摘要：随着汽车大数据产业时代的到来，传统营销方法已不能满足市场的快速变化，基于大数据的精准营销具有相当大的优势。基于此，本文采取数据驱动的手段研究汽车用户画像，首先基于上汽通用五菱汽车股份有限公司的用户购买数据集，通过相关性分析进行用户分群，其次分析人群特征，从而总结筛选出对于体验用户的建议，最后基于用户的行车数据集，通过聚类算法提取出用户出行的兴趣点，为汽车产品的精准营销策略分析提供了可靠的指导。
1引言
随着传感器技术与数据传输技术的发展，各方面数据的获取日益便利，基于大数据的用户画像研究能为企业提供精准的特征知识。Wang等[1]提出了用户日常驾驶模式模型，且为了实现低成本下的充电负荷波动最小，构建了双级优化模型确定最优充电策略。Pearre等[2]为了获取用户需求，研究了全种类新能源汽车的平均行驶距离，从而设计出用户喜爱的新能源汽车。胡海清等[3]利用客户购买行为数据验证了理论模型，并提出了在不同电商模式下的网络营销策略。詹丽华[4]结合用户行为情景和用户素养分析了用户行为特征。本文基于上汽通用五菱汽车股份有限公司提供的用户相关数据集，分析总结筛选出对于体验用户的建议，并且通过聚类算法获取了用户的出行兴趣点，从而准确把握用户需求，实现汽车产品的精准营销。
(相关资料图)
2汽车产品用户群体特征
汽车用户产品群体特征是指从多源数据中获取的对汽车产品用户的消费行为有所影响的群体属性。基于大数据情形下的汽车产品用户群体特征分析，是对通过各种方法收集到的用户数据信息的分析。在汽车这种高度复杂的产业中，将会产生结构化和非结构化的超大数据量，涉及场景和系统复杂，数据的清洗、转化、融合是一项重要挑战。汽车用户产品群体特征是指从多源数据中获取的对汽车产品用户的消费行为有所影响的群体属性。其中，多源数据是指某一品牌或某款特定车型投入市场后得到的大规模用户数据。汽车产品用户群体特征具体表现为用户基本属性、驾驶习惯属性、充电习惯属性、社交偏好属性、用户关注点属性、消费习惯属性。标签是对信息的抽象化表示，可以是任何文字或符号，体现一定的群体性和事物特性[5]。同时，标签系统的构建需遵循MECE（MutuallyExclusiveCollectiveExhaustive）原则[6]。本文将标签分为静标签和动标签。静态属性标签指用户的基本属性，可以通过静态标签算法对数据列标签索引，获取信息并生产新标签。动态属性标签根据数据类型：数字型信息、文本型信息、网页信息等，采用不同算法进行标签。然后构建用户画像，并对数据进行分析、挖掘，得到数据中隐藏的相关关系，是大数据时代数据分析的重要一步[7]。最后根据分析的结果，制定优化方案、精准营销等，为汽车产业的各阶段提供参考依据。
3汽车用户购买行为分析
利用“车辆+用户”的大量行为数据，提升数据清洗和数据转化的效率，取得系列购车用户属性，并对购买者与未购买者进行分析，可以发现潜在用户群体，制定合理的销售策略。原始数据包括用户的消费习惯特征和驾驶习惯特征等。以五菱新能源汽车用户体验数据为例，进行购买行为分析，数据集包括5070位五菱新能源汽车用户的相关数据，包含100178条用车数据和89102条问卷数据。具体分析流程如下。首先结合用车数据和问卷数据，计算用户标签；然后选择相关性高或业务需求高的标签作为特征，进行用户分群；再分析人群特征，总结筛选体验用户的建议。故提取和匹配13大用户特征，首先进行特征相关度分析[8]，如图1所示。相关系数绝对值越大表明相关度越高，取值范围为[-1，1]；正相关表示标签取值越大，用户购买车辆的可能性越大。负相关表示标签取值越小，用户购买车辆的可能性越小。对于数值型变量（如总里程），正相关表示总里程越大，用户越可能购车；而对于类别型变量，正负值与赋值方法有关。根据特征相关系分析可知，相关度高的标签包括总里程、每日最大单次里程、总充电次数、充电位置、燃油车价格、车系、共同居住人数等。相关度低的标签：燃油车数量、家庭年收入、用户职业、车辆日启动次数。然后利用上述的13大特征，对已购车和未购车人群分别进行聚类，可以区分出5类特征差异明显的人群：已购车用户两类：高学历高收人群（15人，44%），经济适用年轻人（19人，56%）；未购车用户三类：高需求中等收入家庭（110人，23%）、低需求中等收入家庭（189人，40%）、低需求年轻人（174人，37%），聚类结果如图2所示。对已购和未购人群进行聚类分析，从聚类结果中可以发现以下结论：对于已购车用户群体：第一类用户群体的主要特征是属于中低年龄、高学历、已婚一个孩子家庭。该用户群体的用车需求不高，日均行驶里程35km左右，平均5天充一次电，对充电频率要求不高，但是对充电便利性要求高，因此他们以单位充电为主，其中大约53%的用户有多个充电点。对于第一类已购人群具体分析结果如图3所示。第二类已购车用户群体是经济适用年轻人：毕业不久本科生，未婚居多。他们的经济基础较低，但用车需求偏高，日均行驶里程42km左右，平均3天充一次电，他们对公共充电桩接受度高或单位可解决充电问题，以单位、城市公共充电桩为主，分析结果如图4所示。对于未购车人群，主要分为三类：高需求中等收入家庭（潜在用户）类、低需求中等收入家庭类、低需求年轻人类。第一类是高需求中等收入家庭（潜在用户）类：30-40岁已婚人群，用车需求极高，要求充电方便，但学历偏低，收入一般，家庭负担重，消费保守。分析结果如图5所示。第二类属于低需求中等收入家庭类：未购车已婚人群与购车已婚人群（高学历高收入）的主要差异集中在家庭经济基础，那些能负担得起15万以上的燃油车的用户群体更易转化成新能源用户，主要是因为这个用户群体经济基础较好。这类用户群体用车需求不高且买车的意愿较高，看重品质，对充电便利性要求高，但是也可能由于充电不够方便而放弃购车。第三类为低需求年轻群体类，这类用户群体主要特征为出行需求不高，且主要出行路线为公司和居住地，收入普遍较低，同时可能会面临停车难、充电难的问题，更加减弱了他们的出行需求意愿。通过上述对五菱新能源汽车用户的购买行为分析，可为精准营销提供以下几条建议：第一，从学历/收入、年龄/婚姻、出行需求等方面筛选体验用户，本科以上学历，家庭燃油车车价15万以上，如果充电条件便利，容易转化。第二，家庭燃油车车价在5-15万左右，30-40岁的已婚人群，目前转化率较低，但其用车需求高，有充电条件，后续可以考虑针对此类人群制定有效转化方案。第三，家庭燃油车车价在15万以下甚至无车的用户，优先给本科/专科的20-30岁人群发放体验，当单次出行距离大于16km时更容易转化。
4汽车用户行为轨迹分析
用户行为轨迹特征提取和预测是汽车用户画像出行特征模块的核心技术。目前的网联汽车车载信号传输设备通常采集每5s-10s的位置信号，在5G时代可以采集时间间隔更短、更精确、更详实的（包含语义地址）位置信息，提供智能化、个性化的服务。某用户出行轨迹示例如图6所示：提取五菱新能源汽车用户的一个月行车数据为例，进行用户出行行为分析，兴趣点位置聚类（7类）和时空聚类（8类）结果分别如图7、图8所示。并将时空聚类（8个）在百度地图上进行可视化展示，如图9所示。将时空聚类后的兴趣点进行编号，构建出时间序列，使用Prefixspan算法进行频繁模式挖掘，设置支持度参数为0.2，即该月出现6次以上的出行模式，得到频繁模式结果如表1所示，分析结果易知兴趣点[0]和[6]分别为单位地址和家庭住址，1、2、3、5、7为用户频繁模式的频繁节点。Prefixspan算法是一种基于前缀投影的序列模式挖掘算法，广泛应用于序列频繁子模式研究，对于汽车用户出行模式的挖掘具有良好的效果，该算法的主要步骤如下：然而用户出行轨迹当前位置的转移可能和此前多个兴趣点有关，因此将来的研究可以考虑使用长短时记忆神经网络模型（LSTM）[9]。通过上述提取用户的出行数据进行兴趣点位置聚类和空间聚类并进行可视化显示，可以确定用户出行的兴趣点为单位地址和家庭地址，即表明五菱新能源汽车用户购买该汽车主要用于居住地和工作地之间的往返。在确定用户出行兴趣点的基础上为了进一步挖掘用户出行模式所提出的Prefixspan算法具有良好的效果，为五菱新能源汽车的精准营销提供了更好的方案。
5结论
本文主要采用大数据驱动的手段研究了五菱新能源汽车用户画像，结合五菱新能源汽车用户体验数据进行相关性分析，总结筛选出了体验用户的建议，再利用聚类算法对五菱新能源汽车用户的行车数据进行兴趣点位置聚类、时空聚类以及可视化展示，确定了五菱新能源汽车用户出行的兴趣点位置。综合对于体验用户的建议和用户兴趣点位置这两步可以准确捕捉用户行为特征以及用户需求，从而可以为汽车产品的精准营销策略提供更加精准的用户情报。
作者:薛海涛 何浩宇 陈延展 包辛煜 单位:湖南大学机械与运载工程学院
