摘要：隨著汽車大數(shù)據(jù)產(chǎn)業(yè)時(shí)代的到來，傳統(tǒng)營(yíng)銷方法已不能滿足市場(chǎng)的快速變化，基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷具有相當(dāng)大的優(yōu)勢(shì)。基于此，本文采取數(shù)據(jù)驅(qū)動(dòng)的手段研究汽車用戶畫像，首先基于上汽通用五菱汽車股份有限公司的用戶購(gòu)買數(shù)據(jù)集，通過相關(guān)性分析進(jìn)行用戶分群，其次分析人群特征，從而總結(jié)篩選出對(duì)于體驗(yàn)用戶的建議，最后基于用戶的行車數(shù)據(jù)集，通過聚類算法提取出用戶出行的興趣點(diǎn)，為汽車產(chǎn)品的精準(zhǔn)營(yíng)銷策略分析提供了可靠的指導(dǎo)。

1引言

隨著傳感器技術(shù)與數(shù)據(jù)傳輸技術(shù)的發(fā)展，各方面數(shù)據(jù)的獲取日益便利，基于大數(shù)據(jù)的用戶畫像研究能為企業(yè)提供精準(zhǔn)的特征知識(shí)。Wang等[1]提出了用戶日常駕駛模式模型，且為了實(shí)現(xiàn)低成本下的充電負(fù)荷波動(dòng)最小，構(gòu)建了雙級(jí)優(yōu)化模型確定最優(yōu)充電策略。Pearre等[2]為了獲取用戶需求，研究了全種類新能源汽車的平均行駛距離，從而設(shè)計(jì)出用戶喜愛的新能源汽車。胡海清等[3]利用客戶購(gòu)買行為數(shù)據(jù)驗(yàn)證了理論模型，并提出了在不同電商模式下的網(wǎng)絡(luò)營(yíng)銷策略。詹麗華[4]結(jié)合用戶行為情景和用戶素養(yǎng)分析了用戶行為特征。本文基于上汽通用五菱汽車股份有限公司提供的用戶相關(guān)數(shù)據(jù)集，分析總結(jié)篩選出對(duì)于體驗(yàn)用戶的建議，并且通過聚類算法獲取了用戶的出行興趣點(diǎn)，從而準(zhǔn)確把握用戶需求，實(shí)現(xiàn)汽車產(chǎn)品的精準(zhǔn)營(yíng)銷。

(相關(guān)資料圖)

2汽車產(chǎn)品用戶群體特征

汽車用戶產(chǎn)品群體特征是指從多源數(shù)據(jù)中獲取的對(duì)汽車產(chǎn)品用戶的消費(fèi)行為有所影響的群體屬性。基于大數(shù)據(jù)情形下的汽車產(chǎn)品用戶群體特征分析，是對(duì)通過各種方法收集到的用戶數(shù)據(jù)信息的分析。在汽車這種高度復(fù)雜的產(chǎn)業(yè)中，將會(huì)產(chǎn)生結(jié)構(gòu)化和非結(jié)構(gòu)化的超大數(shù)據(jù)量，涉及場(chǎng)景和系統(tǒng)復(fù)雜，數(shù)據(jù)的清洗、轉(zhuǎn)化、融合是一項(xiàng)重要挑戰(zhàn)。汽車用戶產(chǎn)品群體特征是指從多源數(shù)據(jù)中獲取的對(duì)汽車產(chǎn)品用戶的消費(fèi)行為有所影響的群體屬性。其中，多源數(shù)據(jù)是指某一品牌或某款特定車型投入市場(chǎng)后得到的大規(guī)模用戶數(shù)據(jù)。汽車產(chǎn)品用戶群體特征具體表現(xiàn)為用戶基本屬性、駕駛習(xí)慣屬性、充電習(xí)慣屬性、社交偏好屬性、用戶關(guān)注點(diǎn)屬性、消費(fèi)習(xí)慣屬性。標(biāo)簽是對(duì)信息的抽象化表示，可以是任何文字或符號(hào)，體現(xiàn)一定的群體性和事物特性[5]。同時(shí)，標(biāo)簽系統(tǒng)的構(gòu)建需遵循MECE（MutuallyExclusiveCollectiveExhaustive）原則[6]。本文將標(biāo)簽分為靜標(biāo)簽和動(dòng)標(biāo)簽。靜態(tài)屬性標(biāo)簽指用戶的基本屬性，可以通過靜態(tài)標(biāo)簽算法對(duì)數(shù)據(jù)列標(biāo)簽索引，獲取信息并生產(chǎn)新標(biāo)簽。動(dòng)態(tài)屬性標(biāo)簽根據(jù)數(shù)據(jù)類型：數(shù)字型信息、文本型信息、網(wǎng)頁信息等，采用不同算法進(jìn)行標(biāo)簽。然后構(gòu)建用戶畫像，并對(duì)數(shù)據(jù)進(jìn)行分析、挖掘，得到數(shù)據(jù)中隱藏的相關(guān)關(guān)系，是大數(shù)據(jù)時(shí)代數(shù)據(jù)分析的重要一步[7]。最后根據(jù)分析的結(jié)果，制定優(yōu)化方案、精準(zhǔn)營(yíng)銷等，為汽車產(chǎn)業(yè)的各階段提供參考依據(jù)。

3汽車用戶購(gòu)買行為分析

利用“車輛+用戶”的大量行為數(shù)據(jù)，提升數(shù)據(jù)清洗和數(shù)據(jù)轉(zhuǎn)化的效率，取得系列購(gòu)車用戶屬性，并對(duì)購(gòu)買者與未購(gòu)買者進(jìn)行分析，可以發(fā)現(xiàn)潛在用戶群體，制定合理的銷售策略。原始數(shù)據(jù)包括用戶的消費(fèi)習(xí)慣特征和駕駛習(xí)慣特征等。以五菱新能源汽車用戶體驗(yàn)數(shù)據(jù)為例，進(jìn)行購(gòu)買行為分析，數(shù)據(jù)集包括5070位五菱新能源汽車用戶的相關(guān)數(shù)據(jù)，包含100178條用車數(shù)據(jù)和89102條問卷數(shù)據(jù)。具體分析流程如下。首先結(jié)合用車數(shù)據(jù)和問卷數(shù)據(jù)，計(jì)算用戶標(biāo)簽；然后選擇相關(guān)性高或業(yè)務(wù)需求高的標(biāo)簽作為特征，進(jìn)行用戶分群；再分析人群特征，總結(jié)篩選體驗(yàn)用戶的建議。故提取和匹配13大用戶特征，首先進(jìn)行特征相關(guān)度分析[8]，如圖1所示。相關(guān)系數(shù)絕對(duì)值越大表明相關(guān)度越高，取值范圍為[-1，1]；正相關(guān)表示標(biāo)簽取值越大，用戶購(gòu)買車輛的可能性越大。負(fù)相關(guān)表示標(biāo)簽取值越小，用戶購(gòu)買車輛的可能性越小。對(duì)于數(shù)值型變量（如總里程），正相關(guān)表示總里程越大，用戶越可能購(gòu)車；而對(duì)于類別型變量，正負(fù)值與賦值方法有關(guān)。根據(jù)特征相關(guān)系分析可知，相關(guān)度高的標(biāo)簽包括總里程、每日最大單次里程、總充電次數(shù)、充電位置、燃油車價(jià)格、車系、共同居住人數(shù)等。相關(guān)度低的標(biāo)簽：燃油車數(shù)量、家庭年收入、用戶職業(yè)、車輛日啟動(dòng)次數(shù)。然后利用上述的13大特征，對(duì)已購(gòu)車和未購(gòu)車人群分別進(jìn)行聚類，可以區(qū)分出5類特征差異明顯的人群：已購(gòu)車用戶兩類：高學(xué)歷高收人群（15人，44%），經(jīng)濟(jì)適用年輕人（19人，56%）；未購(gòu)車用戶三類：高需求中等收入家庭（110人，23%）、低需求中等收入家庭（189人，40%）、低需求年輕人（174人，37%），聚類結(jié)果如圖2所示。對(duì)已購(gòu)和未購(gòu)人群進(jìn)行聚類分析，從聚類結(jié)果中可以發(fā)現(xiàn)以下結(jié)論：對(duì)于已購(gòu)車用戶群體：第一類用戶群體的主要特征是屬于中低年齡、高學(xué)歷、已婚一個(gè)孩子家庭。該用戶群體的用車需求不高，日均行駛里程35km左右，平均5天充一次電，對(duì)充電頻率要求不高，但是對(duì)充電便利性要求高，因此他們以單位充電為主，其中大約53%的用戶有多個(gè)充電點(diǎn)。對(duì)于第一類已購(gòu)人群具體分析結(jié)果如圖3所示。第二類已購(gòu)車用戶群體是經(jīng)濟(jì)適用年輕人：畢業(yè)不久本科生，未婚居多。他們的經(jīng)濟(jì)基礎(chǔ)較低，但用車需求偏高，日均行駛里程42km左右，平均3天充一次電，他們對(duì)公共充電樁接受度高或單位可解決充電問題，以單位、城市公共充電樁為主，分析結(jié)果如圖4所示。對(duì)于未購(gòu)車人群，主要分為三類：高需求中等收入家庭（潛在用戶）類、低需求中等收入家庭類、低需求年輕人類。第一類是高需求中等收入家庭（潛在用戶）類：30-40歲已婚人群，用車需求極高，要求充電方便，但學(xué)歷偏低，收入一般，家庭負(fù)擔(dān)重，消費(fèi)保守。分析結(jié)果如圖5所示。第二類屬于低需求中等收入家庭類：未購(gòu)車已婚人群與購(gòu)車已婚人群（高學(xué)歷高收入）的主要差異集中在家庭經(jīng)濟(jì)基礎(chǔ)，那些能負(fù)擔(dān)得起15萬以上的燃油車的用戶群體更易轉(zhuǎn)化成新能源用戶，主要是因?yàn)檫@個(gè)用戶群體經(jīng)濟(jì)基礎(chǔ)較好。這類用戶群體用車需求不高且買車的意愿較高，看重品質(zhì)，對(duì)充電便利性要求高，但是也可能由于充電不夠方便而放棄購(gòu)車。第三類為低需求年輕群體類，這類用戶群體主要特征為出行需求不高，且主要出行路線為公司和居住地，收入普遍較低，同時(shí)可能會(huì)面臨停車難、充電難的問題，更加減弱了他們的出行需求意愿。通過上述對(duì)五菱新能源汽車用戶的購(gòu)買行為分析，可為精準(zhǔn)營(yíng)銷提供以下幾條建議：第一，從學(xué)歷/收入、年齡/婚姻、出行需求等方面篩選體驗(yàn)用戶，本科以上學(xué)歷，家庭燃油車車價(jià)15萬以上，如果充電條件便利，容易轉(zhuǎn)化。第二，家庭燃油車車價(jià)在5-15萬左右，30-40歲的已婚人群，目前轉(zhuǎn)化率較低，但其用車需求高，有充電條件，后續(xù)可以考慮針對(duì)此類人群制定有效轉(zhuǎn)化方案。第三，家庭燃油車車價(jià)在15萬以下甚至無車的用戶，優(yōu)先給本科/專科的20-30歲人群發(fā)放體驗(yàn)，當(dāng)單次出行距離大于16km時(shí)更容易轉(zhuǎn)化。

4汽車用戶行為軌跡分析

用戶行為軌跡特征提取和預(yù)測(cè)是汽車用戶畫像出行特征模塊的核心技術(shù)。目前的網(wǎng)聯(lián)汽車車載信號(hào)傳輸設(shè)備通常采集每5s-10s的位置信號(hào)，在5G時(shí)代可以采集時(shí)間間隔更短、更精確、更詳實(shí)的（包含語義地址）位置信息，提供智能化、個(gè)性化的服務(wù)。某用戶出行軌跡示例如圖6所示：提取五菱新能源汽車用戶的一個(gè)月行車數(shù)據(jù)為例，進(jìn)行用戶出行行為分析，興趣點(diǎn)位置聚類（7類）和時(shí)空聚類（8類）結(jié)果分別如圖7、圖8所示。并將時(shí)空聚類（8個(gè)）在百度地圖上進(jìn)行可視化展示，如圖9所示。將時(shí)空聚類后的興趣點(diǎn)進(jìn)行編號(hào)，構(gòu)建出時(shí)間序列，使用Prefixspan算法進(jìn)行頻繁模式挖掘，設(shè)置支持度參數(shù)為0.2，即該月出現(xiàn)6次以上的出行模式，得到頻繁模式結(jié)果如表1所示，分析結(jié)果易知興趣點(diǎn)[0]和[6]分別為單位地址和家庭住址，1、2、3、5、7為用戶頻繁模式的頻繁節(jié)點(diǎn)。Prefixspan算法是一種基于前綴投影的序列模式挖掘算法，廣泛應(yīng)用于序列頻繁子模式研究，對(duì)于汽車用戶出行模式的挖掘具有良好的效果，該算法的主要步驟如下：然而用戶出行軌跡當(dāng)前位置的轉(zhuǎn)移可能和此前多個(gè)興趣點(diǎn)有關(guān)，因此將來的研究可以考慮使用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型（LSTM）[9]。通過上述提取用戶的出行數(shù)據(jù)進(jìn)行興趣點(diǎn)位置聚類和空間聚類并進(jìn)行可視化顯示，可以確定用戶出行的興趣點(diǎn)為單位地址和家庭地址，即表明五菱新能源汽車用戶購(gòu)買該汽車主要用于居住地和工作地之間的往返。在確定用戶出行興趣點(diǎn)的基礎(chǔ)上為了進(jìn)一步挖掘用戶出行模式所提出的Prefixspan算法具有良好的效果，為五菱新能源汽車的精準(zhǔn)營(yíng)銷提供了更好的方案。

5結(jié)論

本文主要采用大數(shù)據(jù)驅(qū)動(dòng)的手段研究了五菱新能源汽車用戶畫像，結(jié)合五菱新能源汽車用戶體驗(yàn)數(shù)據(jù)進(jìn)行相關(guān)性分析，總結(jié)篩選出了體驗(yàn)用戶的建議，再利用聚類算法對(duì)五菱新能源汽車用戶的行車數(shù)據(jù)進(jìn)行興趣點(diǎn)位置聚類、時(shí)空聚類以及可視化展示，確定了五菱新能源汽車用戶出行的興趣點(diǎn)位置。綜合對(duì)于體驗(yàn)用戶的建議和用戶興趣點(diǎn)位置這兩步可以準(zhǔn)確捕捉用戶行為特征以及用戶需求，從而可以為汽車產(chǎn)品的精準(zhǔn)營(yíng)銷策略提供更加精準(zhǔn)的用戶情報(bào)。

作者:薛海濤 何浩宇 陳延展 包辛煜 單位:湖南大學(xué)機(jī)械與運(yùn)載工程學(xué)院