汽车后市场的大数据在哪里?我认为可能有三个来源。
其一是来自社交媒体。
微信、微博，这些平台会有大量文本数据、语音数据，经销商与顾客的每一次交谈、微博里的每一条信息、微信里的每一次互动对话，通过合适的语音、语义挖掘，都可能发掘消费者与消费行为的相关关系。
其二是来自Telematics系统。
未来几年，Telematics系统会成为汽车的标配，类似车载黑匣子的这类系统会自动记录车辆的大量数据，由于这套系统会内置车主娱乐、社交、信息系统，由机器记录的信息会让厂商真正拥有大数据，如何分析这些数据会有很多新产业，比如根据Telematics系统数据来研究拥堵问题，再比如根据机器记录的紧急刹车和超速情况分析车主驾驶行为与车辆故障、交通事故出险率的相关关系，并籍此给车主提供更精准的使用建议或据此向不同用户收取不同保费等等。
至于地理位置信息、娱乐信息、车主社交信息这类信息更是取之不尽的金矿，这就是Telematics产业的朝阳产业属性所在。
其三是来自保险行业。
总体而言，和保险相关的大数据来自两个方面。
其一是基于OBD的驾驶行为数据，这是在车辆没有前备Telematics系统的情况下，获取用户驾驶行为的重要途径。
我记得此前有位微信的朋友送了几个他开发的车载OBD产品给我测评，我又找了汽车平面以及互联网的编辑参与测评，一位编辑直言不讳地告诉我：我们找不到车主使用这个OBD系统的必要性。此话不假，但如果车辆没有装备Telematics系统的情况下，装备OBD有助于识别产生用户行为的大数据，这是识别用户特征的关键。随着Telematics系统普及，车主再后装OBD意义确实不大，有位业内朋友甚至开发出破解厂商私有协议的OBD设备，他以此为荣，认为其他OBD开发者都没有这个功能，虽然这种破解有助于这种OBD产品获取更多车辆信息，但也不足以让用户为此买单——知道更多对车主的意义何在呢?
保险行业的另一个大数据来源是保险理赔、定损的数据后台，这是本文探讨的重点。
行业内虽然有人保、太保、平安等诸多保险公司，但这些保险公司要完成车辆车险投保、出险定损是需要一个准确的数据平台来支撑的——目前在售的车型就有400多款，每款车型都有不同型号，每个型号又都有很长的升级历史，要完成新车投保和续保，必须获得每款新车不同时期的车辆残值，这是投保的基础——显然保险公司不会拿汽车网站的数据做参考，它们写错了是不用赔偿任何人损失的。
此外，车辆出现事故，要定损必须获得每款车型的零部件价格、工时费价格，这是确定索赔金额的关键，显然，不同地区的工时费是有差异的，不同维修企业、不同渠道、不同品牌的零部件价格都是有差异的，这就意味着要让定损的金额得到保险公司、维修企业、车主的三方认可，必须有个公道的第三方机构来确定定损标准，不同地区和业态的配件价格、工时价格就是必须收集和获取的数据。
从这两方面看，要获得这些数据需要花费大量的人力和物力，单个保险公司去做显然成本太高。一位业内朋友的来访让我明白，中国绝大多数保险公司、车企都从同一家数据供应商那里获得专业的数据、软件和培训服务，这是让我这个后市场观察者叹为观止的事情。
我曾经研究过欧洲的后市场情况，那里仅仅是做汽车原装和后市场零部件的型号互换和报价查询系统的就有多个数据供应商，而国内目前在做这个事情的当然也有，比如做O2O的创业者中就有声称通过帮厂商开发零部件管理平台而“灰色”地获得了众多厂商的零部件报价数据，一些保险公估公司也声称有这类数据，他们希望据此建立后市场入口，并借助入口开始O2O的探索。但对大多数要做O2O服务，或者对从事与后市场相关互联网业务的创业者而言，基于准确的历史车型数据、维修保养数据做出的服务产品才更有价值，仅靠汽车网站的数据是不足以为车主提供专业服务的。
我在此前的文章里多次提及，如果谁希望成为互联网汽车后市场的入口，历史车型查询、配件价格查询、工时查询、常规保养价格查询都是必须要提供的基础服务。有了这个基础，任何后市场创新才有可能做到专业。眼下看，似乎产业内只有我上面提到的这家公司有可能在现有数据的基础上增加常规保养数据库之后做出这种数据引擎。
我相信，一旦这家公司做出后市场的数据查询引擎，他会更愿意开放平台，让更多O2O应用开发者基于这个数据平台建立更多有趣的后市场应用——这是其数据权威性得以建立的基础。这样一来，更多本地化的O2O企业可以专注于本地维修网络的发掘和合作模式创新，专注于获取用户，专注于撮合线上交易，专注于增加交易达成率，无需再为基础数据库更新投入资源。当然，不排除会有竞争者加入这场数据引擎大战，因为保险正是基于大数据的预测来盈利的。与保险相关的事故车维修是几乎所有维修企业的利润主要来源。而保险、事故车维修又与二手车交易息息相关。这意味着保险背后的数据撬动的是整个汽车售后服务产业链，谁能抓住这个大数据的机会，谁才能真正拿到汽车后市场互联网盈利的船票。
原文发布时间为：2013-08-7
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
