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：
年3月启动；
年5月完成配件销量预测，主机厂对经销商部署实施；
年6月启动第二期进站与配件营销预测；
年7月完成算法模型，分发给各地经销商；
年8-9月开展线下培训、落实、反馈；
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，在年1-3月份，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(MeanAbsolutePercentageError),MAE（MeanAbsoluteError）、决定系数R2、RMSE（RootMeanSquaredError）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、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%。
相关企业介绍
·数皆智能
DIA数皆智能成立于年，技术团队孵化自益普索中国，并于年成立上海益普索信息技术有限公司（SIIT）。年更名为上海数皆智能技术有限公司。通过体验驱动的数字化运营，帮助企业实现客户资产的增值，并最终带来长期、健康的业务价值成长。
DIA数皆智能的主要业务是为线上线下高互动的B2C企业建立体验和行为数据的闭环。自研的Bri.eXperience听客（体验数据监测）、Bri.Voice聆客（用户之声监测）、秒算（XO融合、NPS预测、策略模拟）、Bri.Engagement悦客（线上旅程执行）、Bri.Channel友客（线下旅程执行）组成了DIA数皆智能的产品矩阵——用户体验提升智能运营平台。帮助企业进行全业务、全客群、全渠道、全触点精细化运营，从而提升客户体验，助力企业实现客户资产持续增值。
·某美国豪车品牌
某美国汽车品牌，一个具有百年历史的世界著名豪华汽车品牌，凭借着出色的品控以及卓越的驾驶质感深受消费者的青睐和追捧。曾在行业内创造了无数个第一，缔造了无数个豪华车的行业标准。可以说该汽车品牌的历史代表了美国豪华车的历史。