车企数据中台指标体系建设方法论

当前汽车行业的现状和痛点是什么？可以通过什么方式解决？本文结合相关案例，总结分析了车企数据中台指标体系建设方法论，希望对你有所启发。

目前汽车行业面临业务分析效率低的问题，可以归结为6大症结：瘫、乱、重、慢、缺、难。

• 瘫：一次大型活动，比如新车发布会，会需要市场部门、品牌部门、销售部门等各个部门协同工作，但每个部门有各自的系统，各系统来自不同的服务商，系统分散，能力无法互通；
• 乱：数据分散在各个系统，数据口径不统一，定义不清晰，就会导致数据不准确；
• 重：很多报表停留在excel阶段，需要大量人工工作，数据统计耗时费力；
• 慢：各供应商交付的系统没有很好的扩展性，没有整体考虑性能问题，难以快速支持业务创新；
• 缺：各部门各自为政，没有统一标准、统一规划，缺失统一的管理组织；
• 难：发布会结束后统计ROI，发现线下车展数据缺失，仅可统计线上投放部分ROI，导致评估困难。

02 指标体系是数据中台的价值引擎

汽车行业的生命周期包括研发、制造、营销和用户体验，数字化转型涵盖了这四个环节，底座则是数字化中台。本文将从数字化营销的视角，来讲解指标体系的搭建。

第一阶段：数据库阶段

主要是OLTP （联机事务处理）的需求。例如MySQL、PostgreSQL、Oracle等，数据来源主要为各业务系统。

第二阶段：数据仓库阶段

OLAP（联机分析处理）成为主要需求，例如Hive、Greenplum、HBase、ClickHouse等。在使用OLAP进行数据分析时，需要对原始数据进行维度建模，之后再进行分析。维度建模理论中，基于事实表和维度表构建数据仓库。在实际操作中，一般会使用ODS、DW、AD三级结构。

第三阶段：数据平台阶段

典型的代表为Hadoop，针对海量数据，主要解决BI和报表需求的技术问题。

第四阶段：数据中台阶段

数据中台的概念由阿里巴巴首次提出，它的目的是将企业沉睡的数据变成数据资产，从而实现数据价值变现的系统和机制。通过系统来对接OLTP和OLAP的需求，强调数据业务化的能力。

2. 通过数据中台为精准营销提供数据支撑

整体架构如下图所示。包括业务应用、数据产品、数据治理、数据源四大部分。

指标体系相当于中台地基的血肉，为不同角色用户提供数据决策支持，实现数据驱动业务。

• 最上面是企业级KPI，主要为经营类指标，帮助高层和决策者进行决策。作为管理者更多的是看结果。
• 下面一层是部门级KPI，包括销售、交付、售后等指标。中层主要是对数据进行监控，发现业务问题。
• 最下面是运营层KPI，基层专题运营重点是看细节评估运营活动效果。这里需要通过运营相关指标进行自助分析，定位问题细节。

03 指标体系建设方法

2. 指标方案设计

4. 指标管理

之所以需要做指标管理，主要因为存在同名不同义、同义不同名、口径不清晰、来源不清晰、逻辑不准确等问题。

指标管理大致可分为五个步骤：

1. 建立指标生产协同机制：指标的诞生要经过需求申请、审核、数据开发、上线应用流程，收口指标创建过程，避免指标建设的随意性带来的“污染”。
2. 制定指标命名、口径说明规范：按照原子指标+业务限定+统计维度的方式，将规则集成到平台内，通过系统规则来把控指标输出。
3. 指标字典线上化：解决线下文档(excel)管理指标存在的共享难、更新不及时、权限管控缺失等问题。
4. 指标数据逻辑绑定：即除了维护指标的业务元数据外，还要建立指标的技术元数据，指标数据从哪个模型、哪个字段、何种计算逻辑得到。
5. 指标输出：指标管理最大的价值还是为数据产品提供数据输出。

5. 这里主要介绍类应用

（1）移动看板：管理层经常会使用移动端看板，会有很多定制化需求。

（2）PC看板：更多的是面向业务人员，要求更高的灵活性和便捷性。

（3）决策大屏：比如管理驾驶舱、经营驾驶舱。

04 案例分享

案例1：车企业务数据洞察——销售全周期分析

数字沙盘分为两个部分进行指标建设，达到知己知彼提升市占率。

一是竞品指标：通过了解市场行情、市场容量、掌握市场动态等，预测发布车型市占率。

二是自身产品指标：通过对客源、潜客、订单等流程梳理、再经过多维度数据分析，定位销售劣势，优化销售环节。

作者：赵松，微信公众号：松果子聊数字化，极氪汽车大数据产品负责人，多年汽车数字化从业经历。

本文由 @松果子聊数字化 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。