上汽通用汽车信息系统部•上海通用汽车凭借覆盖整个业务链的、高效先进的IT业务解决方案力拔头筹，连续多年蝉联中国信息化500强之首。
•上海通用汽车还获得最佳企业信息化效益奖、最佳信息化战略奖和优秀信息化建设团队奖，年度企业信息化CIO大奖，体现了上海通用汽车中国企业信息化标杆企业的实力。
个人背景郑婕十五年数据管理及挖掘分析经验•2002~2006 银行数据仓库及挖掘•2007~Now 上汽通用信息系统部企业数据经理带领IT数据管理及高级分析团队，负责打造大数据分析挖掘平台，服务于公司各大业务部门以及上万经销商用户，支持公司数据化运营战略，提升企业大数据洞察。
目录CONTENTS 01020304SGM大数据分析应用蓝图质量智能分析整车及售后配件销量预测客户画像目录CONTENTS 01020304SGM大数据分析应用蓝图质量智能分析整车及售后配件销量预测客户画像SGM 大数据应用蓝图设计生产供应链质量市场销售售后车联网设计质量分析试验车分析•生产零配件库存优化•供应商物流报警问题分析•整车销量预测•Super ID&消费者分析•经销商零配件预测与库存优化•维修站问题解决知识库•整车生产与排产优化•能源管理与优化•索赔质量分析•出保质量分析•三包预警分析•质量投诉预警•市场营销运作分析•舆情分析•驾驶行为模式探索•辅助驾驶探索目录CONTENTS 01020304SGM大数据分析应用蓝图质量智能分析整车及售后配件销量预测客户画像案例概述挑战:•随着SGM车型平台不断增多和年产量不断扩大，现有的索赔分析系统已经不能满足业务部门的需求，质量问题发现时间晚，解决周期长，索赔成本高解决方案：•SAS保修解决方案，采用行业最佳实践，多种分析手段，多角度分析问题，加快问题解决速度获益:•IPTV (千辆车保修率）显著降低•单车保修成本降低34%•系统上线第一年节省超过2千万人民币保修数据仓库是数据金矿保修索赔数据集市每周接近70万条索赔记录了解产品使用状况的第一手资料反映汽车质量的重要数据金矿DMS 索赔数据高级分析文本分析凸显问题分析仪表盘报告库日常报告和分析SAS 保修分析解决方案SAS 保修解决方案-仪表盘集中展现保修绩效高级分析文本分析凸显问题分析仪表盘报告库日常报告和分析Warranty Business Rules & ProcessesWarranty Information Store企业级保修分析KPIs 绩效指标展示SAS 保修解决方案-仪表盘企业报告和个人分析报告库，便于共享和提高工作效率高级分析文本分析Analysis凸显问题分析仪表盘报告库日常报告和分析Warranty Business Rules & Processes企业级保修分析Warranty Information Store Warranty Information StoreWarranty Information Store Warranty Information Store企业级报表，个人分析报表SAS 保修解决方案-突显问题分析高级分析文本分析Analysis突显问题分析仪表盘报告库日常报告和分析Warranty Business Rules & ProcessesWarranty Information Store企业级保修分析自动化分析计算的阀值SAS 保修解决方案-分析和报告强大的交互式质量分析工具，提高问题发现和根因分析效率高级分析文本分析Analysis潜在问题分析仪表盘报告库日常报告和分析Warranty Business Rules & ProcessesWarranty Information Store企业级保修分析12 类现成的针对保修数据的分析工具，横向纵向，高度可交互的分析平台SAS 保修解决方案-高级分析报告可以根据需要定制各类分析，拓展分析领域高级分析文本分析Analysis潜在问题分析仪表盘报告库日常报告和分析Warranty Business Rules & ProcessesWarranty Information Store 企业级保修分析先进的数据挖掘和文本挖掘▪可定制客户化模型、分析任务及报表▪索赔欺诈监测▪环境影响▪索赔相关性分析▪预测故障▪定义问题代码SAS 保修解决方案-效果质量问题识别和解决的时间周期大大缩短探查质量问题解决质量问题确认问题解决60 天60到90以上60 到90天以上总共需要240 天识别问题解决问题使用SWA之前探查质量问题解决质量问题确认问题解决30 天15 到45 天15 到45 天提前150天发现和确认索赔问题识别问题解决问题使用SWA之后成本降低：单车保修成本降低34%上线不到一年时间节省超过2千万人民币SGM 面临外部环境的改变客户反馈方式转变社交媒体大数据时代来临SGM 历史客户反馈质量问题总量情况公司越来越关注社交媒体数据的利用•2016年全球每日新增数据将是今天4倍•社交媒体的兴盛是大数据时代的主因•新浪微博注册用户破5亿每日新增微博过1亿•社交媒体+移动终端正在改变人们的生活方式斯坦福大学的一份调研报告显示：•59％的公司使用社交媒体进行客户研究•其中32％的企业通过监测社交媒体来检测他们的业务活动。
（仅有14％的企业使用社交媒体来衡量企业绩效）随着社交网络的急速发展，客户对整车质量的反馈途径从原先的经销商转换到互联网Level 1细化报告提升业务Level 2总结规律问题预警Level 3体现价值综合评估利用文本挖掘技术，提升业务部门业务水平。
Warranty 重点问题IPTV/CPV 细化分析报告建立多渠道信息共通平台，对重大问题进行预警平衡各渠道权重与优先级，完善现有质量问题评价体系各渠道每月Top 10质量问题展现各渠道质量问题演变规律探索各渠道对重大问题预警可能性完善质量评估体系KPI竞品横向比较Benchmark通过网络舆情进行质量问题评分和预警SGM质量智能分析平台成果质量问题识别和解决的时间周期大大缩短目录CONTENTS 01020304SGM大数据分析应用蓝图质量智能分析整车及售后配件销量预测客户画像整车需求计划和库存优化案例概述挑战:•整车需求预测难，难以准确制定销售目标•难以合理分配整车销售目标•难以平衡供应链库存•缺乏科学库存布局和驳运优化策略解决方案：•采用SAS DDPO 预测和优化解决方案，制定科学的需求预测，合理分配销售目标，优化驳运计划获益：•预测准确率提升5－10%•驳运计划更优化，减少码头积压•整车库存周转率提高解决方案架构需求预测库存优化布局驳运优化销售目标调整业务规则和流程业务数据（服务满足率，，其他限制条件）销售历史影响因素库存数据外部数据成本数据分类/层规则客户数据提前期SAS 预测和库存优化解决方案Information Store库存优化数据集市（数据管理和集成）历史运输数据整车预测与库存优化需求预测需求预测库存优化布局配车驳运销售目标调整业务规则和流程业务数据（服务满足率，，其他限制条件）销售历史影响因素库存数据外部数据成本数据分类/层规则客户数据提前期SAS 预测和库存优化解决方案Information Store 库存优化数据集市（数据管理和集成）历史运输数据•自动模型诊断和选择•既能批量处理也可人机交互•能对日历事件和离散事件建模•自动识别季节性，趋势性，随机性•分层级的预测和调和•强大的模型库销售目标调整分解需求预测库存优化布局配车驳运销售目标调整业务规则和流程业务数据（服务满足率，，其他限制条件）销售历史影响因素库存数据外部数据成本数据分类/层规则客户数据提前期SAS 预测和库存优化解决方案Information Store库存优化数据集市（数据管理和集成）历史运输数据•多层次交叉预测和调和•根据上层目标调节下层指标•自动优化分解销售指标总销量品牌销售大区城市经销商车系配置业务规则和流程销售历史影响因素库存数据外部数据成本数据分类/层规则客户数据提前期SAS 预测和库存优化解决方案InformationStore库存优化数据集市（数据管理和集成）历史运输数据•多层次优化库存结构（总仓，区域仓库，经销商仓库）•服务水平•库存成本•模拟优化计算•批售目标分解•资源匹配优化计算驳运优化需求预测库存优化布局配车驳运销售目标调整业务规则和流程销售历史影响因素库存数据外部数据成本数据分类/层规则客户数据提前期SAS 预测和库存优化解决方案Information Store库存优化数据集市（数据管理和集成）历史运输数据•按优化布局、销售预测、目标、当前库存、运能及其他约束条件，按运筹学方法确定：运什么，运多少，何时运，运输方式，目的地汽车售后市场的特点>6年车龄≤6年车龄20102012201527%29%35%•数量庞大的的SKU而零配件的生命周期要远远超过汽车的生命周期，一辆整车按6000个左右的零配件，一个新车型会带来2500-3000个新配件品种，大多数企业需要管理超过30000个SKU计划能力薄弱配件供给不稳定供应商和经销商协作不佳信息系统功能不健全供应链可视性差•无法预知且不稳定的库存需求受季节性、周期性和区域性的影响，外加自身预测能力的欠缺，在制定库存需求计划方面，大部分汽车行业依然在使用简单粗放的方法•整体供应和配送网络的复杂性零配件的供应和配送网络涉及到从经销商和OEM 厂商发出的订单需求，到实际的配件配送过程，其中涉及到众多主体和大量的信息交互数据预测分析，在2020年，中国的汽车保有量将超过美国在整车利润空间逐渐稀薄的大趋势下，售后业务的利润已成为越来越重要的收入来源Business Rules & ProcessesSAS 系统配件预测及计划数据集市业务数据（客户满意率，最小包装量，其他限制条件）订单完成情况历史历史事件数据销售历史库存及在途数据外部数据成本数据物流层次结构配件工程数据Lead Time配件需求預測分析報表配件计划优化采购建议配件分类分析售后配件需求预测平台目录CONTENTS 01020304SGM大数据分析应用蓝图质量智能分析整车及售后配件销量预测客户画像泛互联网化对营销体系的改变，以产品为中心转换为以客户为中心4P4C4EProduct ||产品Price ||价格Place ||渠道Promotion ||促销Consumer ||消费者Cost ||成本Convenience ||便利Communication ||沟通Experience ||体验Exchange ||价值互换Everyplace ||无处不在Evangelism||布道营销本质自古有之数字革命CRM 消费者中心互联网革命实时互联Product Experience PriceExchangePlace Everyplace PromotionEvangelism标准化整车&配件MSRP 经销商渠道个性化出行体验&服务&产品双向价值&差异化定价用户全触点场景化+情景化+感情化较为统一的广宣&促销方案服务网络扁平化，营销触点逐步在线,用数据描绘客户成为可能问答社区车主评论社交媒体质量投诉车价论坛指数促销电商报价官网APP经销商生活习惯问题投诉消费习惯维修次数车主俱乐部收入购买时间维修驾驶习惯地域金融服务职业活动区域政府信息信用评级个人属性外部内部社交平台企业级大数据平台外部数据合作平台SGM 数据分析平台新闻评论From ：《Doing Data Science 》Rachel Schutt & Cathy O’Neil“数据科学家如此火热，但事实上如此面面俱到的人才难以获取，组建一个具备多种技能的数据科学团队更为可行”作者：•美国新闻集团数据科学部高级副总裁•哥伦比亚统计系教授•曾在谷歌研究院工作多年，负责设计算法原型并通过建模理解用户行为炙手可热的数据科学家数据科学家做什么•学术界•学界的数据科学家首先是个科学家，接受了其他学科的训练，同大量数据打交道，不管这些数据的结构，规模，复杂度，他都能挖掘出数据背后的意义，从而解决现实世界的问题•工业界•理解数据•数据清洗•统计学•机器学习•程序开发数据处理•构建模型•设计算法•设计运作模型效果验证实验可视化，建模•数据 决策•以准确无误的语言、图形和各方交流•促进理解数据背后的意义沟通123SGM跨领域数据科学团队打造SGM数据科学团队每个人、每个角色都需要根据自己的知识体系缺陷去补充相应的知识，每个人都拥有自己独特的知识结构，数据分析团队是大家紧密合作，取长补短，以团队化的方式去解决数据问题Thank You。