微車CEO徐磊：大資料70%是偽命題

汽車這個四輪盒子已經成為一個人們第二活動的空間。 在這個空間下，人們相對靜止，卻一直在移動。 那麼在這個靜止和移動的過程中我們能否挖掘到有用、有效的資料呢？

在上週六SHIFT舉辦的「智慧汽車沙龍」的論壇上，微車CEO徐磊做了主題演講。 他認為在汽車互聯網時代，相較于硬體，軟體層面的創業可能存在更多的機會。

沙龍上，徐磊首先介紹了微車是什麼。

用一句話來說，微車是一款以汽車行使距離為基礎，延伸出一系列服務的App。 它最大的特點是使用者不需要主動打開，程式會在後臺自動運行。 功能上，微車目前已經實現了違章、限行、搖號推送功能，覆蓋全北京所有街道的貼條地圖資料，路況預報功能等。

他說，目前已有近1000萬使用者在使用微車App，每天會產生過億資料。 微車一方面可以借助使用者手機本身的各種感應器來識別使用者當前是否在開車，當前在哪裡開車，當前使用什麼樣的駕駛行為在開車，另一方面可以在使用者每天出門前，通過識別使用者平時的行車路線，結合當前的路況資訊提前向其推送， 預測今天幾點鐘出門走這條路會花多少時間到目的地。

除了展現在使用者面前的一些功能，徐磊表示，如果解剖微車做的事情，可以歸納為三個關鍵字：垂直、剛需、資料——微車立足在汽車垂直領域，基於資料，滿足使用者的剛性需求。 其中關鍵一點，也是微車的產品門檻就是資料，微車將自身定位於基於資料的服務引擎。 對使用者來說就是一個車主服務門戶。

接下來，徐磊分享了自己對大資料的看法，以及是微車關心什麼樣的大資料，還有哪些汽車大資料是有意義的。

70%的大資料採礦都是偽命題

在徐磊看來，70%的大資料都是偽命題。 「舉個例子，百度算不算大資料公司，其實不是。 它僅僅是一家資訊公司，它彙聚了全球各地的爬蟲，再將這些爬蟲的資料拿到平臺供使用者搜索。 」徐磊認為，在中國，有兩類可以算是有大資料的行業或者公司：

一是運營商行業。 運營商可以知道你每天在什麼位置，和誰通過電話。 但運營商存在兩個限制，一是做不了太多的資料採礦，不敢用這龐大的資料；第二是，使用者到達能力特別弱，現在有效的到達方式是短信，但要麼被使用者攔截要麼忽略不看，轉化率特別低，無法將資料商業化。

二是電商企業。 電商是真正意義上的大資料，它可以知道你什麼時候購物，買的什麼東西，送到了哪裡，送給了誰，這些都是資料。 這也是阿裡、京東、亞馬遜在內的各個電商平臺的核心價值。

那麼什麼才是資料？ 徐磊認為總的來說，大資料行業應該有三個特徵：

規模：如果沒有足夠大的規模就不可能抽象出來資料模型來做資料類比。

映射：即如何將資料與人進行關聯，並在此基礎上，通過統計、演繹、歸納等各種方式，能把資料構象化。

到達：資料到達使用者才會發揮出它的價值，如果不能到達使用者，即使再龐大的資料都是無意義的。

如何做和汽車有關的大資料

既然70%的大資料都是偽命題，那麼汽車領域如何做成真正的大資料？ 徐磊認為，汽車領域，資料大致可分為三類：車、路、人。 車內資料也就是現在OBD產品所關注的油耗等車內資料，它可以提醒車主注意車輛狀態，也可以作為維修保養的依據；路的資料則包括交通、路況資訊、市政建設等；人的資料，就是人的日常行為資料。

既然是大資料，那麼第一是要有足夠大的使用者基數來產生資料。 「如果一個App有200萬活躍使用者。 拿這個數位對應全國超過10萬家4S店，假如每個使用者一年去兩次4S店，那麼200萬使用者能給全國每個4S店平均只推薦40個使用者。 如果拿這個資料與4S店進行談判那沒什麼意義，因為每個4S店每天的顧客數都不止40個，這就意味著資料的量少，這樣的商業模式就不能構成。 」徐磊說。

「對於汽車行業，如果想做到O2O，影響線下4S店的業務，並從其拿到收入，那麼你至少要影響其10%的業務規模。 拿團購來說，它對新開店的影響能達到20-30%，這就說明其商業模式是可行的。 這就是為什麼需要足夠大使用者群體的原因。 」

第二個前提是產生的資料要足夠多。 我們都知道移動互聯網很大程度依然要靠廣告的營收，但移動端有個特點是雖然使用者的碎片化時間越來越多，停留在 APP裡的時間越來越長，但和傳統PC端相比較，它的展示面積太小，資訊量太少，所以廣告覆蓋肯定很少。 因此必須要有足夠多的資料，為使用者集中起來足夠有價值的內容，才能適時的推送廣告，提高轉化率。

微車想做的是大資料，那麼不可避免的就會被談及商業模式是什麼。 徐磊表示，微車主要關注的是人的資料，當掌握足夠大的使用者群體和使用者資料後，再基於此説明在微車平臺上的使用者進行消費決策，這就是微車的商業模式。

汽車資料的邊界就是使用者的生活邊界

汽車每時每刻都會產生大量的資料，但哪些資料是有意義的。 徐磊介紹說表示，微車只關心一種資料——與使用者的生活半徑息息相關的資料。 比如，微車可以為使用者推薦保險公司，但其實並不是哪家便宜推薦哪家，而是哪家賠償容易推薦哪家，當然前提是價格不能相差太多。 而這種推薦能力基於的就是使用者的生活半徑資料，比如一個月開多少公里的高速公路，使用者的生活半徑裡有多少保險公司的維修點、理賠點，並且容易獲得理賠，然後才能推薦哪一家保險公司對使用者來說最適合。

然而，這些資料採礦後，如果只做淺層次的推薦，那還遠達不到大資料要發揮的價值。 徐磊以汽車領域兩個與使用者息息相關的例子——車險和後市場，來說明如何更深層次的使用資料。

首先，目前可以影響保險價格的因素除了車型以外，主要是車主去年、前年的出險資料。 而目前的一些駕駛習慣等資料和保險的關聯其實極少。 目前微車在收集資料的前提下，也在思考如何與保險公司相結合，比如違章資料或許可以成為保險的另一個影響因數。 這也說明了在做大資料的時候，需要考慮的是你的資料是否能和保險公司相關。

後市場來說，線上的資料依然要與線下的4S店有關聯。 分散在全國各地的線下4S店是以輻射半徑來定位的，比如4S店的平均輻射半徑為10公里。 所以這方面就會遇到難度，一方面微車要用互聯網的角度去拓展使用者，一方面又要考慮將獲得的資料和線下結合。 比如現在已經出現了上門保養，上門維修等新的服務模式，但能不能規模化還存疑。 因為這些服務模式主要以使用者為核心，與傳統4S店以店面為核心的模式仍然相悖。 現在微車的話 使用者數夠多，資料也夠多，如何將這些使用者和資料導入到合理的平臺上仍處在摸索階段。