【51CTO.com原创稿件】目前大数据的概念已经深入人心，特别是大数据在汽车行业的应用，也是越来越广泛。从数据的产生或来源来看，汽车企业可谓是得天独厚：如整车出厂合格产量数据、车辆基础信息、零部件信息、细分市场调研采样数据、4S店维修数据等。随着车联网技术的不断发展，车辆还可以通过各式各样的传感器采集更多的信息：如车主的驾驶情况、行车路线、路况信息等。这些海量的数据隐藏着巨大的商业价值。
特别是在商用车市场，油耗成本、运输效率、市场定位等利益相关因素，直接影响商用车的市场销量和企业发展，也包括物流公司的营收利润。因此，很多大型企业、研究机构都热衷于研究大数据在商用车市场的潜在商业价值。目前比较流行的应用有以下几类：
一、通过大数据分析不良驾驶行为，进而降低油耗
国外很多公司都意识到驾驶行为对油耗会产生很大的影响，所以对驾驶员进行环保驾驶的培训，指导他们如何减少油耗。目前，全球领先的运输供应商Scania运营的车辆上，配备了监控驾驶员和车辆数据的终端设备，进而分析CAN总线数据和其他相关信息如天气等和油耗的关系。该项目在驾驶行为方面提出了6项挑战：更多的滑行，更少的刹车，更少的空转，更少的加速，更少的高转速，更多使用巡航控制。所有这些都与燃料消耗有关【1】。
图 1
如图 2所示，统计车辆每天的巡航时长、怠速时长、油门开度、制动频次、空挡滑行、行驶里程和平均速度，并以网格的方式划分数据。该方法与其他自动聚类技术相比，结果具有可比性。这种格式很直观，容易被理解。根据网格图，我们还能够看出不同的物流模式区域：长途运输(右上区域)、短途运输(左上区域)和配送运输(左下区域)。
图 2
二、通过大数据分析和预测车辆故障，进而降低维修成本
对于车队运营商来说，商用车的维修保养成本将会占用很大一部分支出。虽然去4S店定期去做保养，能够避免一些零部件故障的发生。然而，商用车由于其特殊的运输用途，经常受到利益的驱使(比如为了拉更多的货而不愿意耽误时间、或者为了节省费用支出)，并不会按时去4S店，做这种定期的保养或者维修。
那么问题来了，一旦车辆中途发生故障，便会给司机、货主造成更多的麻烦，车辆不得不停运，也会严重影响运营的收益。所以很多大型企业、研究机构提出故障预测和预先提醒，也便于司机/车队管理人员提前安排运输计划。
Scania也在重型卡车维修领域展开研究，采用数据挖掘技术预测车辆零部件的运行状态，并构建零部件的故障预测模型【2】。
图 3
Scania采集了车间维修历史数据、故障码和车辆运行数据，通过数据挖掘和机器学习算法，发现潜在的故障迹象，在发生严重故障之前完成维保，能够有效降低维修成本，也避免了车辆停运。文中【2】建立了三类预测模型：***类模型通过一组故障码识别出发动机出现什么故障;第二类模型研究车辆运行数据和故障码的关系;第三类模型综合了车辆运行数据和故障码进行评估，建议是否需要更换零部件。
图 4
三、通过大数据分析和统计车辆运行热点区域，作为重点销售投放市场
商用车主要用途是运输货物，通过大数据技术分析商用车主要运行区域，就可以在这些热点区域进行重点销售。比如在车辆行驶密集区域，可以部署更多的4S店。因为这些区域用户需求也更加丰富，既便于销售车辆也便于提供维修、保养、车险等售后服务。
图 5
国内外很多车企、保险公司都已经开始深入挖掘这些数据的潜在价值：不同销售分公司或营业点，通过分析所在区域的运行车辆，分析车辆的类型、配置甚至故障率等，对库存车型进行优化调整。因为不同区域/市场运输货物类型不同、运输距离不同，因而用户对车辆的配置等需求不同。那么，借助于大数据技术，我们可以分析出某个区域主要运行的车型配置，进而有针对性的推广相匹配的产品。
随着车联网、机器学习、人工智能等技术的不断运用，相信大数据技术一定会为商用车市场注入新的活力，带来新的利润增长点。
参考文献
[1] 《Modeling the Relation Between Driving Behavior and FuelConsumption》
[2] 《Modelling of patterns between operational data, diagnostic trouble codes and workshop history using big data and machine learning》
【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】
