大数据提高客户全用车生命周期价值的应用研究

李彦俐

摘 要：利用大数据全面系统地对现有车主招揽体系进行迭代。在客户全用车周期持续跟踪用车习惯，基于客户行为数据，形成客户标签，为经销商精准识别出不同类别客户，采取针对性邀约策略，提升客户价值。对提高汽车企业售后产值有参考意义。

关键词：大数据 数据挖掘 客户标签 产值提升

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

售后服务作为汽车企业利润来源的组成部分，随着汽车保有量的不断增长，扮演起重要角色。如何持续提高客户粘性，将基盘车主保持在4S体系成为售后产值的关键。

与此同时，在数字化背景下，主机厂端各类数据量爆发性增长，大数据作为一种丰富的资源，拓展数据应用场景的重要性日益显现。借数据赋能，精准营销，搭建完善的客户邀约流程，才能够高效招揽客户，拉动产值提升，提高客户忠诚度，提升客户全生命周期价值。

本文根据中国汽车企业招揽车主现状，提出优化方案。

1 售后招揽现状分析

现主流厂商多数以赠送首次保养的方式捆绑新车首次进厂。新车首保后，基于客户进厂公里数推算日均行驶里程，在预计满足品牌推荐保养时间或公里数时，以电话或APP/短信推送保养到期提醒。

在实际情况中，不仅客户日行驶里程不断变化，另外对于不同客户，保养偏好存在差异性，这使得传统的保养提醒时间点和用户需求产生时间点产生偏差。若某一客户在一时间段内长途旅行，用车频率激增，导致测算的日均行驶里程值大，可能导致某次保养后间隔极短时间就提醒客户再次保养，引起客户反感甚至客诉。

传统招揽手段采用的所有客户一套线索生成逻辑、统一保养间隔，导致线索触达效果差、和车主用车习惯不符的缺陷成为售后保养产值提升的主要痛点。

随着大数据时代的到来，客户里程数据、消费订单信息数据、邀约过程数据等信息量庞大，此类数据集中存储在主机厂DMS系统后台。①尽管数据量大，但发挥的功能局限于历史追溯和过程复盘。大数据对未来的预见性、分析性作用未能显现。

由此充分发挥数据能效，挖掘数据价值，分析、构建数据间的相互联系，形成客户标签，完善售后招揽线索体系成为车企提升客户全生命周期价值提升的关键。

2 客户标签建立

车主标签应包含车主各维度的信息，展示客户画像，描述客户特征，同时应具有实用性，是业务在实际应用中定位客户可能会涉及到的字段。因此，从基本信息出发，有售后车龄、车型、客户身份等基本属性信息标签；从实际应用需求出发，需要具备反映客户保养/消费偏好的标签，建立起全面的车主画像。

如图1所示，展示了全维度的车主标签结构。

用户属性和用户行为可从系统后台根据设置字段可直接调取，通过分析随机森林的以下优势，预测分析属性标签则依赖于特征工程+数据建模（随机森林）来建立。

随机森林通过采样得到多个数据集，之后在单个数据集上训练一个基分类器，再将各分类器的结果结合起来得到最终预测结果。分析最终标签的显著特征，再将特征标签推演至全量车主，找出符合条件的人群。

随机森林具有以下优势：

①训练高度并行化，可在大数据集上高效运行。

②对决策树候选划分属性采样，在样本特征维度较高的情况下，仍能有效訓练模型。

③具备样本和属性的采样，最终训练出来的模型泛化能力强。

④可以输出各特征对预测目标的重要性。

⑤对部分特征的缺失容忍度高。

以消费偏好标签-“重点零件消费偏好人群”为例，为避免新车主引起的差异，产生数据噪声，数据源设置为系统内总行驶里程大于五万公里的车主。

正样本：历史购买过重点零件（空气滤芯、空调滤芯、燃油滤芯、火花塞、制动液）≥4种的用户；

负样本：历史购买过重点零件中<4种的用户；

用户特征：平均消费金额、购买增值服务、车型、保养习惯、官方APP活跃车主、续保……

根据数据模型，提取其中重要性显著高于其他特征的前几大特征，将满足特征的客户圈出，得到重点零件消费偏好车主。

基于以上方法，可以拓展得到养护产品消费偏好、保养习惯偏好等标签。

3 客戶标签应用

在汽车售后服务中，促使客户消费的主要机会点产生于保养、续保、延保、事故等环节。其中，车辆保养是客户的最基本需求，客户进入4S店的同时也给其他增值服务创造了机会。故此处从基础保养招揽的过程出发，探究客户标签的应用场景。

首先是客户保养需求产生的预估。根据大数据模型计算结果，识别出每个客户的保养习惯，可分为规律提前、规律延后、无规律客户三大类。

若为规律提前客户，根据其规律提前量，在厂方建议保养时间前进行线索派发；若为规律延后客户，为培养客户及时保养的习惯，按照建议保养时间进行线索派发，但在招揽过程中，指导经销商善用限时活动引导客户进店，若仍未进厂，及时在其延期量前再次进行跟进提醒，防止客户流失。

对于装载车机系统的车辆，利用后台车机同步数据，在向经销商推送线索时，应选择推送给车主最近车辆常用地的经销商，避免因为过路的消费工单推送给异地经销商，以提高线索质量以及邀约效率，减少异地经销商跟进引起的客户抱怨。

对于未装车机系统的车辆，若缺失地理位置数据，可从后台拉取消费记录，选择客户频繁消费的经销商进行线索推送。

而在APP数据和DMS系统充分打通融合的情况下，可以让客户根据个人的地理位置或偏好在APP自主选择专属服务经销商，将线索推送到客户指定经销商，由指定店进行跟进。

针对已经形成规律保养习惯的客户，可以根据其行为判定其流失状态。对于任一规律客户来说，若此次距离上次保养已超过习惯保养间隔3个月，可以认为客户存在较大流失风险，可以通过电话或APP推送信息的方式再次提示客户。

结合客户保养习惯标签的保养线索体系，如图2所示，形成完整的业务流，招揽动作覆盖客户全生命周期，实现千人千面精准邀约。

在客户进店后，经销商销售人员可在系统查看对应客户的标签，若显示客户为重点零件消费偏好人群，可以着重增加重点零件的推荐，提高客单价，从而拉动售后产值。

在精准的需求把握、销售推荐之外，客户标签可帮助企业高效整合营销资源，实现精准投放。在开展营销活动时，可以精准定位活动针对的客户群，基于活动目标是为了提升忠实客户的满意度还是防止摇摆客户流失、挽回流失客户等，从而确定目标客户范围。例如，预流失客户可判定为规律提前长时间未回厂、规律延后超时回厂、无规律客户保养超期，通过定位预流失客户，投放活动资源，对其推介多次保养套餐优惠方案，锁定客户后续的保养需求，防止客户流向4S体系外，最终提升基盘客户保持率。

与此同时，客户标签需具备及时性，应进行及时更新维护。由于客户的行为习惯可能出现改变，导致满足标签逻辑定义的客户群体同样发生变更。在后台数据更新时，应定时按标签逻辑对标签进行刷新，保证客户标签的时效性和准确性。

4 邀约过程数据的应用拓展

在传统的邀约系统中，主要产生跟进、转化的结果数据。例如，跟进时间反映是否及时跟进，客户进厂信息反映线索是否成功转化，跟进次数显示跟进频率……对上述数据进行分析，可以呈现经销商的跟进节奏和转化表现，但无法为过程优化决策提供参考价值。

近年来，语音识别技术（ASR）快速发展，已经在多个领域的得到应用。基于ASR技术，可以将邀约过程产生的数据进行转译，通过数据清洗和整合分析，为邀约策略的优化提供强有力的数据支撑，促进邀约过程质量的提升。

邀约过程数据的采集过程可分为以下几步。首先对电话外呼联系客户的通话进行声音收集，分析和处理声音信号，去除静音或噪音等冗杂信息；再将声音信号进行转换，给声学模型提供适合的特征向量，声学模型对特征向量的声学特征计算得分；接下来语言模型计算出声音信号可能代表的词组，根据已有字典对齐进行解码，得到最终文本表示。最后将通话内容进行文字呈现。

对于提取出的语音文字数据，首先可以对每通通话进行考核。考查邀约人员联系客户时，作为车企的形象代表，是否按照主机厂的要求来进行邀约动作。邀约话术要求可拆分成几大考核项，分别统计是否命中得分。有礼貌的开场白并说明来电意图、体现用户关怀、介绍当季活动、能够正确应对客户的疑问，都是一通高质量邀约通话应该体现的内容。另外，语音的文字化和数字化，还可以在进行当季主推活动时得到应用。在活动期间可定向考核邀约活动目标客户时，邀约人员是否对相关内容进行了介绍，实现对经销商活动推介执行的检核。

将上述各个考核点涉及的谈话内容进行泛化，训练语音模型。语音模型的训练非一蹴而就，需结合语境和关键词的拓展不断将表述泛化，避免邀约人员为通过考核，持续按照固定句式输出内容，给客户造成反感。为使提升模型准确性，可以将得分详情展示给邀约人员，开启考核申诉的通道，由系统运营人员判断是否为评分模型误判，若为误判，则将这则通话的得分进行更正，并将此通话作为正向样本投入语音模型进行训练，通过语音大数据的不断扩容反哺，语音评分模型日趋精准。

基于对邀约过程语音数据的处理，不仅可以作为一种过程质量的评价考核方式，还可以通过对数据进行查询、归纳、分析，进一步发挥数据价值。

首先是查找的功能。车主满意度提升和客诉及时相应处理一直是品牌形象建立的关键，可以通过查找客诉抱怨的关键词，定位到具体通话和涉及的经销商、客户，查看问题来源和性质，实现对客诉和质量问题的预警，及时采取应对措施，减少经销商对于客诉问题的漏报、瞒报。

另外可以对语音数据进行整合，探究海量通话中客户侧出现的高频词句，知晓当前客户对于邀约的反馈，以及他们最关心的问题。若由于话术表述不到位引起疑问，或是对邀约推荐的保养时间点存在质疑，及时调整相关话术，形成话术不断升级的机制。

结合数据分析可视化软件，如Tableau、Power BI等，将单条线索的考核得分情况同转化情况底层数据分别接入，经过数据连接合并、数据聚合等操作对数据进行清洗，展示考核得分点和最终线索转化之间的关联，探究各个话术考核点对于最终转化产生的影响。根据影响程度调整得分比重，引起邀约人员重视，引导其开口，促进邀约效果的提升，拉动客户进4S店消费。同时可将邀约效果好的邀约人员得分数据抽取出来分析，重点研究优秀邀约人员的通话特点，分析其通话的结构、跟进的频次分布，给其他邀约人员提供学习参照的素材。

通过对邀约过程数据进行挖掘，使得邀约话术的升级有具体的数据支撑，更加效果导向；新话术、新调整引入后，可以得到及时的效果反馈，促使邀约过程能够持续进行科学迭代，对提升客户满意度与拉动进店起积极作用。

5 结语

随着大数据时代的到来，与之而来的是指数级增长的数据量和随之提升的存储运维成本，与此同时，将数据的作用充分发挥，让数据反哺业务提升，实现物尽其用，成为越来越多企业关注的重点。本文主要讨论了基盘车主在汽车使用期间产生的数据、邀约车主回店的过程数据，研究其对于促进车主消费、提高客户粘性，从而提升车主全生命周期价值的应用方式，给出落地方向。传统企业的数字化进程仍在继续，数据应用场景还可以不断拓展，这仍然需要持续探索。

参考文献：

[1]涂新莉，刘波，林伟伟.大数据研究综述[J].计算机应用研究，2014，（第6期）.

[2]唐树莺，胡波，崔易，李铁瑞.基于大数据和知识图谱的零售客户标签体系设计[J].全国流通经济，2021，（第2期）.

[3]李井秋.我国汽车售后服务现状及发展趋势[J].汽车世界·车辆工程技术，2020，（第11期）.

[4]杭琦，杨敬辉.机器学习随机森林算法的应用现状[J].电子技术与软件工程，2018，（第24期）.

注释：

①数据采集过程符合法律法规要求。