本文由CIO发展中心根据上汽乘用车数据架构师王博智在“数字化加持的多维营销暨走进一汽丰田”线下交流会上的分享整理

面对造车新势力以及新能源浪潮的冲击，汽车产业链加速重构，新能源汽车在全球范围内引发的营销模式和销售渠道的探索，正在倒逼整个汽车行业不断加速营销数字化转型升级。同时，随着汽车消费群体的年轻化、需求的个性化，各大车企开始在营销层面进行以用户为中心的全新战略部署。

其中上汽集团将牢牢把握科技进步大方向、市场演变大格局、行业变革大趋势，继续深入推进"电动化、智能网联化、共享化、国际化"的"新四化"战略，努力提升业绩的同时，深入部署推进创新链建设，进一步加快推动了业务的转型升级。在“数字化加持的多维营销暨走进一汽丰田”线下交流会上，上汽乘用车数据架构师王博智就“数字营销创新”展开了分享，下文为演讲实录。

王博智 上汽乘用车数据架构师

各位同仁大家好，我是王博智，今天我分享的主题是数字化营销创新体系的搭建。首先，想与各位探讨一下数字化和信息化的关系。众所周知，数字化的前一阶段是信息化，个人认为，信息化是“人的模拟”，也就是说，是将以前需要手工做的内容转变为让系统去做。不论是面向过程，还是面向对象，都是以人的角度来实现。所以不能充分发挥信息系统的所有能力，因此需要进一步的改造，通过数字化实现能力提升。随着互联网、5G等新技术的快速发展，如何依托新技术来降低库存，实现高效的营销，将敏态的过程植入到企业文化中，这就是数字化转型关键，其核心是生产力与生产关系的重构。

下图展示的是上汽集团的三横两纵产品体系，其呈现的是一个梯形的架构。第一层是数据研发管理基座产品线。数据资产管理业界有很成熟的方法论，但是落到企业中需要根据企业的现状、数据的情况、系统的情况来因地制宜的实施。另外就是数据质量管理和数据研发过程管理，可以在数据生命周期范围内为企业提供一个全数据链路的解决方案，支持智能代码开发、多引擎混编工作流、规范化任务发布等，这是数字化的基础。数字化脱离数据不可行，但要明确的是数据并不是最重要的一部分，数据只是一个静态的内容，并没主观的思想，数据本身的价值在于如何将数据进行关联，从主机厂或者品牌角度进行使用才是更为重要的。

向上一层就是我们的AIGC和AICX算法中台，对于下层的数据研发管理和数据治理提出了更高的要求，要求数据标签和指标要更加准确。其中AIGC是生成式AI，而AICX我们叫做理解式AI。这一层我们更多的是通过AI算法，让数据在具体的场景中有能力落地。在算法的加持下，进行趋势预测、情感分析等等，来赋能业务场景。

再向上一层就是上汽智联产品线，它是由数据向业务能力的过渡层。与业务中台类似，但又有所不同，它所提供的是一个数据即服务的概念。将数据抽象封装做成工具，在实际使用过程中积累、丰富，再进一步推广，做到即取即用。这里的主要内容有数据自助分析发布（BI）、数据连接及策略自动化（MA）。

两纵就是直接面向于客户的两方面，分别是渠道数字化和营销的全度量。

接下来为大家详细介绍一下我们的产品体系，首先为大家介绍的数据研发管理基座产品线。

目前国内有很多云厂商会提供全套的数据平台解决方案，但是是否能够落地，还需要结合各个企业的实际情况。举例来说，很多传统企业发展了十几年，沉淀了一定的数据，就会想要将原来的独立发展并有一定基础的条线数仓进行整合，实现互联互通，实现跨条线数据治理。一般情况下，有三种方式进行。

第一叫整合，各个基础平台迁移至统一基础架构，比如全部上云，这种方式成本较高，需要迁移代码，存在一定的风险。

第二叫链接，一个数据平台以上下游的组合方式链接到另一个数据平台。比如把需要连通的数据抽取到统一的数仓，进行集中加工。由于这种方式是按需抽取，其弊端就是统一管理困难，无法做出真正的数据资产。

第三是控制，对多个数据平台实施统一的治理和管理，这些平台可以是分布式的甚至是碎片化的，并且可以按照自己的节奏和优势发展。前两年有一种技术叫做data fabric，数据虚拟化，数据编织，其中一部分能力是将各个数仓的元数据进行统一的展现和管理，进行统一的展示、统一的打分，判断哪个质量好、哪个用的多，哪个能形成价值闭环。其次它能够将异构的数据库连接起来，进行查询和数据探查。

基于企业的实际情况，我们有多个领域数仓，这些数仓发展较早，数据库也是异构的。这些异构数仓如果迁移到公有云，成本非常高。完全采用第二种方式不便于管理，也无法做到数据的“能用、敢用、好用”，最终我们选择了第三种方式与第二种方式的结合。

在数据的管理和治理上，我们引用data fabric的概念，将所有应用下的系统产品数据库整合到一起，并且将元数据整合到一起，建立一个通用的元数据模型。此外还整合了应用元数据，形成价值闭环，甚至一些负责人信息、权限信息都整合到一起，进行统一的管理。

至于融合，我们采取的是第二种方式，将数据放在一起，包括离线数仓、离线开发工具、实施开发工具、脱敏加密、数据的采集与调度。我们还整合iDea、Jira等管理工具，最终实现资产管理、数据质量管理，数据研发过程管理。

第二个为大家介绍的就是我们的算法中台。不同的算法能力在哪个场景能够实现提效，我们就会向着这个方向来研究、试验和实施。打比方来讲，刚才谈的基座产品下层工具是高中生，具备了工作的基本能力，上层的数据治理就是本科生，进行更加体系化、规范化的工作。而算法中台这一层更像是研究生，在纵深领域进行更进一步的探索，寻求能够切实提效的场景，通过算法能力赋能业务场景。例如我们在文案生成、代码生成、自动问答、语音转译、情感分析、趋势预测等等场景都实现了落地。

第三个为大家介绍的是上汽智联产品线，相似的比喻，这一层更像是一个“领域专家”，他承担着技术能力向业务能力转化的作用。MA大家并不陌生，而且市面上的产品大同小异，更重要的是如何与企业实际相结合。

以自动化营销为例，应用占比最高的两个领域分别是零售和电商，其特点就是高频低值。但汽车不同，我们汽车行业大部分采用的分销模式，由经销商销售。同时汽车销售的周期长，客户决策周期长，强线下交互，线索来源多样且质量参差不齐。针对这些现实情况，汽车的销售就会对销售顾问提出更高的要求，也就是说销售的能力至关重要。但是销售顾问并不是主机厂的员工，由4S店管理，因此就需要通过工具来解决这样的“矛盾”。数据连接及策略自动化套件就是这样一个产品，打通多渠道营销触点，连接企业自身及外部诸多应用系统，通过定制营销策略，低代码、可视化编织客户触达旅程。不间断的对客户进行个性化培育、孵化、营销。另外一个套件就是传统意义上的BI工具，数据自助分析发布套件。BI工具的能力都大同小异，更重要的是底层的数据资产。标签、指标，能够做到越公用化，出现“烟囱”的可能就越小，报表质量就越高。如果数据不同源，指标不统一，在实际应用时，会导致鸡同鸭讲，无法将数字贯穿到管理的始终。只有数据口径一致，才能使BI得到更好的运用。而如何做到口径一致，取决于数据资产管理，上一章我们已经讲过。

介绍完底层的三大部分内容，能够发现底层的难点和重点就在于集成，如何将异构分布的数据来进行统一的整合，做到统一的管理，保证数据质量，使数据资产化，为数字化转型提供基础。第二个就是学习能力，如何在人工智能等新技术的快速迭代背景下，通过算法能力深化技术的应用，并引入到实际的场景中。第三个就是如果承上启下，让数据向业务过渡，真正产生业务价值。

谈完“三横”，接下来我们来看“两纵”。

第一部分是渠道数字化，可以分为三个板块。第一个是线索管理，也就是如何对线索进行配置，快速响应。如何做到线索的精益化管理。线索打分是一个常规做法，我们也曾这样做过，但需要知道线索打分仅仅是能够体现线索的质量，并不能直接产生价值。具体到应用场景中，可以将高分的线索分给经销商，但前提是线索数量超出了经销商处理能力，如果线索数量在经销商能够处理的范围内，那再进行打分筛选就没有意义了。我们在使用线索评分的过程中，实际上还有其他应用场景，比如要求线索渠道按照约定质量提供线索，如果没有达到质量要求，要求提供补偿线索。

第二个是销售转化，由于经销商能力参差不齐，所以很多车企急于帮助经销商培养能力，对于经销商的要求很严。但是设想一下，如果线下到店的客户要求门店录入到我们的CRM客户管理系统，但是由于操作繁琐，而且对于操作人员来说根本没什么用处。很多销售是不愿去录入的，甚至很多经销商的店总也不愿意录入这些数据。新媒体中获得的线索亦是如此，不同地域的线索如果没有一个合理的分润模式，那么很有可能就无法实现精细化管理。不同的线索要有不同的玩法，需要根据其特点来使用工具赋能。比如对于一些优秀经销商沉淀下来的优质经验，我们可以通过提醒的方式来赋能其他经销商，把控营销的节奏等等。

第三个是渠道管理，管理分为多层，主机厂业务人员、大区经理、小区经理、门店管理层、门店顾问。每个人看数据和用数据的角度都是不一样的，所以我们对它们的赋能要数据同源，按需设计，这样的话怎么拆分都是能够对齐的。另外就是要精准高效的把数据有针对性的给到有需要的人。

第二个部分就是营销全度量平台产品线，其中透明度量产品就是我们常说的报表，KPI可视化，洞察分析，口径统一。另外对于销售顾问，我们还要将数据嵌入到流程中，打造业务赋能产品，例如行动指南、商务考核、财务结算等，数据不单是一种展示，更应用到实际场景中。再向上就是我们的一些探索，也就是诊断和决策，底层是被动展示，向上是数据对业务流程的赋能，再向上就是主动分析。越向上对业务的理解要求越高。

以上内容就是我今天想要与大家分享的全部内容，谢谢大家。