分享一个基于大数据与智能算法的经销商售后配件智能协作平台实践案例
汽车市场已经进入存量竞争，疫情使得竞争更加残酷，但汽车后市场随着中国汽车保有量的增长、平均车龄的增加，以及二手车交易增长等因素呈现出强劲的增长势头。当然，也因为这样，越来越多的机构进入了后市场的竞争，各大主机厂面临着前所未有的挑战。
作为主机厂，为了提升自身在后市场的竞争力，除了在配件产品、工程技术支持、供应链保障等传统领域苦练内功之外，很重要的一项工作就是要加强经销商在售后配件服务上的能力。
针对这项业务挑战，我来分享一个基于大数据与智能算法的售后配件智能协作平台实践案例。整个协作平台分为四个部分：
经销商配件需求预测
需求管理和预测分析是售后配件管理最重要的内容，但据调查，仅有20%的经销商有能力开展周期性、体系化的预测分析工作，而这其中绝大部分还是依赖员工个人的经验和能力对配件需求进行预测分析，不仅需要花费大量时间去处理基础数据，而且，在出现人员变动的时候，难以进行有效的知识沉淀。
如果主机厂能够为经销商输出这一能力，将为经销商带来诸多收益，主要体现在：
一、为经销商的库存管理提供极为重要的输入，提升配件的一次满足率，并且显著降低因配件缺货造成的维修等待，提高客户的满意度和粘性；
二、帮助经销商准确区别配件在不同时节的需求特点，做到在合适的时间储备合适量的配件，有效降低经销商的库存资金占用，从整体提升了经销商售后配件的管理能力。
再看，这个智能协作平台是如何发挥作用的：
一、依托经销商售后维修数据，使用时间序列算法，估计配件未来中长期的需求规模、趋势和季节性；
二、根据配件的工程特征，通过聚类和决策树模型确定各类别配件在车辆上的需求特点，为新车型新配件的需求预测提供数据支撑；
三、通过结合外部数据，构建有监督的机器学习模型，响应特定的市场或环境事件，其中最典型的是气象数据对售后预测的助力。
举个例子，在国内一些沿海地区会预测台风天气，当它出现时会使得一些不常见的维修需求突增，比如“水淹车”，此时各类电子控制模块、底盘组件、动力总成组件都会出现较大的维修需求，对经销商的服务和主机厂的供应链均造成较大冲击。
传统季节性的需求分析与突发气象事件造成的业务场景中间存在着很大的误差，这时机器学习模型方案就能较好地解决，结合历史维修数据以及气象预测数据，可以很好地给出特定配件的需求风险预警，并根据当地整车保有情况计算出大致的用量规模。
不仅如此，这类不确定的气象事件，也可以为很少出现此类天气的地区经销商提供很好的数据支持，使他们在遇到罕见的场景时可以参考到其它地区的数据。
四、通过车载传感器的数据反馈，对特定模块的工作状态进行分析，可以对车主进行主动邀约或在其进店保养时有针对性地对车辆进行故障诊断，提高服务效率。
进一步，使用车载传感器数据做出的配件预测还可以为主机厂在新车上市阶段更早地发现质量风险提供可能，降低最终发生三包问题的概率。
经销商配件库存优化
提到经销商配件库存优化，可能很多人想到的都是帮助经销商去降低库存，其实这是一个误区。站在主机厂的角度上去看，经销商库存优化应该是一个上下游纵向协作、经销商之间横向协调的协同问题，我们优化的是对于经销商所处的地理位置、销售特征、服务要求等综合因素要求下的“供应链责任”，即处理这几个问题：
第一、对哪些配件进行建储才是“值得”的？
第二、建储要建多少深度，可以支持多久的需求？
第三、基于以上两点，主机厂的售后配货中心应该采取什么策略？
我们曾在某品牌售后做上游配货中心的库存优化，发现经销商库存管理的目标、方法、能力参差不齐，被动地去优化上游库存策略并不是最佳方式，所以我们配合客户一起为经销商构建了一套库存管理系统方案，除预测管理外，还包括经销商当前以及未来一年的库存计划，基于库存计划推算未来一年的订购计划，当前的订购计划被转化为经销商的采购建议，远期数据信息主要为上游系统做数据输入。
经过两年的推广和使用磨合，该方案出色地统一了经销商对库存管理的认知，并使得上游可以更好地估计经销商的订购行为，从而为上游库存优化工作打下了良好基础。
通过管理目标的统一，并使其沉淀到系统中，可以有效地减少经销商端订购的不确定性，在此基础上才能更好地提升上游的管理能力和与更上游配件供应商的协同能力，从而提升供应链整体的运作效率，并极大降低了供应链牛鞭效应。
经销商配件智能调拨
供应链管理充满了不确定性，预测精度的提升和库存管理能力的强化，并不能百分百地解决所有的经销商配件管理问题。其中，最重要的就是呆滞件（我们一般定义一年内没有销售和采购的配件为呆滞件）或长库龄配件的处理难题。
呆滞库存的出现是一个很复杂问题，它可能受预测误差、库存策略缺陷、工程替换、客户流失、整车质量提升等多重因素的影响，即使提升了预测和库存管理能力，随着时间的推移，呆滞库存依旧会出现。
但是库存呆滞是一个局部的问题，我们对经销商进行了采样分析，发现如果一个配件在某个经销商那里处于呆滞状态，则对于该市所有经销商来说，这个配件仍是呆滞件的概率为77%，而对于所在省份（或销售大区）来说，概率则仅为35%，若把视角提升到品牌全国，那么该配件仍是呆滞的概率不足5%。所以我们有很大概率地能为经销商呆滞件寻找到其他买家。
首先面临的问题就是如何让“呆滞件”流通起来？
售后配件协作平台同时也是经销商间的配件交易平台，支持经销商自行在平台上买卖满足一定条件的配件，其中“一定条件”由平台管理方定义，通常为该配件库龄较长且上游库存深度不大。
同时，在经销商常规向上游提交采购订单时，为其推荐周边（一般是同省或同集团）的经销商卖家。定期为经销商呆滞配件匹配销售量较高的经销商，撮合他们进行沟通，并促进其完成调拨。
实践中，在一定品牌政策的支持下，至少30%的呆滞配件可以得到有效的利用，为经销商释放一笔流动资金，并降低库存管理成本。
经销商配货优化
在经销商供应链管理领域，物流运输费用是主机厂所承担的一项较大成本，年内使用的车次数决定了当年的运输成本。从宏观上来看，一年内经销商向主机厂订购的配件总量与其配件销售量基本呈1:1的关系，也就是说，总的来讲一年所需要运输的配件总体积是“固定的”，决定运输成本的关键在于装载率，即每辆运输车辆所装载的货物总体积占车辆的可用体积比，显然，这个值越高则总车次就越低，总物流运输成本也就越低。
影响装载率的因素主要有两个，首先是运输路径上经销商单批次的采购量，比如，如果此批次采购总量体积对应为1.85车，单车可用体积为75%的话，则无论如何装载率平均也不会61.7%；其次，当配件体积一定时，不同的装车策略也会影响实际的车次数。
提高装载率的关键在于：
1、区域经销商采购订单优化，在基础采购量的基础上（即库存策略对应的采购量），为每家经销商增加一部分订购量，在增量最小且个经销商负载均衡的条件下，做到此次的采购配件总体积满足总装载体积区间。据我们统计，这个调整平均仅占经销商基础采购量的1%-3%；
2、装载策略优化，为每辆车具体分配装载的配件组合和数量，保证每辆车的装载率控制在70%到75%之间，并且符合一定的运输要求，如重货泡货比、料架要求及托盘要求等。平均来说，装载优化使得装载率从原先的70%以下提升至73%左右，实际节省年度总运输车次4%左右，有效地降低了总体的物流运输成本。
有人预言，主机厂未来将从制造商向数据服务商转变，数据资产和技术资产将会成为其最重要的竞争资本。而在主机厂营造的生态链中，经销商是其中最重要的参与者，也是相对技术能力最弱的合作伙伴，主机厂向其输出数字化能力或系统平台，能够有效地提升双方的效率，并加强合作关系，由商务政策驱动强化为数据驱动和协作，这个售后配件智能协作平台就是这种协作关系的体现。
本文作者可以追加内容哦 !
