薛海濤　何浩宇　陳延展　包辛煜

摘 要：隨著汽車(chē)大數(shù)據(jù)產(chǎn)業(yè)時(shí)代的到來(lái)，傳統(tǒng)營(yíng)銷(xiāo)方法已不能滿(mǎn)足市場(chǎng)的快速變化，基于大數(shù)據(jù)的精準(zhǔn)營(yíng)銷(xiāo)具有相當(dāng)大的優(yōu)勢(shì)?；诖?，本文采取數(shù)據(jù)驅(qū)動(dòng)的手段研究汽車(chē)用戶(hù)畫(huà)像，首先基于上汽通用五菱汽車(chē)股份有限公司的用戶(hù)購(gòu)買(mǎi)數(shù)據(jù)集，通過(guò)相關(guān)性分析進(jìn)行用戶(hù)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(hù)的建議，最后基于用戶(hù)的行車(chē)數(shù)據(jù)集，通過(guò)聚類(lèi)算法提取出用戶(hù)出行的興趣點(diǎn)，為汽車(chē)產(chǎn)品的精準(zhǔn)營(yíng)銷(xiāo)策略分析提供了可靠的指導(dǎo)。

關(guān)鍵詞：數(shù)據(jù)驅(qū)動(dòng) 用戶(hù)畫(huà)像 精準(zhǔn)營(yíng)銷(xiāo) 聚類(lèi)分析

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(hù)畫(huà)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(hù)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(hù)需求，研究了全種類(lèi)新能源汽車(chē)的平均行駛距離，從而設(shè)計(jì)出用戶(hù)喜愛(ài)的新能源汽車(chē)。胡海清等[3]利用客戶(hù)購(gòu)買(mǎi)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(xiāo)策略。詹麗華[4]結(jié)合用戶(hù)行為情景和用戶(hù)素養(yǎng)分析了用戶(hù)行為特征。本文基于上汽通用五菱汽車(chē)股份有限公司提供的用戶(hù)相關(guān)數(shù)據(jù)集，分析總結(jié)篩選出對(duì)于體驗(yàn)用戶(hù)的建議，并且通過(guò)聚類(lèi)算法獲取了用戶(hù)的出行興趣點(diǎn)，從而準(zhǔn)確把握用戶(hù)需求，實(shí)現(xiàn)汽車(chē)產(chǎn)品的精準(zhǔn)營(yíng)銷(xiāo)。

2 汽車(chē)產(chǎn)品用戶(hù)群體特征

汽車(chē)用戶(hù)產(chǎn)品群體特征是指從多源數(shù)據(jù)中獲取的對(duì)汽車(chē)產(chǎn)品用戶(hù)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(chē)產(chǎn)品用戶(hù)群體特征分析，是對(duì)通過(guò)各種方法收集到的用戶(hù)數(shù)據(jù)信息的分析。在汽車(chē)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(chē)用戶(hù)產(chǎn)品群體特征是指從多源數(shù)據(jù)中獲取的對(duì)汽車(chē)產(chǎn)品用戶(hù)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(chē)型投入市場(chǎng)后得到的大規(guī)模用戶(hù)數(shù)據(jù)。汽車(chē)產(chǎn)品用戶(hù)群體特征具體表現(xiàn)為用戶(hù)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(hù)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（Mutually Exclusive Collective Exhaustive）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(hù)的基本屬性，可以通過(guò)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(lèi)型：數(shù)字型信息、文本型信息、網(wǎng)頁(yè)信息等，采用不同算法進(jìn)行標(biāo)簽。然后構(gòu)建用戶(hù)畫(huà)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(xiāo)等，為汽車(chē)產(chǎn)業(yè)的各階段提供參考依據(jù)。

3 汽車(chē)用戶(hù)購(gòu)買(mǎi)行為分析

利用“車(chē)輛+用戶(hù)”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(chē)用戶(hù)屬性，并對(duì)購(gòu)買(mǎi)者與未購(gòu)買(mǎi)者進(jìn)行分析，可以發(fā)現(xiàn)潛在用戶(hù)群體，制定合理的銷(xiāo)售策略。原始數(shù)據(jù)包括用戶(hù)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(chē)用戶(hù)體驗(yàn)數(shù)據(jù)為例，進(jìn)行購(gòu)買(mǎi)行為分析，數(shù)據(jù)集包括5070位五菱新能源汽車(chē)用戶(hù)的相關(guān)數(shù)據(jù)，包含100178條用車(chē)數(shù)據(jù)和89102條問(wèn)卷數(shù)據(jù)。具體分析流程如下。首先結(jié)合用車(chē)數(shù)據(jù)和問(wèn)卷數(shù)據(jù)，計(jì)算用戶(hù)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(hù)分群；再分析人群特征，總結(jié)篩選體驗(yàn)用戶(hù)的建議。故提取和匹配13大用戶(hù)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(hù)購(gòu)買(mǎi)車(chē)輛的可能性越大。負(fù)相關(guān)表示標(biāo)簽取值越小，用戶(hù)購(gòu)買(mǎi)車(chē)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(hù)越可能購(gòu)車(chē)；而對(duì)于類(lèi)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(chē)價(jià)格、車(chē)系、共同居住人數(shù)等。相關(guān)度低的標(biāo)簽：燃油車(chē)數(shù)量、家庭年收入、用戶(hù)職業(yè)、車(chē)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(chē)和未購(gòu)車(chē)人群分別進(jìn)行聚類(lèi)，可以區(qū)分出5類(lèi)特征差異明顯的人群：已購(gòu)車(chē)用戶(hù)兩類(lèi)：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(chē)用戶(hù)三類(lèi)：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(lèi)結(jié)果如圖2所示。

對(duì)已購(gòu)和未購(gòu)人群進(jìn)行聚類(lèi)分析，從聚類(lèi)結(jié)果中可以發(fā)現(xiàn)以下結(jié)論：對(duì)于已購(gòu)車(chē)用戶(hù)群體：第一類(lèi)用戶(hù)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(hù)群體的用車(chē)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(hù)有多個(gè)充電點(diǎn)。對(duì)于第一類(lèi)已購(gòu)人群具體分析結(jié)果如圖3所示。

第二類(lèi)已購(gòu)車(chē)用戶(hù)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(chē)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(wèn)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(chē)人群，主要分為三類(lèi)：高需求中等收入家庭（潛在用戶(hù)）類(lèi)、低需求中等收入家庭類(lèi)、低需求年輕人類(lèi)。

第一類(lèi)是高需求中等收入家庭（潛在用戶(hù)）類(lèi)：30-40歲已婚人群，用車(chē)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(lèi)屬于低需求中等收入家庭類(lèi)：未購(gòu)車(chē)已婚人群與購(gòu)車(chē)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(wàn)以上的燃油車(chē)的用戶(hù)群體更易轉(zhuǎn)化成新能源用戶(hù)，主要是因?yàn)檫@個(gè)用戶(hù)群體經(jīng)濟(jì)基礎(chǔ)較好。這類(lèi)用戶(hù)群體用車(chē)需求不高且買(mǎi)車(chē)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(chē)。

第三類(lèi)為低需求年輕群體類(lèi)，這類(lèi)用戶(hù)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(chē)難、充電難的問(wèn)題，更加減弱了他們的出行需求意愿。

通過(guò)上述對(duì)五菱新能源汽車(chē)用戶(hù)的購(gòu)買(mǎi)行為分析，可為精準(zhǔn)營(yíng)銷(xiāo)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(hù)，本科以上學(xué)歷，家庭燃油車(chē)車(chē)價(jià)15萬(wàn)以上，如果充電條件便利，容易轉(zhuǎn)化。第二，家庭燃油車(chē)車(chē)價(jià)在5-15萬(wàn)左右，30-40歲的已婚人群，目前轉(zhuǎn)化率較低，但其用車(chē)需求高，有充電條件，后續(xù)可以考慮針對(duì)此類(lèi)人群制定有效轉(zhuǎn)化方案。第三，家庭燃油車(chē)車(chē)價(jià)在15萬(wàn)以下甚至無(wú)車(chē)的用戶(hù)，優(yōu)先給本科/專(zhuān)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(chē)用戶(hù)行為軌跡分析

用戶(hù)行為軌跡特征提取和預(yù)測(cè)是汽車(chē)用戶(hù)畫(huà)像出行特征模塊的核心技術(shù)。目前的網(wǎng)聯(lián)汽車(chē)車(chē)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(yǔ)義地址）位置信息，提供智能化、個(gè)性化的服務(wù)。某用戶(hù)出行軌跡示例如圖6所示：

提取五菱新能源汽車(chē)用戶(hù)的一個(gè)月行車(chē)數(shù)據(jù)為例，進(jìn)行用戶(hù)出行行為分析，興趣點(diǎn)位置聚類(lèi)（7類(lèi)）和時(shí)空聚類(lèi)（8類(lèi)）結(jié)果分別如圖7、圖8所示。并將時(shí)空聚類(lèi)（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(lèi)后的興趣點(diǎn)進(jìn)行編號(hào)，構(gòu)建出時(shí)間序列，使用Prefix span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(hù)頻繁模式的頻繁節(jié)點(diǎn)。

Prefix span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(chē)用戶(hù)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(hù)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(lái)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(guò)上述提取用戶(hù)的出行數(shù)據(jù)進(jìn)行興趣點(diǎn)位置聚類(lèi)和空間聚類(lèi)并進(jìn)行可視化顯示，可以確定用戶(hù)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(chē)用戶(hù)購(gòu)買(mǎi)該汽車(chē)主要用于居住地和工作地之間的往返。在確定用戶(hù)出行興趣點(diǎn)的基礎(chǔ)上為了進(jìn)一步挖掘用戶(hù)出行模式所提出的Prefix span算法具有良好的效果，為五菱新能源汽車(chē)的精準(zhǔn)營(yíng)銷(xiāo)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(chē)用戶(hù)畫(huà)像，結(jié)合五菱新能源汽車(chē)用戶(hù)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(hù)的建議，再利用聚類(lèi)算法對(duì)五菱新能源汽車(chē)用戶(hù)的行車(chē)數(shù)據(jù)進(jìn)行興趣點(diǎn)位置聚類(lèi)、時(shí)空聚類(lèi)以及可視化展示，確定了五菱新能源汽車(chē)用戶(hù)出行的興趣點(diǎn)位置。綜合對(duì)于體驗(yàn)用戶(hù)的建議和用戶(hù)興趣點(diǎn)位置這兩步可以準(zhǔn)確捕捉用戶(hù)行為特征以及用戶(hù)需求，從而可以為汽車(chē)產(chǎn)品的精準(zhǔn)營(yíng)銷(xiāo)策略提供更加精準(zhǔn)的用戶(hù)情報(bào)。

參考文獻(xiàn)：

[1]Dai W，Wang H，Jiang W，et al. Optimal aggregated charging analysis for PEVs based on driving pattern model[C]// Power and Energy Society General Meeting （PES），2013 IEEE. IEEE，2013.

[2]Pearre N S，Kempton W，Guensler R L，et al. Electric vehicles：How much range is required for a day's driving？[J]. Transportation Research Part C Emerging Technologies， 2011，19（6）：1171-1184.

[3]胡海清，許壘.電子商務(wù)模式對(duì)消費(fèi)者線上購(gòu)買(mǎi)行為的影響研究[J].軟科學(xué)，2011，25（10）：6.

[4]詹麗華.UGC用戶(hù)行為成因分析——用戶(hù)數(shù)據(jù)素養(yǎng)與用戶(hù)行為情景的雙重視角[J]. 情報(bào)理論與實(shí)踐，2018，041（004）：28-32.

[5]李蕭瑋.大數(shù)據(jù)系統(tǒng)和分析技術(shù)[J].電子技術(shù)與軟件工程，2018（21）：1.

[6]高聰，熊杰，劉彩云.淺談大數(shù)據(jù)分析技術(shù)及其應(yīng)用[J].電腦知識(shí)與技術(shù)：學(xué)術(shù)版，2020，16（5）：3.

[7]田立瑞.面向生產(chǎn)制造的大數(shù)據(jù)分析平臺(tái)技術(shù)研究[D].山東大學(xué)，2017.

[8]陳偉麗，高東華.軟件行業(yè)質(zhì)量保證與MECE原則結(jié)合的實(shí)踐[J].信息技術(shù)與標(biāo)準(zhǔn)化，2012（6）：3.

[9]Dua M，Yadav R，Mamgai D，et al. An Improved RNN-LSTM based Novel Approach for Sheet Music Generation[J]. Procedia Computer Science，2020，171：465-474.