分享一個基于大數據與智能算法的經銷商售后配件智能協作平臺實踐案例

汽車市場已經進入存量競爭，疫情使得競爭更加殘酷，但汽車后市場隨著中國汽車保有量的增長、平均車齡的增加，以及二手車交易增長等因素呈現出強勁的增長勢頭。當然，也因為這樣，越來越多的機構進入了后市場的競爭，各大主機廠面臨著前所未有的挑戰。

作為主機廠，為了提升自身在后市場的競爭力，除了在配件產品、工程技術支持、供應鏈保障等傳統領域苦練內功之外，很重要的一項工作就是要加強經銷商在售后配件服務上的能力。

針對這項業務挑戰，我來分享一個基于大數據與智能算法的售后配件智能協作平臺實踐案例。整個協作平臺分為四個部分：

經銷商配件需求預測

需求管理和預測分析是售后配件管理最重要的內容，但據調查，僅有20%的經銷商有能力開展周期性、體系化的預測分析工作，而這其中絕大部分還是依賴員工個人的經驗和能力對配件需求進行預測分析，不僅需要花費大量時間去處理基礎數據，而且，在出現人員變動的時候，難以進行有效的知識沉淀。

如果主機廠能夠為經銷商輸出這一能力，將為經銷商帶來諸多收益，主要體現在：

一、為經銷商的庫存管理提供極為重要的輸入，提升配件的一次滿足率，并且顯著降低因配件缺貨造成的維修等待，提高客戶的滿意度和粘性；

二、幫助經銷商準確區別配件在不同時節的需求特點，做到在合適的時間儲備合適量的配件，有效降低經銷商的庫存資金占用，從整體提升了經銷商售后配件的管理能力。

再看，這個智能協作平臺是如何發揮作用的：

一、依托經銷商售后維修數據，使用時間序列算法，估計配件未來中長期的需求規模、趨勢和季節性；

二、根據配件的工程特征，通過聚類和決策樹模型確定各類別配件在車輛上的需求特點，為新車型新配件的需求預測提供數據支撐；

三、通過結合外部數據，構建有監督的機器學習模型，響應特定的市場或環境事件，其中最典型的是氣象數據對售后預測的助力。

舉個例子，在國內一些沿海地區會預測臺風天氣，當它出現時會使得一些不常見的維修需求突增，比如“水淹車”，此時各類電子控制模塊、底盤組件、動力總成組件都會出現較大的維修需求，對經銷商的服務和主機廠的供應鏈均造成較大沖擊。

傳統季節性的需求分析與突發氣象事件造成的業務場景中間存在著很大的誤差，這時機器學習模型方案就能較好地解決，結合歷史維修數據以及氣象預測數據，可以很好地給出特定配件的需求風險預警，并根據當地整車保有情況計算出大致的用量規模。

不僅如此，這類不確定的氣象事件，也可以為很少出現此類天氣的地區經銷商提供很好的數據支持，使他們在遇到罕見的場景時可以參考到其它地區的數據。

四、通過車載傳感器的數據反饋，對特定模塊的工作狀態進行分析，可以對車主進行主動邀約或在其進店保養時有針對性地對車輛進行故障診斷，提高服務效率。

進一步，使用車載傳感器數據做出的配件預測還可以為主機廠在新車上市階段更早地發現質量風險提供可能，降低最終發生三包問題的概率。

經銷商配件庫存優化

提到經銷商配件庫存優化，可能很多人想到的都是幫助經銷商去降低庫存，其實這是一個誤區。站在主機廠的角度上去看，經銷商庫存優化應該是一個上下游縱向協作、經銷商之間橫向協調的協同問題，我們優化的是對于經銷商所處的地理位置、銷售特征、服務要求等綜合因素要求下的“供應鏈責任”，即處理這幾個問題：

第一、對哪些配件進行建儲才是“值得”的？

第二、建儲要建多少深度，可以支持多久的需求？

第三、基于以上兩點，主機廠的售后配貨中心應該采取什么策略？

我們曾在某品牌售后做上游配貨中心的庫存優化，發現經銷商庫存管理的目標、方法、能力參差不齊，被動地去優化上游庫存策略并不是最佳方式，所以我們配合客戶一起為經銷商構建了一套庫存管理系統方案，除預測管理外，還包括經銷商當前以及未來一年的庫存計劃，基于庫存計劃推算未來一年的訂購計劃，當前的訂購計劃被轉化為經銷商的采購建議，遠期數據信息主要為上游系統做數據輸入。

經過兩年的推廣和使用磨合，該方案出色地統一了經銷商對庫存管理的認知，并使得上游可以更好地估計經銷商的訂購行為，從而為上游庫存優化工作打下了良好基礎。

通過管理目標的統一，并使其沉淀到系統中，可以有效地減少經銷商端訂購的不確定性，在此基礎上才能更好地提升上游的管理能力和與更上游配件供應商的協同能力，從而提升供應鏈整體的運作效率，并極大降低了供應鏈牛鞭效應。

經銷商配件智能調撥

供應鏈管理充滿了不確定性，預測精度的提升和庫存管理能力的強化，并不能百分百地解決所有的經銷商配件管理問題。其中，最重要的就是呆滯件（我們一般定義一年內沒有銷售和采購的配件為呆滯件）或長庫齡配件的處理難題。

呆滯庫存的出現是一個很復雜問題，它可能受預測誤差、庫存策略缺陷、工程替換、客戶流失、整車質量提升等多重因素的影響，即使提升了預測和庫存管理能力，隨著時間的推移，呆滯庫存依舊會出現。

但是庫存呆滯是一個局部的問題，我們對經銷商進行了采樣分析，發現如果一個配件在某個經銷商那里處于呆滯狀態，則對于該市所有經銷商來說，這個配件仍是呆滯件的概率為77%，而對于所在省份（或銷售大區）來說，概率則僅為35%，若把視角提升到品牌全國，那么該配件仍是呆滯的概率不足5%。所以我們有很大概率地能為經銷商呆滯件尋找到其他買家。

首先面臨的問題就是如何讓“呆滯件”流通起來？

售后配件協作平臺同時也是經銷商間的配件交易平臺，支持經銷商自行在平臺上買賣滿足一定條件的配件，其中“一定條件”由平臺管理方定義，通常為該配件庫齡較長且上游庫存深度不大。

同時，在經銷商常規向上游提交采購訂單時，為其推薦周邊（一般是同省或同集團）的經銷商賣家。定期為經銷商呆滯配件匹配銷售量較高的經銷商，撮合他們進行溝通，并促進其完成調撥。

實踐中，在一定品牌政策的支持下，至少30%的呆滯配件可以得到有效的利用，為經銷商釋放一筆流動資金，并降低庫存管理成本。

經銷商配貨優化

在經銷商供應鏈管理領域，物流運輸費用是主機廠所承擔的一項較大成本，年內使用的車次數決定了當年的運輸成本。從宏觀上來看，一年內經銷商向主機廠訂購的配件總量與其配件銷售量基本呈1:1的關系，也就是說，總的來講一年所需要運輸的配件總體積是“固定的”，決定運輸成本的關鍵在于裝載率，即每輛運輸車輛所裝載的貨物總體積占車輛的可用體積比，顯然，這個值越高則總車次就越低，總物流運輸成本也就越低。

影響裝載率的因素主要有兩個，首先是運輸路徑上經銷商單批次的采購量，比如，如果此批次采購總量體積對應為1.85車，單車可用體積為75%的話，則無論如何裝載率平均也不會61.7%；其次，當配件體積一定時，不同的裝車策略也會影響實際的車次數。

提高裝載率的關鍵在于：

1、區域經銷商采購訂單優化，在基礎采購量的基礎上（即庫存策略對應的采購量），為每家經銷商增加一部分訂購量，在增量最小且個經銷商負載均衡的條件下，做到此次的采購配件總體積滿足總裝載體積區間。據我們統計，這個調整平均僅占經銷商基礎采購量的1%-3%；

2、裝載策略優化，為每輛車具體分配裝載的配件組合和數量，保證每輛車的裝載率控制在70%到75%之間，并且符合一定的運輸要求，如重貨泡貨比、料架要求及托盤要求等。平均來說，裝載優化使得裝載率從原先的70%以下提升至73%左右，實際節省年度總運輸車次4%左右，有效地降低了總體的物流運輸成本。

有人預言，主機廠未來將從制造商向數據服務商轉變，數據資產和技術資產將會成為其最重要的競爭資本。而在主機廠營造的生態鏈中，經銷商是其中最重要的參與者，也是相對技術能力最弱的合作伙伴，主機廠向其輸出數字化能力或系統平臺，能夠有效地提升雙方的效率，并加強合作關系，由商務政策驅動強化為數據驅動和協作，這個售后配件智能協作平臺就是這種協作關系的體現。

返回第一電動網首頁 >