大数据时代的车联网
随着互联网的不断发展,大数据正在成为一股热潮,且业界对大数据的讨论已达到一个前所未有的高峰。车联网作为移动互联网大背景下诞生的一个产物,不管是车辆的接入、服务内容的选择还是服务的精准性,都离不开大数据。
车辆上传的每一组数据都带有位置信息和时间,并且很容易形成海量数据。一方面,如果说大数据的特征是完整和混杂,而车联网与车有关的大数据特征是完整加精准。如某些与车辆本身有关的数据,都有明确的一个ID,根据这个ID可以关联到相应的车主信息,并且这些信息还是精准的。
另一方面,我们可以看到车联网与驾驶人的消费习惯、兴趣爱好等大数据特征是完整和部分精确。因此,研究车联网的大数据更有意义。
大数据的定义和特征
大数据(big data),或称巨量资料,指的是所涉及的资料量规模巨大到无法透过目前主流软件工具,在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。
我们从权威的定义可以看到,大数据的特征有四点,分别为:数据体量巨大。从TB级别,跃升到PB级别;数据类型繁多。提到的网络日志、视频、图片、地理位置信息等等。,价值密度低,商业价值高。以视频为例,连续不间断监控过程中,可能有用的数据仅仅有一两秒。处理速度快。1秒定律。
车联网的大数据在预测方面可以发挥到极致。如,预测交通堵塞的地段,实时交通信息,主动安全,公交的排班。驾驶者驾驶行为分析。
大数据的核心在于预测,这在车联网行业非常有用,例如,对于交通流量的预测,就非常需要大数据。对于交通流量,目前我们的仿真系统更加重视交通流量大,拥堵的原因,而大数据时代,不再在乎因果关系,而重视相关性,也就是不去分析产生拥堵的原因,但确实某个时段某个路段会发生拥堵。也可以根据车联网的大数据对车友的兴趣进行分析。
大数据在商用车领域的应用
大数据在商用车领域已经有相当多的应用,如公交领域的运营排班管理、出租车领域的浮动车数据,物流行业的大物流。
如何解决公交企业面临的三大问题:运力配备最少、车辆运行距离最短、驾驶员作业时间最少?如何分析各时间段、各站点的客流分布情况呢?如何实现运营的安全智能化、运营排班的智能化?在公交行业,以上问题普遍存在,通过车联网的大数据,可以解决公交行业所面临的这些问题。根据各个时间段,各站点的客流量大小,线路配备的运营车辆数、线路配备驾驶人员、线路长度、车辆运行速度等大数据,可确定一条线路各个时间段的配车数及发车间隔,从而解决运力配备最少、车辆运行距离最短、驾驶员作业时间最少三大问题。
根据客流量、节假日、气候、节气、自然灾害、道路、车况事故、历史同期数据、售票方式、居民小区建设等条件建立计划模型,从而用最快的速度对这些影响运营计划的因素做出反映。比如增加线路,增加车辆,增加司机,有效地制定公交运营计划。同时可对于运营排班精准管理,可通过大数据可以自动排班,对行车作业计划进行优化,并快速地对运行线路进行调整和优化。
自从菜鸟网络公司出现以后,大物流的概念终于被业界提及。什么叫大物流呢?是指企业的自有物流系统(由车队、仓库、人员等组成),和第三方物流企业的配送信息与资源进行共享,从而能充分地利用各方面资源,减少物流总支出、降低运营成本。
目前物流行业随着业务的扩大,车辆数日益增多,而且型号众多。很多企业还是采用手工方式进行车辆管理,工作量大,对车辆运营数据统计分析比较困难,统计结果相当滞后,不利于公司的决策管理;同时在车辆行驶过程中没有进行全程的监控,对司乘人员的违法违规行为无法进行及时预警,也无法对司乘人员的求助及时进行反应。
另一方面,在我国现行的物流运输方式中无论是自营物流,合营物流还是第三方物流,隐性成本占据了很重要的地位,这些隐性成本在物流运输过程中主要包括以下几个方面:返程或起程空驶:空车无货载行驶,这些都是不合理运输的方式。
-如何改善物流企业在管理上较为落后的现状,达到货主“高服务质量、严格的准时率、极小的货损率、较低的物流成本”的要求?
-如何解决物流行业运行信息反馈滞后、运营高成本、货运车辆的高空驶率、司机作弊给货物和车辆的安全带来的极大隐患?
-如何快速、高效的为用户提供可靠的物流服务?
-如何最大程度的利用运力资源提高整体业务运营效率?
这些是目前物流行业迫在眉睫的问题。
对以上问题,车联网技术正好可以解决车主迫在眉睫的问题,通过透明化的运输过程管理,合理调度车辆,根据车辆行驶的大数据,对车辆行驶的线路畅通情况进行预测,规划出一条安全畅通的行驶路线,减少由于交通原因而引发的在途等待时间。
通过车辆运行的大数据,可以快速地分析出相同路线的油耗情况,事故多发路段的提前预警,精确分析计算车辆的行程,提高了企业的信息化水平,随时了解到货物的运行状态信息及货物运达目的地的整个过程,确保了运输过程的透明化管理,使企业的运行管理智能化、服务准时性,提高可预见性。
同时,通过车辆运行的大数据,可获取高速、国道、省道的实时路况,同时对司机的驾车规律的分析,为加油站、维修站、服务站的选址提供了参考数据。
另一方面,物流的成本有很大一部分属于仓储成本。通过车联网技术,对海量的数据进行分析计算,经过合理地调度,降低车辆的空驶率,把移动中的每辆货车可以作为一个流动的仓储空间,提高了仓储空间的周转率,从而帮助企业降低仓储成本。
大数据在乘用车领域的应用
大数据在乘用车领域目前比较成熟的应用有保险和主动安全,未来必将有大量的企业会在CRM和呼叫中心领域寻求更多的业务增长点。
2011年8月, 北美最大的汽车保险公司StateFarm与车联网服务提供商Hughes结为连理,由此第一个由保险公司主导的车联网商业模式走上了世界舞台。由此,关于保险模式的车联网被业界所热议。
State Farm主导的车联网商业模式有如下几个特点:与保险公司的业务捆绑;提供与驾驶安全度结合的保险费率;与车联网服务提供商(TSP)Hughes 合作;服务差异化,避免与OnStar 等前装车厂主导的车联网产品和导航产品竞争等。
大数据时代,通过对驾驶者总行驶里程、日行驶时间等数据,以及急刹车次数、急加速次数等驾驶行为在云端的分析,有效地帮助保险公司全面了解驾驶者的驾驶习惯和驾驶行为,有利于保险公司发展优质客户,提供不同类型的保险产品。
目前车联网所提供的主动安全方面的措施大致有胎压监测、故障预警、碰撞报警、安全气囊弹出报警、紧急救援等。但目前在主动安全方面的设备更多是车辆上的一个节点,并没有真正的和大数据关联起来。
在大数据时代,当汽车在行驶过程中,平台可对轮胎气压进行实时自动监测,并对轮胎漏气和低气压进行报警,以确保行车安全。胎压监测有直接和间接两种,直接的通过传感器来监测,而间接的监测是当某轮胎的气压降低时,车辆的重量会使该轮的滚动半径将变小,导致其转速比其他车轮快。
通过比较轮胎之间的转速差别,以达到监视胎压的目的。间接式轮胎报警系统实际上是依靠计算轮胎滚动半径来对气压进行监测。间接方式的胎压监测需要通过上传OBD的信息至云端,由云端通过大数据来分析出轮胎是否漏气,并实时提醒司机,确保安全行驶。
对于呼叫中心,很多企业只是简单的定义为简单的服务部门,其实,TSP的呼叫中心,不仅承担客服角色,还承担售前角色。呼叫中心可以帮助企业快速寻找、锁定有潜在消费能力的最终用户。用对的人、合适的时间、适宜的话术换来的就是成功的营销。
在大数据时代,TSP、汽车经销商或4S店的业务结构会发生一定的转移,原有的客服部门从以往的成本中心逐步转变为利润中心。
呼叫中心的大数据包括,使用情况,客户兴趣及生活习惯三个方面。通过呼叫中心,我们可以获取车辆的使用情况、车联网系统的客户体验效果以及与车辆本身的相关咨询,这对于主机厂市场跟踪反馈,促进相关部门对质量问题进行快速改进有重要的意义。
通过呼叫中心,可掌握车主的消费习惯,车主的活动范围、车主的生活习惯及车主商旅情况(订票、订酒店、订餐、订鲜花),车主的消费心理。如车主在生活消费过程中,在日常购买行为中的心理活动规律及个性心理。消费需要问题,消费时间与消费习惯问题,物质消费与精神消费问题,通过大数据的分析,从而有效地制定相应的营销策略及营销话术。
关于大数据的思考
大数据时代,影响着我们的思维。以前我们对于出行过程的理解,传统的观念只注重为客户提供导航和娱乐这一功能,并没有对这一过程进行深度的分析。这个过程中,分别为去之前,在路上,停车后。对于这个过程,我们可以延伸出很多车联网的服务内容,并且每个阶段都离不开熟人社会,每个阶段都会产生大数据,大数据可延伸很多增值服务。
服务内容的精准性如果单纯靠服务提供商的力量,那服务商将要投入巨大的人力或资本并且要经历很长的时间,显然这种方式不可行。解决这种问题,理想的方法就是通过车主的与社区网站的互动,只有通过这种方式,才能快速地采集到相应的兴趣点。这必须要进行大数据分析。
对于客户信息,无论是车厂还是汽车销售商,都视为命根子,可事实是什么?事实是现阶段这些客户信息一点用都没有,能从这些客户信息中延伸出一些增值服务吗?很难。说白了,这些信息无法带来“顾客终生价值”(Customer Lifetime Value),顾客终生价值指的是每个购买者在未来可能为企业带来的收益总和。
如同某种产品一样,顾客对于企业利润的贡献也可以分为导入期、快速增长期、成熟期和衰退期。显然,现阶段的产品形态或者企业的信息化水平有限,一方面无法完成大数据的挖掘,另一方面,缺少专业化的分析工具,而车联网时代,给了我们无限的想象空间,让一切皆有可能!
数据分析咨询请扫描二维码
数据分析涉及多个方面的学习,包括理论知识和实践技能。以下是数据分析需要学习的主要方面: 基础知识: 数据分析的基本概念 ...
2024-11-22数据分析适合在多个单位工作,包括但不限于以下领域: 金融行业:金融行业对数据分析人才的需求非常大,数据分析师可以从事经 ...
2024-11-22数据分析是一种涉及从大量数据中提取有用信息和洞察力的过程。其工作内容主要包括以下几个方面: 数据收集与整理:数据分析师 ...
2024-11-22数据分析师需要掌握多种技能,以确保能够有效地处理和分析数据,并为业务决策提供支持。以下是数据分析师需要掌握的主要技能: ...
2024-11-22数据开发和数据分析是两个密切相关但又有所区别的领域。以下是它们的主要区别: 定义和目标: 数据开发:数据开发涉及数据的 ...
2024-11-22数据架构师是负责设计和管理企业数据架构的关键角色,其职责涵盖了多个方面,包括数据治理、数据模型设计、数据仓库构建、数据安 ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列技能,以确保能够有效地处理、分析和解释数据,从而支持决策制定。以下是数据分析师所需的关键技能: ...
2024-11-22数据分析师需要具备一系列的技能和能力,以确保能够有效地处理、分析和解释数据,从而支持业务决策。以下是数据分析师所需的主要 ...
2024-11-22需求持续增长 - 未来数据分析师需求将持续上升,企业对数据驱动决策的依赖加深。 - 预测到2025年,中国将需要高达220万的数据人 ...
2024-11-22《Python数据分析极简入门》 第2节 4 Pandas条件查询 在pandas中,可以使用条件筛选来选择满足特定条件的数据 importpanda ...
2024-11-22数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21