人类历史长河中所有信息总量加在一起还没有当下两年的多，而且这个数据量还在以两年时间增速翻翻的速度在飞速发展，互联网给我们带来的剧变已经非常明显，大数据时代即将到来。商业智能BI和商业分析BA将得到大发展，大数据即可以计算出股票的涨落，也可以计算出美国总统大选结果，还可以计算出你明天发生车祸的几率。大数据在汽车电商中的应用也将得以突显，当然，大数据的收集和分析、挖掘乃至于真正的应用还需要从底层开始，才能让数据的金矿开掘全面推进。
在人类的历史长河中，直至工业革命才是一个分水岭，这之前人类的人均GDP一直停留在500美元左右，所谓的马斯洛陷阱不断发生。而工业革命之后个体的价值剧增，直至当下的人均GDP达到几万美金，这是分工协作提升效率创造出来的价值。当下是互联网时代，连接同样可以产生价值，一个蜜蜂是愚蠢的，而蜂群却是智能的，建立你的社群让智慧产生价值倍增，让大数据在商业平台中的无数个体的价值聚合产生更大的价值，就是大数据时代应该思考和应用的方向。
当然，大数据也是被误解的最深的一个专业词汇了，主要原因还是这个词本身翻译就已然南辕北辙了，数据的价值并非仅仅只在大上，冗余数据再大也毫无价值。大数据真正的价值在它的深度、宽度和广度的取向上。比如汽车信息中的深度如这辆车的状况，行驶里程，维修保养情况，通过智能盒子OBD获取到的它行驶途中的胎压异常等等数据，那么宽度就如这个车主的驾驶习惯，行车路线和路况信息等，而广度就是要延伸为车主的个人嗜好和消费习惯了。经过深度挖掘的这些数据的聚合，也就可以实现智能商业，也就是所谓的BI，而绝非简单的车辆型号，年限和号牌，车主联系方式等低级数据叠加起来的冗余数据，这样的数据再大也不会直接产生价值，是需要深度挖掘才会有价值，也是汽车电商平台在数据整合和收集方面所应该运营的方向。
大数据对于汽车行业特别是品牌厂商和经销商来说意义重大，大数据的价值将更多体现在网络营销层面上。随着购车人群越来越倾向于通过网络方式来获取汽车资讯，各类汽车媒体成为消费者购车前最主要的信息来源，根据易观智库中国数字消费者行为分析系统ECDC的监测数据显示，各主流汽车媒体的日均访问次数已超过百万，最高的已经超过400万次。巨大的访问量带来的消费者属性、行为偏好、购买意向、购买价格等数据毫无疑问已经成为这些汽车媒体最大有价值的信息资产，成为他们深入挖掘的目标产品，这些汽车消费者行为大数据如果能够被有效整合和分析，他们就能够成为汽车品牌厂商和经销商精准有效的营销方向性目标产品而量身定制，其商业价值不可估量。
往往传统企业的人没有互联网思维，非但不觉得互联网好，还反而认为对它们是障碍，就拿P2P模式的汽车金融来说，互联网直接触及他们的利益奶酪，他们如遇洪水猛兽般抵制。做线下产品渠道后市场的更是抵制互联网，对外说做的互联网，其实骨子里是在抵制。所以O2O或O+O最难线上和线下对接，那么大数据对于他们也就无从实现了。
再来看看大数据在汽车保险上的应用案例，汽车后市场的大数据应用，其实保险公司早有在做，而且很简单，那就是通过OBD盒子收集车主的驾驶行为数据，如果一个人从来不违章，那么给他的保险就可以打很低的折扣，如果对于经常违章发生车祸的车主，那么就可以拒保，不仅增进投保数量更能增进保险的质量。再者就是车辆的使用时间和闲置时间，可以做分时租赁提供数据。驾驶行为是很容易获得的，而通过行车记录仪拍摄的实时路况的大数据就更有价值，如果一个城市里有几十万甚至上百万辆车安装了你的行车记录仪，且可实时上传所拍摄到的路况信息到云端，那么这个城市的所有路况信息的大数据就近在眼前了，他对其他车主也是最具价值，同时由云端分享给需要实时路况信息的车主，甚至于未来预设导航目的地和行车路线后，预测下个时段的路况信息的数据结果都是可以通过云计算得出一个几乎真实的结果。
在大数据的应用层面，在数据库中分散、独立存在的大量数据对于业务人员来说，只是一些无法看懂的天书。业务人员所需要的是信息，是他们能够看懂、理解并从中受益的抽象信息。此时，如何把数据转化为信息，使得业务人员(包括管理者)能够充分掌握、利用这些信息，并且辅助决策，就是商业智能主要解决的问题。如何把数据库中存在的数据转变为业务人员需要的信息?大部分的答案是报表系统。简单说，报表系统已经可以称作是BI了，它是BI的低端实现。国外的企业，大部分已经进入了中端BI，叫做数据分析。有一些企业已经开始进入高端BI，叫做数据挖掘。而我国的企业，大部分还停留在报表阶段。
1、数据报表不可取代
传统的报表系统技术上已经相当成熟，大家熟悉的Excel、水晶报表、Reporting Service等都已经被广泛使用。但是，随着数据的增多，需求的提高，传统报表系统面临的挑战也越来越多。
2、 数据太多，信息太少
密密麻麻的表格堆砌了大量数据，到底有多少业务人员仔细看每一个数据?到底这些数据代表了什么信息、什么趋势?级别越高的领导，越需要简明的信息。如果我是董事长，我可能只需要一句话:我们的情况是好、中还是差?
3、难以交互分析、了解各种组合
定制好的报表过于死板。例如，我们可以在一张表中列出不同地区、不同产品的销量，另一张表中列出不同地区、不同年龄段顾客的销量。但是，这两张表无法回答诸如“华北地区中青年顾客购买数码相机类型产品的情况”等问题。业务问题经常需要多个角度的交互分析。
4、难以挖掘出潜在的规则
报表系统列出的往往是表面上的数据信息，但是海量数据深处潜在含有哪些规则呢?什么客户对我们价值最大，产品之间相互关联的程度如何?越是深层的规则，对于决策支持的价值越大，但是，也越难挖掘出来。
5、难以追溯历史，数据形成孤岛
业务系统很多，数据存在于不同地方。太旧的数据往往被业务系统备份出去，导致宏观分析、长期历史分析难度很大。因此，随着时代的发展，传统报表系统已经不能满足日益增长的业务需求了，企业期待着新的技术。数据分析和数据挖掘的时代正在来临。值得注意的是，数据分析和数据挖掘系统的目的是带给我们更多的决策支持价值，并不是取代数据报表。报表系统依然有其不可取代的优势，并且将会长期与数据分析、挖掘系统一起并存下去。
6、八维以上的数据分析
如果说OLTP侧重于对数据库进行增加、修改、删除等日常事务操作，OLAP(Online Analytics Process，在线分析系统)则侧重于针对宏观问题，全面分析数据，获得有价值的信息。为了达到OLAP的目的，传统的关系型数据库已经不够了，需要一种新的技术叫做多维数据库。
多维数据库的概念并不复杂。举一个例子，我们想描述2003年4月份可乐在北部地区销售额10万元时，牵扯到几个角度:时间、产品、地区。这些叫做维度。至于销售额，叫做度量值。当然，还有成本、利润等。
除了时间、产品和地区，我们还可以有很多维度，例如客户的性别、职业、销售部门、促销方式等等。实际上，使用中的多维数据库可能是一个8维或者15维的立方体。虽然结构上15维的立方体很复杂，但是概念上非常简单。数据分析系统的总体架构分为四个部分:源系统、数据仓库、多维数据库、客户端。
源系统：包括现有的所有OLTP系统，搭建BI系统并不需要更改现有系统。
数据仓库：数据大集中，通过数据抽取，把数据从源系统源源不断地抽取出来，可能每天一次，或者每3个小时一次，当然是自动的。数据仓库依然建立在关系型数据库上，往往符合叫做“星型结构”的模型。
多维数据库：数据仓库的数据经过多维建模，形成了立方体结构。每一个立方体描述了一个业务主题，例如销售、库存或者财务。
客户端：好的客户端软件可以把多维立方体中的信息丰富多彩地展现给用户。
7、数据挖掘看穿你的需求
广义上说，任何从数据库中挖掘信息的过程都叫做数据挖掘。从这点看来，数据挖掘就是BI。但从技术术语上说，数据挖掘(Data Mining)特指的是：源数据经过清洗和转换等成为适合于挖掘的数据集。数据挖掘在这种具有固定形式的数据集上完成知识的提炼，最后以合适的知识模式用于进一步分析决策工作。从这种狭义的观点上，我们可以定义：数据挖掘是从特定形式的数据集中提炼知识的过程。数据挖掘往往针对特定的数据、特定的问题，选择一种或者多种挖掘算法，找到数据下面隐藏的规律，这些规律往往被用来预测、支持决策。
未来10年汽车产业将会真正进入大数据时代，首先是汽车全面数据化，车主的行为数据化，包括所有的驾驶操作及其每天的行为习惯，甚至于座椅的使用习惯都会形成相应的数据；还有是以车位中心的数据化，零部件、车况、维修保养、交通、地理位置等信息都会形成庞大的数据被挖掘应用而产生价值。其次是汽车数据资产化，大数据可以创造巨大，的价值，大数据将成为企业和机构的有效资产，于是这些数据将同其他资产一样为企业带来收益而变成企业的资产被应用创造更多的价值。再者是汽车产业智慧化，人和汽车可以对话互动，同时汽车产业大数据将促进形成更加智慧的汽车产业，基于互联网汽车将构建出庞大的、多层级的汽车大数据生态。
曾经经常听到一些传统汽车制造商的人对互联网造车一向呲之以鼻，他们认为汽车企业已经有一百多年的数据和经验的积累，其实，我们从大数据的角度思考一下，他们的高傲真的是毫无道理，更显得无知者无畏了。原因很简单的，当下的大数据时代两年的时间积累就是人类有史以来的总和，那么单纯的一个汽车行业的数据积累，在大数据时代也许不需要几个小时就可以完成了，这不是危言耸听，而是真真切切的现实，不服都不行的。那么在说说所谓的经验，人们在生产和生活中有太多的例证证实，经验没有多少是靠谱的，就如中医就是经验的积累所致，而中药的副作用有谁知道？未来的大数据时代是完全要靠数据支撑的，经验已经不能也不该在未来的商业模式的构建中做支撑，不然一定惨败。
当下大家都知道汽车后市场是一块肥肉，抢滩登陆进来创业的很多，但是有一个重要的问题很多人还没有解决，那就是即便找到痛点但其解决方案还是有问题，痛点不是卖点，能否成为卖点为未可知，比如上门维修，解决不了的是上门前的精准诊断，而通过车联网智能硬件OBD可以很好解决，但是OBD需要安装和数量优势才可以产生大数据，有了大数据才可以真正从底层颠覆修车的信息不对称的痛点。
（作者：郭桂山）
.....