶再次保養，引起客戶反感甚至客訴。

傳統招攬手段采用的所有客戶一套線索生成邏輯、統一保養間隔，導致線索觸達效果差、和車主用車習慣不符的缺陷成為售后保養產值提升的主要痛點。

隨著大數據時代的到來，客戶里程數據、消費訂單信息數據、邀約過程數據等信息量龐大，此類數據集中存儲在主機廠DMS系統后臺。①盡管數據量大，但發揮的功能局限于歷史追溯和過程復盤。大數據對未來的預見性、分析性作用未能顯現。

由此充分發揮數據能效，挖掘數據價值，分析、構建數據間的相互聯系，形成客戶標簽，完善售后招攬線索體系成為車企提升客戶全生命周期價值提升的關鍵。

2 客戶標簽建立

車主標簽應包含車主各維度的信息，展示客戶畫像，描述客戶特征，同時應具有實用性，是業務在實際應用中定位客戶可能會涉及到的字段。因此，從基本信息出發，有售后車齡、車型、客戶身份等基本屬性信息標簽；從實際應用需求出發，需要具備反映客戶保養/消費偏好的標簽，建立起全面的車主畫像。

如圖1所示，展示了全維度的車主標簽結構。

用戶屬性和用戶行為可從系統后臺根據設置字段可直接調取，通過分析隨機森林的以下優勢，預測分析屬性標簽則依賴于特征工程+數據建模（隨機森林）來建立。

隨機森林通過采樣得到多個數據集，之后在單個數據集上訓練一個基分類器，再將各分類器的結果結合起來得到最終預測結果。分析最終標簽的顯著特征，再將特征標簽推演至全量車主，找出符合條件的人群。

隨機森林具有以下優勢：

①訓練高度并行化，可在大數據集上高效運行。

②對決策樹候選劃分屬性采樣，在樣本特征維度較高的情況下，仍能有效訓練模型。

③具備樣本和屬性的采樣，最終訓練出來的模型泛化能力強。

④可以輸出各特征對預測目標的重要性。

⑤對部分特征的缺失容忍度高。

以消費偏好標簽-“重點零件消費偏好人群”為例，為避免新車主引起的差異，產生數據噪聲，數據源設置為系統內總行駛里程大于五萬公里的車主。

正樣本：歷史購買過重點零件（空氣濾芯、空調濾芯、燃油濾芯、火花塞、制動液）≥4種的用戶；

負樣本：歷史購買過重點零件中<4種的用戶；

用戶特征：平均消費金額、購買增值服務、車型、保養習慣、官方APP活躍車主、續?！?/p>

根據數據模型，提取其中重要性顯著高于其他特征的前幾大特征，將滿足特征的客戶圈出，得到重點零件消費偏好車主。

基于以上方法，可以拓展得到養護產品消費偏好、保養習慣偏好等標簽。

3 客戶標簽應用

在汽車售后服務中，促使客戶消費的主要機會點產生于保養、續保、延保、事故等環節。其中，車輛保養是客戶的最基本需求，客戶進入4S店的同時也給其他增值服務創造了機會。故此處從基礎保養招攬的過程出發，探究客戶標簽的應用場景。

首先是客戶保養需求產生的預估。根據大數據模型計算結果，識別出每個客戶的保養習慣，可分為規律提前、規律延后、無規律客戶三大類。

若為規律提前客戶，根據其規律提前量，在廠方建議保養時間前進行線索派發；若為規律延后客戶，為培養客戶及時保養的習慣，按照建議保養時間進行線索派發，但在招攬過程中，指導經銷商善用限時活動引導客戶進店，若仍未進廠，及時在其延期量前再次進行跟進提醒，防止客戶流失。

對于裝載車機系統的車輛，利用后臺車機同步數據，在向經銷商推送線索時，應選擇推送給車主最近車輛常用地的經銷商，避免因為過路的消費工單推送給異地經銷商，以提高線索質量以及邀約效率，減少異地經銷商跟進引起的客戶抱怨。

對于未裝車機系統的車輛，若缺失地理位置數據，可從后臺拉取消費記錄，選擇客戶頻繁消費的經銷商進行線索推送。

而在APP數據和DMS系統充分打通融合的情況下，可以讓客戶根據個人的地理位置或偏好在APP自主選擇專屬服務經銷商，將線索推送到客戶指定經銷商，由指定店進行跟進。

針對已經形成規律保養習慣的客戶，可以根據其行為判定其流失狀態。對于任一規律客戶來說，若此次距離上次保養已超過習慣保養間隔3個月，可以認為客戶存在較大流失風險，可以通過電話或APP推送信息的方式再次提示客戶。

結合客戶保養習慣標簽的保養線索體系，如圖2所示，形成完整的業務流，招攬動作覆蓋客戶全生命周期，實現千人千面精準邀約。

在客戶進店后，經銷商銷售人員可在系統查看對應客戶的標簽，若顯示客戶為重點零件消費偏好人群，可以著重增加重點零件的推薦，提高客單價，從而拉動售后產值。

在精準的需求把握、銷售推薦之外，客戶標簽可幫助企業高效整合營銷資源，實現精準投放。在開展營銷活動時，可以精準定位活動針對的客戶群，基于活動目標是為了提升忠實客戶的滿意度還是防止搖擺客戶流失、挽回流失客戶等，從而確定目標客戶范圍。例如，預流失客戶可判定為規律提前長時間未回廠、規律延后超時回廠、無規律客戶保養超期，通過定位預流失客戶，投放活動資源，對其推介多次保養套餐優惠方案，鎖定客戶后續的保養需求，防止客戶流向4S體系外，最終提升基盤客戶保持率。

與此同時，客戶標簽需具備及時性，應進行及時更新維護。由于客戶的行為習慣可能出現改變，導致滿足標簽邏輯定義的客戶群體同樣發生變更。在后臺數據更新時，應定時按標簽邏輯對標簽進行刷新，保證客戶標簽的時效性和準確性。

4 邀約過程數據的應用拓展

在傳統的邀約系統中，主要產生跟進、轉化的結果數據。例如，跟進時間反映是否及時跟進，客戶進廠信息反映線索是否成功轉化，跟進次數顯示跟進頻率……對上述數據進行分析，可以呈現經銷商的跟進節奏和轉化表現，但無法為過程優化決策提供參考價值。

近年來，語音識別技術（ASR）快速發展，已經在多個領域的得到應用?；贏SR技術，可以將邀約過程產生的數據進行轉譯，通過數據清洗和整合分析，為邀約策略的優化提供強有力的數據支撐，促進邀約過程質量的提升。

邀約過程數據的采集過程可分為以下幾步。首先對電話外呼聯系客戶的通話進行聲音收集，分析和處理聲音信號，去除靜音或噪音等冗雜信息；再將聲音信號進行轉換，給聲學模型提供適合的特征向量，聲學模型對特征向量的聲學特征計算得分；接下來語言模型計算出聲音信號可能代表的詞組，根據已有字典對齊進行解碼，得到最終文本表示。最后將通話內容進行文字呈現。

對于提取出的語音文字數據，首先可以對每通通話進行考核?？疾檠s人員聯系客戶時，作為車企的形象代表，是否按照主機廠的要求來進行邀約動作。邀約話術要求可拆分成幾大考核項，分別統計是否命中得分。有禮貌的開場白并說明來電意圖、體現用戶關懷、介紹當季活動、能夠正確應對客戶的疑問，都是一通高質量邀約通話應該體現的內容。另外，語音的文字化和數字化，還可以在進行當季主推活動時得到應用。在活動期間可定向考核邀約活動目標客戶時，邀約人員是否對相關內容進行了介紹，實現對經銷商活動推介執行的檢核。

將上述各個考核點涉及的談話內容進行泛化，訓練語音模型。語音模型的訓練非一蹴而就，需結合語境和關鍵詞的拓展不斷將表述泛化，避免邀約人員為通過考核，持續按照固定句式輸出內容，給客戶造成反感。為使提升模型準確性，可以將得分詳情展示給邀約人員，開啟考核申訴的通道，由系統運營人員判斷是否為評分模型誤判，若為誤判，則將這則通話的得分進行更正，并將此通話作為正向樣本投入語音模型進行訓練，通過語音大數據的不斷擴容反哺，語音評分模型日趨精準。

基于對邀約過程語音數據的處理，不僅可以作為一種過程質量的評價考核方式，還可以通過對數據進行查詢、歸納、分析，進一步發揮數據價值。

首先是查找的功能。車主滿意度提升和客訴及時相應處理一直是品牌形象建立的關鍵，可以通過查找客訴抱怨的關鍵詞，定位到具體通話和涉及的經銷商、客戶，查看問題來源和性質，實現對客訴和質量問題的預警，及時采取應對措施，減少經銷商對于客訴問題的漏報、瞞報。

另外可以對語音數據進行整合，探究海量通話中客戶側出現的高頻詞句，知曉當前客戶對于邀約的反饋，以及他們最關心的問題。若由于話術表述不到位引起疑問，或是對邀約推薦的保養時間點存在質疑，及時調整相關話術，形成話術不斷升級的機制。

結合數據分析可視化軟件，如Tableau、Power BI等，將單條線索的考核得分情況同轉化情況底層數據分別接入，經過數據連接合并、數據聚合等操作對數據進行清洗，展示考核得分點和最終線索轉化之間的關聯，探究各個話術考核點對于最終轉化產生的影響。根據影響程度調整得分比重，引起邀約人員重視，引導其開口，促進邀約效果的提升，拉動客戶進4S店消費。同時可將邀約效果好的邀約人員得分數據抽取出來分析，重點研究優秀邀約人員的通話特點，分析其通話的結構、跟進的頻次分布，給其他邀約人員提供學習參照的素材。

通過對邀約過程數據進行挖掘，使得邀約話術的升級有具體的數據支撐，更加效果導向；新話術、新調整引入后，可以得到及時的效果反饋，促使邀約過程能夠持續進行科學迭代，對提升客戶滿意度與拉動進店起積極作用。

5 結語

隨著大數據時代的到來，與之而來的是指數級增長的數據量和隨之提升的存儲運維成本，與此同時，將數據的作用充分發揮，讓數據反哺業務提升，實現物盡其用，成為越來越多企業關注的重點。本文主要討論了基盤車主在汽車使用期間產生的數據、邀約車主回店的過程數據，研究其對于促進車主消費、提高客戶粘性，從而提升車主全生命周期價值的應用方式，給出落地方向。傳統企業的數字化進程仍在繼續，數據應用場景還可以不斷拓展，這仍然需要持續探索。

參考文獻：

[1]涂新莉，劉波，林偉偉.大數據研究綜述[J].計算機應用研究，2014，（第6期）.

[2]唐樹鶯，胡波，崔易，李鐵瑞.基于大數據和知識圖譜的零售客戶標簽體系設計[J].全國流通經濟，2021，（第2期）.

[3]李井秋.我國汽車售后服務現狀及發展趨勢[J].汽車世界·車輛工程技術，2020，（第11期）.

[4]杭琦，楊敬輝.機器學習隨機森林算法的應用現狀[J].電子技術與軟件工程，2018，（第24期）.

注釋：

①數據采集過程符合法律法規要求。