麦肯锡重量级报告,系统分析汽车大数据变现路径

简介:

随着车联技术的进步,V2V(车辆与车辆互联)、V2X(车辆与基础设施及其他事物互联)趋势逐步深化,无数传感器收集海量数据。掌控接口,采集和汇总数据已悄然成为车联业务必不可少的环节;然而,如何利用这一筹码,捕捉汽车产业上下游价值链动态并开发潜力,有效变现数据才是重点。问题的解决上,各方还处于起步阶段。

为此,麦肯锡公司启动了大规模多模态的研究,包括召集汽车行业(OEM、供应商、销售)、高科技,保险,电信、金融等方面的重头人物,在德国和美国举行圆桌会议;在中国、德国和美国调查评估消费偏好、趋势;逐一访谈相关板块的领军力量;开展“客户诊所”项目,收集指向各种汽车连接功能和服务实用性态度的用户观察资料;开发基于行业关键参与者所优选案例的模型,来量化与汽车数据相关的总总收入,并汇总给出了报告。

全球汽车产业宏观趋势和汽车数据的价值机遇

四大因素促使汽车数据变现潜力提升:环境问题和更加严格的排放标准成为决定因素,到2030年,包括混动、插电、电池、燃料电池在内的新能源车将占汽车总销的10%以上,某些地区将高达50%;共享经济作为逐步替代私家车,成为全新模式,到2030年,每十辆新购车就有一辆是共享车;车联网的日趋成熟,ADAS逐步落地;到2030年,近乎15%的乘用车将支持完全无人驾驶,汽车的“第三空间”概念全面深入。


(四大因素;来源:麦肯锡)

(四大因素;来源:麦肯锡)  

(汽车相关相关产业总收入增速惊人;来源:麦肯锡)

(汽车相关相关产业总收入增速惊人;来源:麦肯锡)

培养更有理有据的客户消费新主张

数据变现之路的第一个挑战,是与终端用户的价值体系打通,也就是要培养一套更有理有据的客户消费新主张。本质上讲,汽车数据的价值创造核心是数据与利益的交换。而客户的利益诉求又最终落在了四大方面:安全、便捷、省时和实惠。

在调查中发现,对于如下两个问题:

1. 分享数据意愿:下列何种服务版本你更中意?

表中展示了数据分享中,选择完整或基础版的受访者百分比

2. 付费意愿:对于此种服务,你更倾向的获取方式是什么?

表中展示了放弃免费或带广告版本而选择付费版本的受访者百分比


(德、美、中三国的受访者数据;来源:麦肯锡2016汽车数据变现问卷调查)

(德、美、中三国的受访者数据;来源:麦肯锡2016汽车数据变现问卷调查)  

(德、美、中三国的受访者数据;来源:麦肯锡2016汽车数据变现问卷调查)

(德、美、中三国的受访者数据;来源:麦肯锡2016汽车数据变现问卷调查)德、美、中三国客户愿意分享的数据排首位的分别为:车载非驾驶相关数据、车联导航和预约汽车保养;而付费意愿最强的分别为网联停车、用户监测及评分和预约保养数据。

另外,全球90%的被调查者知晓数据被用于应用或第三方;79%的受访者表示答题允许数据被采用;79%的受访者比起移动出行数据,更愿意分享应用或智能端操作系统的个人数据。调查还表明,年轻人和经常出行的旅行者对于数据驱动的功能或服务体现出更浓厚的兴趣;大约75%的客户不介意将数据共享给主机厂,这其中有1/3的人表示要保证数据不被出售。

构架业务模型,发掘案例价值和开发变现思路

汽车大数据拓广了市场及产业生态圈,带来了新的参与者,也提供了海量案例和变现商业思路。其中涉及主机厂、供应商、零售商、维修厂、保险商、道路辅助提供商、基础设施运营商、科技巨头、创新企业、服务提供商、移动运营商、政府相关政策部门。行业主要致力于产生价值、降低成本和提高安全性。

事实上,这一产业价值链上的参与者和相关案例可产生的利益关系是复杂的,由诸多因素驱动:

用户的使用率和付费意愿--驱动商机的经济吸引力;价值链的复杂性--驱使多数参与者合作(如“网联停车”或“e-call/b-call 服务”);塑造价值链关键节点和技术储备的渠道和能力;对行业动态数据权衡和反应,判断商机、推动执行的核心能力。将三个关键技术推动因素安置就位

汽车数据变现依赖于三大重要技术赋能因素:车内技术、基础设施技术、后端进程技术。


(来源:麦肯锡)

(来源:麦肯锡)其中,在基础设施技术上,包括八大方面:高速基站塔、V2X车联、道路智能基建、大数据分析、云数据、软件平台、高精度地图和高分辨定位。


(来源:麦肯锡)

(来源:麦肯锡)  

(后端进程,包括各方协同的后台技术支撑;来源:麦肯锡)

(后端进程,包括各方协同的后台技术支撑;来源:麦肯锡)完善自身能力,建立联盟和协同布局

完善自身能力的同时,汽车数据变现的产业生态更依赖与各方精心规划的战略协同合作,包括:主机厂的内核经营、科技巨头的外部资源、供应商和服务提供商的分散作用以及大数据分析的专业化合作。


(来源:麦肯锡)

(来源:麦肯锡)新阶段:启动数据变现旅程的五大实用建议

在这一汽车数据变现启程阶段,对于各企业,麦肯锡给出了建议:

在决策层规划远大布局深挖既有案例功在当今,为以后建立鲁棒性更强的解决方案建立科技、商业的合作生态圈以更好的思维完善内部体系“免费移动资源”--客户利益,是商机还是乌托邦

在文末,麦肯锡提到了很有意思的概念:(为终端客户提供的)免费移动资源--包括车本身、里程、车载流量等。

将交通资源变成一种服务载体,汽车数据驱动的商业模式是有能力实现的。大胆地想,在一定的环境、时间、条件下,以数据交换为前提,将移动资源免费提供给终端客户,是否可行?随着未来无人驾驶技术和车联网技术的结合,商家可能为用户免费提供移动资源,是以精准广告投放、用户的商品反馈和车载消费为交换的。与此同时,多方商业体将率先在商场(或集散地)推广免费车,因为汽车的高自动化将极大意义地降低个人出行成本;而下一代的车联以及数字技术可以把车本身变为“商场第一站”(客户消费的一大场所)。

这个构想是有趣的,类比当今手机等移动终端的服务绑定趋势和免费化,这又绝非象牙塔,具体落地也并不虚无缥缈。

麦肯锡从多种角度给出了可行的方向:

首先,“移动资源提供实在的利益提供给客户”:


(来源:麦肯锡)

(来源:麦肯锡)这一思路用在汽车后市场的增值服务绑定上,也再合适不过了,取得用户数据,构建生态圈,利于主机厂也利于运营商,利益共享;同时客户也实惠到手。

其次,免费的移动交通资源更可以增加用户的到店率


(来源:OSM-在线协作地图,LandScan)

(来源:OSM-在线协作地图,LandScan)理解一下,这个思路其实是拓广了实体店的覆盖消费群体的地域范围。


(全新的商业模式,将收集客户数据、提高客户忠诚度、提升品牌消费体验和曝光度;来源:麦肯锡)

(全新的商业模式,将收集客户数据、提高客户忠诚度、提升品牌消费体验和曝光度;来源:麦肯锡)1. 消费者决定购买某品牌产品,预订其移动服务2. 在车上决定购买的品类意向3. 由于已经预约,到店得到店员的全面而体贴服务4. 在店员的协助下购买商品5. 回到车上,利用车载的流量提供商品及服务反馈6. 系统的数据同步,汽车服务知晓消费者的时间安排,并根据其空闲推荐品牌活动;提供免费茶饮作为消费鼓励 。



本文出处:畅享网
本文来自云栖社区合作伙伴畅享网,了解相关信息可以关注vsharing.com网站。

相关实践学习
简单用户画像分析
本场景主要介绍基于海量日志数据进行简单用户画像分析为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
13天前
|
存储 消息中间件 监控
【Flume】Flume在大数据分析领域的应用
【4月更文挑战第4天】【Flume】Flume在大数据分析领域的应用
|
18天前
|
存储 大数据 数据处理
PHP 与大数据:构建高效数据处理系统
传统的数据处理系统往往难以应对大规模数据的处理需求,而PHP作为一种常用的服务器端脚本语言,在数据处理方面也有其独特的优势。本文将探讨如何利用PHP构建高效的大数据处理系统,结合实际案例分析其应用场景及优势所在。
15 2
|
26天前
|
Cloud Native 数据处理 云计算
探索云原生技术在大数据分析中的应用
随着云计算技术的不断发展,云原生架构作为一种全新的软件开发和部署模式,正逐渐引起企业的广泛关注。本文将探讨云原生技术在大数据分析领域的应用,介绍其优势与挑战,并探讨如何利用云原生技术提升大数据分析的效率和可靠性。
|
1月前
|
存储 消息中间件 大数据
Go语言在大数据处理中的实际应用与案例分析
【2月更文挑战第22天】本文深入探讨了Go语言在大数据处理中的实际应用,通过案例分析展示了Go语言在处理大数据时的优势和实践效果。文章首先介绍了大数据处理的挑战与需求,然后详细分析了Go语言在大数据处理中的适用性和核心技术,最后通过具体案例展示了Go语言在大数据处理中的实际应用。
|
1月前
|
数据采集 运维 数据挖掘
API电商接口大数据分析与数据挖掘 (商品详情店铺)
API接口、数据分析以及数据挖掘在商品详情和店铺相关的应用中,各自扮演着重要的角色。以下是关于它们各自的功能以及如何在商品详情和店铺分析中协同工作的简要说明。
|
3月前
|
关系型数据库 MySQL Serverless
高顿教育:大数据抽数分析业务引入polardb mysql serverless
高顿教育通过使用polardb serverless形态进行数据汇总,然后统一进行数据同步到数仓,业务有明显高低峰期,灵活的弹性伸缩能力,大大降低了客户使用成本。
|
3月前
|
机器学习/深度学习 数据采集 算法
大数据分析技术与方法探究
在当今信息化时代,数据量的增长速度远快于人类的处理能力。因此,如何高效地利用大数据,成为了企业和机构关注的焦点。本文将从大数据分析的技术和方法两个方面进行探究,为各行业提供更好的数据应用方向。
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
大数据分析的技术和方法:从深度学习到机器学习
大数据时代的到来,让数据分析成为了企业和组织中不可或缺的一环。如何高效地处理庞大的数据集并且从中发现潜在的价值是每个数据分析师都需要掌握的技能。本文将介绍大数据分析的技术和方法,包括深度学习、机器学习、数据挖掘等方面的应用,以及如何通过这些技术和方法来解决实际问题。
47 2
|
2月前
|
API
GEE案例分析——利用sentinel-3数据计算空气污染指数(Air Pollution Index,简称API)
GEE案例分析——利用sentinel-3数据计算空气污染指数(Air Pollution Index,简称API)
104 0
|
3月前
|
数据挖掘
离线大数据分析的应用
离线大数据分析的应用