智能制造

PPT下載 | 星星充電BI+AI數(shù)據(jù)賦能實(shí)踐，助力131%直接業(yè)務(wù)增長

2022-12-10 來源：評論：0

摘要：分享了星星充電通過與業(yè)內(nèi)領(lǐng)先的一站式智能分析平臺(tái)與服務(wù)提供商觀遠(yuǎn)數(shù)據(jù)合作實(shí)踐

　　中國新能源行業(yè)正處于快速發(fā)展中，身處該市場的企業(yè)在爆發(fā)趨勢中也面對著激烈的競爭，數(shù)智化轉(zhuǎn)型成為新能源企業(yè)的關(guān)注熱點(diǎn)，對于打造企業(yè)競爭優(yōu)勢具有重要影響力。作為新能源領(lǐng)域頭部品牌、全國三大電動(dòng)汽車充電設(shè)備運(yùn)營商之一，星星充電在數(shù)智化轉(zhuǎn)型方面有著領(lǐng)先行業(yè)的實(shí)踐成果。

　　近日，星星充電數(shù)據(jù)中臺(tái)總監(jiān)潘偉在「讓業(yè)務(wù)用起來·觀遠(yuǎn)數(shù)據(jù)2022智能決策峰會(huì)暨產(chǎn)品發(fā)布會(huì)」云上直播中，以《BI+AI撬動(dòng)產(chǎn)業(yè)互聯(lián)網(wǎng)企業(yè)實(shí)現(xiàn)數(shù)智化轉(zhuǎn)型》為主題，分享了星星充電通過與業(yè)內(nèi)領(lǐng)先的一站式智能分析平臺(tái)與服務(wù)提供商觀遠(yuǎn)數(shù)據(jù)合作實(shí)踐，巧妙融合BI+AI，打造智能運(yùn)維、智能選址、智能營銷、智能診斷等數(shù)智化工具，讓數(shù)據(jù)擁抱業(yè)務(wù)，讓智能決策“看得見”“快而準(zhǔn)”，實(shí)現(xiàn)高效運(yùn)營，降本增效，為星星充電帶來131%的直接業(yè)務(wù)增長的BI+AI數(shù)據(jù)賦能實(shí)戰(zhàn)案例。

　　文末可下載演講PPT課件。

　　以下為星星充電數(shù)據(jù)中臺(tái)總監(jiān)潘偉老師分享實(shí)錄：

　　萬幫數(shù)字能源是一家專注于新能源汽車充電設(shè)備研發(fā)、制造、運(yùn)營的企業(yè)，我們的核心品牌是星星充電。如果大家平時(shí)經(jīng)常開電動(dòng)車的話，很可能在我們新運(yùn)營的充電場站有過這樣的充電體驗(yàn)。目前，星星充電已經(jīng)發(fā)展成為全國三大電動(dòng)汽車充電設(shè)備運(yùn)營商之一。我們企業(yè)的愿景是共建全球最大移動(dòng)能源網(wǎng)，我們一直貫徹的是一套“云管端”的高度數(shù)字化協(xié)同的運(yùn)作模式。

　　今天想重點(diǎn)給大家分享的是我們在具體的數(shù)字化賦能落地項(xiàng)目當(dāng)中總結(jié)出的一些經(jīng)驗(yàn)。

　　支撐業(yè)務(wù)跑起來的三駕馬車：

　　業(yè)務(wù)中臺(tái)+數(shù)據(jù)中臺(tái)+算法中臺(tái)

　　首先，我們發(fā)現(xiàn)不同的業(yè)務(wù)需求、不同的項(xiàng)目階段，都需要找到一個(gè)最合適的數(shù)據(jù)賦能方式，例如通過BI看板、數(shù)據(jù)駕駛艙能夠解決運(yùn)營同學(xué)和業(yè)務(wù)同學(xué)看數(shù)據(jù)的需求。我們在提供一些智能化的數(shù)據(jù)解決方案的時(shí)候，需要充分利用到算法同學(xué)AI的能力。在最終的大范圍的數(shù)據(jù)賦能的推廣過程中，我們則有可能會(huì)用到數(shù)據(jù)產(chǎn)品的支撐，讓業(yè)務(wù)同學(xué)能夠更方便地使用數(shù)據(jù)工具。因此我想先分享一下星星充電的技術(shù)架構(gòu)、組織架構(gòu)，它們在數(shù)據(jù)賦能中起著非常重要的支撐作用。

　　掃描文末二維碼獲取演講

　　這張圖是星星充電的業(yè)務(wù)技術(shù)架構(gòu)圖。我們有非常龐大的中臺(tái)團(tuán)隊(duì)，支撐下游各種產(chǎn)品線、各種系統(tǒng)，中臺(tái)團(tuán)隊(duì)又由業(yè)務(wù)中臺(tái)、數(shù)據(jù)中臺(tái)、算法中臺(tái)組成。其中，數(shù)據(jù)中臺(tái)承載的是整個(gè)集團(tuán)的數(shù)據(jù)倉庫、數(shù)據(jù)集市、BI分析平臺(tái)、指標(biāo)體系、標(biāo)簽體系、埋點(diǎn)體系等基礎(chǔ)數(shù)據(jù)服務(wù)的職責(zé)。算法中臺(tái)則針對不同的業(yè)務(wù)場景，提供相應(yīng)的項(xiàng)目智能選址、精準(zhǔn)營銷、智能定價(jià)等數(shù)據(jù)模型。

　　在這些中臺(tái)的支撐下，我們能夠通過產(chǎn)品化、系統(tǒng)化的方式，給到業(yè)務(wù)同學(xué)、給到我們的客戶足夠的數(shù)據(jù)化支撐。并且，有了這樣的技術(shù)架構(gòu)和對應(yīng)的組織架構(gòu)，我們就能把最合適的人放在最合適的位置，去做最正確的事情。所以這是非常重要的。在我們后續(xù)很多智能化的項(xiàng)目當(dāng)中，我們也看到一個(gè)清晰的技術(shù)架構(gòu)和組織架構(gòu)，能夠起到事半功倍的作用。

　　BI+AI的巧妙融合：讓數(shù)據(jù)擁抱業(yè)務(wù)

　　讓智能決策變得“看得見”“快而準(zhǔn)”

　　接下來，我會(huì)具體分享一些數(shù)據(jù)賦能的案例。

　　一、智能運(yùn)維

　　星星充電的智能運(yùn)維有一個(gè)自有的公式：智能運(yùn)維=設(shè)備數(shù)字化+故障模型化+運(yùn)維數(shù)據(jù)可視化+閉環(huán)驗(yàn)證，以此組成了一整套智能運(yùn)維解決方案。

　　掃描文末二維碼獲取演講

　　星星充電在全國各地的充電基礎(chǔ)設(shè)施、充電設(shè)備都是智能設(shè)備，每一次客戶充電都會(huì)把相應(yīng)的充電過程數(shù)據(jù)（比如電流、電壓、充電槍的溫度等信息）實(shí)時(shí)上傳到我們的充電平臺(tái)，離線數(shù)倉和實(shí)時(shí)數(shù)倉能夠及時(shí)收集這些數(shù)據(jù)，并借助大數(shù)據(jù)技術(shù)，進(jìn)行大數(shù)據(jù)量的批處理，得到一個(gè)相應(yīng)的處理結(jié)果。

　　有了這些數(shù)據(jù)之后，算法同學(xué)、運(yùn)維分析師就能基于歷史各種設(shè)備的異常情況做模型化的研發(fā)，使之能通過一些特征數(shù)據(jù)預(yù)測到設(shè)備可能已經(jīng)產(chǎn)生的一些異常，或是可能存在的故障風(fēng)險(xiǎn)。最終，通過監(jiān)控大屏，進(jìn)行實(shí)時(shí)觀察，借助異常告警、自動(dòng)工單等數(shù)據(jù)產(chǎn)品，將整個(gè)運(yùn)維體系進(jìn)行了一個(gè)非常大的升級。這是星星充電一個(gè)典型的通過數(shù)據(jù)和算法改變業(yè)務(wù)模式的案例。

　　掃描文末二維碼獲取演講

　　傳統(tǒng)的運(yùn)維模式是當(dāng)我們的充電用戶到了一個(gè)場站，發(fā)現(xiàn)有些設(shè)備不能充電，一般用戶會(huì)打400客服電話投訴，或通過差評等方式反饋到平臺(tái)，運(yùn)維人員再被動(dòng)式地到這些已經(jīng)壞掉的設(shè)備上進(jìn)行修復(fù)，這樣的用戶體驗(yàn)非常不好。而智能運(yùn)維解決方案能夠讓我們早于客戶提前發(fā)現(xiàn)可能出現(xiàn)問題的設(shè)備，并通過自動(dòng)工單的方式，讓運(yùn)維同學(xué)能夠及時(shí)對異常設(shè)備進(jìn)行檢修和修復(fù)。這樣能夠大幅提升用戶體驗(yàn)，提升用戶的充電成功率，提升用戶滿意度。

　　二、智能選址

　　在零售消費(fèi)、餐飲茶飲等很多行業(yè)，都有智能選址的需求。星星充電是通過四個(gè)步驟，實(shí)現(xiàn)了自有的針對充電場景的一整套一站式智能選址解決方案：

　　第一，供需分析。全國各地的投建人員都可以通過移動(dòng)端BI看板，看到所處區(qū)域的充電供需情況，從宏觀層面，它能夠讓我們的投建人員知道在哪些地方需要加大投建力度，在哪些區(qū)域可能已經(jīng)達(dá)到供需平衡甚至供給側(cè)的飽和。

　　第二，精準(zhǔn)選址。從微觀維度，地段、場地客流量、周邊的配套設(shè)施等都會(huì)影響到投建場站，這種大量的、多因子的影響因素的分析場景，非常適合用類似機(jī)器學(xué)習(xí)的算法能力搭建模型，給到精準(zhǔn)的選址建議?；谶@樣的充電業(yè)務(wù)，星星充電算法團(tuán)隊(duì)研發(fā)了我們獨(dú)有的充電場站的選址算法模型，為打造能夠給用戶提供更便利體驗(yàn)的充電網(wǎng)絡(luò)提供了數(shù)據(jù)上的支撐。

　　第三，投資測算。充電站的投建，本身是一個(gè)重資產(chǎn)的運(yùn)營模式，除了考量用戶的便利度之外，也會(huì)非常關(guān)注電站是否能夠達(dá)到盈利預(yù)期、回收周期是否在目標(biāo)范圍之內(nèi)等。因此，基于測算分析師做的場站盈利模型，星星充電上線了一套基于BI的投資測算系統(tǒng)，可以讓我們通過BI的快速配置，看到每一個(gè)候選位置的收入、盈利預(yù)測周期。

　　第四，自動(dòng)化工具。為了更好地讓投建業(yè)務(wù)人員能夠?qū)⒅悄苓x址用起來，我們又通過前述不同的數(shù)據(jù)方式，將前三步打包成一個(gè)完整的一站式選址工具。該數(shù)據(jù)產(chǎn)品涵蓋供需分析、選址模型、投資盈利模型，這個(gè)工具有一個(gè)非常優(yōu)雅的名字，叫智慧女神“Cynthia”。通過智能選址工具，大幅提升了星星充電在全國充電場站投建的效率。

　　中國充電聯(lián)盟9月最新的權(quán)威報(bào)告中顯示，目前在公共充電領(lǐng)域，星星充電已經(jīng)做到了供給側(cè)第一名。

　　三、智能營銷

　　智能營銷一個(gè)活躍話題，在充電運(yùn)營領(lǐng)域同樣有類似需求。我們的運(yùn)營人員經(jīng)常會(huì)提一些問題，比如星星充電平臺(tái)重點(diǎn)用戶畫像？APP如何給用戶推薦最匹配的充電站？為什么會(huì)有一定比例的流失用戶？營銷活動(dòng)該給不同的客戶哪種優(yōu)惠券？最終，回歸到一個(gè)本質(zhì)的問題：怎樣通過數(shù)據(jù)和算法提升整體的營銷ROI？

　　要回答這么多問題，第一步要做的是不管是分析師還是運(yùn)營同學(xué)，一定要真正了解用戶。所以，我們的數(shù)倉工程師和建模工程師搭建了一整套用戶標(biāo)簽體系，構(gòu)成畫像中心。目前星星充電平臺(tái)上已經(jīng)有700萬注冊用戶，針對這些用戶的日常充電數(shù)據(jù)，打上了各種各樣的標(biāo)簽，比如用戶偏好充電時(shí)段、用戶過往營銷活動(dòng)參與情況、是否是高價(jià)值用戶、是否存在潛在流失風(fēng)險(xiǎn)等。用戶標(biāo)簽體系是一個(gè)非常重的系統(tǒng)，一個(gè)用戶會(huì)有很多不同標(biāo)簽，用戶量大，計(jì)算量也非常大。很多時(shí)候會(huì)發(fā)現(xiàn)，想讓業(yè)務(wù)將用戶畫像系統(tǒng)的分析用起來并不是一件容易的事情。面對海量的標(biāo)簽、海量的數(shù)據(jù)，我們需要找到一個(gè)確實(shí)有效的方式，讓大家能夠把用戶畫像用起來。

　　掃描文末二維碼獲取演講

　　為此，星星充電基于觀遠(yuǎn)數(shù)據(jù)自助式BI的特性，首先通過BI實(shí)現(xiàn)了用戶圈選的功能，讓任意一個(gè)運(yùn)營人員都可以通過BI選到他希望關(guān)注的人群，再經(jīng)過一系列用戶洞察的BI看板，針對這部分人群，快速了解他們的行為習(xí)慣。讓我們的分析師、運(yùn)營人員甚至算法同學(xué)，都能夠非?？焖俚牧私猱?dāng)前在我們平臺(tái)上充電的不同類型的用戶所具有的不同的充電行為習(xí)慣。

　　我們發(fā)現(xiàn)，當(dāng)?shù)讓拥幕A(chǔ)支持完成后，剩下的事情就不再復(fù)雜。我們可以針對特定的人群，通過用戶畫像找到合適的推薦算法、決策算法、定價(jià)算法，讓我們的用戶在打開APP的時(shí)候，能夠馬上看到最適合他去的充電場站，能夠告訴他每一個(gè)場站的閑忙情況，避免用戶在他希望充電的時(shí)段，到了某個(gè)場站還需要排隊(duì)，影響用戶的充電體驗(yàn)。在做一些優(yōu)惠活動(dòng)時(shí)，也可以給到用戶更需要的滿減券或其他不同優(yōu)惠券。

　　通過用戶標(biāo)簽體系、通過觀遠(yuǎn)數(shù)據(jù)自助式BI、通過用戶洞察做到深度分析后，我們就可以相對快速的針對不同人群，通過算法給到精準(zhǔn)化、精細(xì)化的服務(wù)，讓充電這件事情變得更加便利。

　　四、智能診斷

　　我們還有一個(gè)項(xiàng)目是針對充電場站的一整套智能診斷解決方案。在目前全國各地的場站中，有些場站運(yùn)營的非常好，經(jīng)營情況也很不錯(cuò)，但是也有很多場站的利用率相比平均水平有較大差距。針對這么多的場站，我們希望能夠有一套標(biāo)準(zhǔn)化的診斷，通過數(shù)據(jù)層面找到當(dāng)前的一些經(jīng)營問題，并且最終能夠提供一些智能化的解決方案。

　　1、三個(gè)痛點(diǎn)

　　在這個(gè)項(xiàng)目過程當(dāng)中，我們遇到了很多數(shù)據(jù)人都會(huì)經(jīng)常遇到的三個(gè)“痛點(diǎn)”，也有了一些解決方法的思考：

　　第一，難以從數(shù)據(jù)中找到問題的根因。星星充電解決這個(gè)問題的方式首先是在這個(gè)過程中我們不斷細(xì)化BI診斷看板的數(shù)據(jù)顆粒度，同時(shí)持續(xù)推進(jìn)整個(gè)集團(tuán)的業(yè)務(wù)信息化和觸點(diǎn)數(shù)字化，完善整個(gè)集團(tuán)的數(shù)據(jù)全面性和數(shù)據(jù)準(zhǔn)確性。并鼓勵(lì)數(shù)據(jù)分析師和所有數(shù)據(jù)人去更多地走進(jìn)業(yè)務(wù)，在一線尋找真相。

　　第二，缺少解決問題的落地方案。星星充電解決這一問題的方案，首先是針對不同運(yùn)營環(huán)節(jié)，將現(xiàn)實(shí)世界、物理世界當(dāng)中的一些場景進(jìn)行“模型化”后，通過算法提升模型的效率，找到每個(gè)模型的最優(yōu)解，智能推薦可量化的策略提供給運(yùn)營同學(xué)，告訴他們應(yīng)該在什么時(shí)間節(jié)點(diǎn)做什么事，做到什么樣的程度。

　　第三，數(shù)據(jù)和AI使用成本高，推廣慢。解決這個(gè)問題沒有太多捷徑可走，數(shù)據(jù)人首先一定要時(shí)刻保持?jǐn)?shù)據(jù)賦能的信念，要相信在絕大部分場景下算法一定是能夠比人為的、帶主觀因素的分析更客觀、更科學(xué)、更精準(zhǔn)，值得花更多的溝通成本、時(shí)間，去把這樣的理念和思維方式慢慢的帶給運(yùn)營和業(yè)務(wù)的同學(xué)。同時(shí)，在推廣數(shù)據(jù)工具、數(shù)據(jù)產(chǎn)品時(shí)，注重BI等數(shù)據(jù)工具的簡潔性，化繁為簡。最后，嘗試MVP最簡可行化的產(chǎn)品試驗(yàn)方法，用在小范圍的試驗(yàn)當(dāng)中拿到一些正向反饋和結(jié)果時(shí)去做更大范圍的推廣。

　　2、針對性提效方案

　　在星星充電的電站智能診斷項(xiàng)目過程中，我們主要用到了兩個(gè)方法論：

　　第一，指標(biāo)化分析。針對場站經(jīng)營的是好是壞，或者在某些方面的經(jīng)營狀況，我們提煉了非常多的數(shù)據(jù)指標(biāo)，通過指標(biāo)可以更好地量化它當(dāng)前實(shí)際的運(yùn)營狀態(tài)。

　　第二，模型化思維。當(dāng)我們知道了這個(gè)電站存在的問題后，我們就像前述的將每一個(gè)運(yùn)營環(huán)節(jié)做了模型化的轉(zhuǎn)換，只有將現(xiàn)實(shí)問題轉(zhuǎn)化成結(jié)構(gòu)化的數(shù)字模型，才能在后續(xù)通過算法提供針對性的解決方案。

　　掃描文末二維碼獲取演講

　　這里有幾個(gè)典型的將常見的數(shù)據(jù)模型應(yīng)用到充電場景以分析不同電站問題的案例，例如：通過RFM模型，將充電用戶做了一個(gè)價(jià)值分類；利用波士頓矩陣，將電站分為明星電站、金牛電站、瘦狗電站和問題電站四個(gè)象限，針對不同的象限，可以采取差異化的營銷策略；通過帕累托圖，每天用這個(gè)看板實(shí)時(shí)觀測我們有哪些頭部場站、哪些長尾的低效場站，針對不同場站類型，去制定針對性的優(yōu)化策略；借助漏斗模型，針對不同的轉(zhuǎn)化率，比如注冊之后是否會(huì)產(chǎn)生首次充電的首充轉(zhuǎn)化率，以及復(fù)充轉(zhuǎn)化率、會(huì)員轉(zhuǎn)化率等，分析發(fā)現(xiàn)當(dāng)前場站在哪一個(gè)環(huán)節(jié)、哪一個(gè)轉(zhuǎn)化率上有比較大的提升空間。

　　當(dāng)我們將很多現(xiàn)實(shí)的場站問題模型化之后，算法同學(xué)就可以基于模型的輸出，找到每一個(gè)模型通過什么樣的方式能夠達(dá)到最優(yōu)狀態(tài)，并借助機(jī)器學(xué)習(xí)去發(fā)揮它的作用。BI工程師和數(shù)據(jù)分析師則會(huì)通過對于業(yè)務(wù)的了解、與業(yè)務(wù)人員的溝通，以及一些實(shí)際場景的勘察，結(jié)合模型化思維，最終通過BI進(jìn)行問題的清晰呈現(xiàn)。

　　3、直接的業(yè)務(wù)增長

　　以上海的一個(gè)充電場站為例，因?yàn)榘l(fā)現(xiàn)當(dāng)前這個(gè)場站的利潤情況是明顯低于全國平均水平的，所以我們首先通過智能診斷工具對這個(gè)場站進(jìn)行了一輪分析，發(fā)現(xiàn)了兩個(gè)問題：

　　第一，從供給側(cè)來看，這個(gè)場站處于較好的地段，周圍有很多潛在充電客戶，所以當(dāng)前它的充電用戶量是有一定的提升空間的。我們從智能診斷工具里找到了相應(yīng)解決用戶增長問題的一些工具包，例如智能拉新營銷活動(dòng)等，想辦法讓它在用戶體量方面達(dá)到增長。

　　第二，發(fā)現(xiàn)影響這個(gè)場站收益情況的更大的問題點(diǎn)在于成本方面，尤其是設(shè)備的運(yùn)維成本遠(yuǎn)高于全國平均水平，于是針對降本增效這一方面，我們也給到了具體的建議。

　　所以，在整個(gè)8月份，我們其實(shí)主要做了兩件事：其一是通過智能拉新的營銷工具包，進(jìn)行了用戶增長方面的嘗試；其二是以降本為目標(biāo)，進(jìn)行了運(yùn)維成本的優(yōu)化。

　　最終整個(gè)8月份我們的充電用戶月活提升了近25%，通過智能拉新的營銷手段確實(shí)提升了這個(gè)場站的用戶體量。同時(shí)，整個(gè)電站的成本也大幅優(yōu)化了60%左右。兩者相結(jié)合，最終整個(gè)電站當(dāng)月利潤相較于7月份實(shí)現(xiàn)了131%的顯著增長。

　　掃描文末二維碼獲取演講

　　在8月份完成了這兩個(gè)動(dòng)作之后，我們繼續(xù)使用電站智能診斷工具進(jìn)行進(jìn)一步的分析發(fā)現(xiàn)：一是我們的用戶體量已經(jīng)達(dá)到了相對滿意的狀態(tài)，那么8、9月份的重點(diǎn)之一是通過營銷手段保住月活，不讓8月的用戶有大的流失；二是發(fā)現(xiàn)相比于一些同類型的場站，這個(gè)場站的用戶充電頻次還有提升空間，因此我們又調(diào)用了智能工具包里的提頻工具，給到一些提頻營銷的策略推薦，發(fā)放提頻券，并保持8月份成本優(yōu)化的成果。

　　在9月份針對性地進(jìn)行了保月活和提頻率的智能措施后，最終在維持較高的月活體量之上，我們將用戶的充電頻次提升了15%左右。這為我們的電站帶來了更多的訂單，因此9月份的最終利潤收入相比8月份，又有了38%的提升。

　　這是一個(gè)非常典型的通過數(shù)據(jù)和算法賦能到業(yè)務(wù)，并最終帶來真實(shí)業(yè)務(wù)增長的案例。我相信每一個(gè)數(shù)據(jù)人在達(dá)到這樣的成果時(shí)，都會(huì)感到自豪和欣慰。今天的分享也到此結(jié)束，謝謝大家。

　　掃描下方二維碼

　　獲取演講

　　▼