二手车创业想法💡

二手车创业想法💡

目濡满天飞的二手车项目融资事件，现在大抵没有人会否认中国二手车市场是风口上的那只猪。然而无论各种花式卖法，这只猪最终都需要回答消费者两个问题：

1、这辆车为什么是这个价格？

2、我凭什么相信你？类比已经成熟的美国二手车市场， 中国二手车价值评估体系仍是一地鸡毛。今天我们想尝试回答这两个问题并挖掘其中潜在的创业机会。

“鉴值” “估价”“残值模型” 傻傻分不清还是故意分不清？

当你与另外一位车主同时将两辆相同年份和型号的全新奥迪 A6 开出 4S 店时， 这两辆车在二手市场的价格已经不一样了。 原因很简单， 因为你们刹车的方式不同、 修车的地点不同、 保养的频率不同，甚至因为你们是否养了一条狗而不同。

然而有意无意中，我们总会看到国内大量二手车估价产品将估价方法简化为 “一车型/年份一价”。 这样的估值方式显然无法真实反应这辆二手车的真实价值。

在我们看来，一个理想的二手车估价体系应该建立在单车“鉴值”（即一车一况）与宽泛车型的“残值模型”这两方面综合评估的基础之上。

所谓残值模型，它指以二手车品牌、车型、年限、里程数及主观判断的基本车况为依据，结合市场过往类似车辆交易数据，计算得出的价格范围。这种估价模式优点在于用户操作便利、数据反馈迅速、价格根据历史交易数据声称较为真实，但缺点在于信息节点严重失真、指导价格范围过于宽泛、过度依赖后续线下中医式检测结果。

首先，残值模型，它指以二手车品牌、车型、年限、里程数及主观判断的基本车况为依据，结合市场过往类似车辆交易数据，计算得出的价格范围。这种估价模式优点在于用户操作便利、数据反馈迅速、价格根据历史交易数据声称较为真实，但缺点在于信息节点严重失真、指导价格范围过于宽泛、过度依赖后续线下检测结果。

在过去传统二手车典型交易场景中总会有“老师傅”角色的出现，因为在缺失所有历史记录的情况下，买家只能完全依赖于线下的实地判断，“老师傅”一般以买家朋友中的资深车友、汽车从业者为主，他们通过类似于中医的“望、闻、问、切”的方式对车况进行一些完全依靠于个人经验的主观判断，形成拍脑门的估价判断。

目前，互联网二手车市场逐渐开始提供一些互联网化的线下车况检测服务，如人人车等平台的二手车认证技师服务，服务流程中人工检测会辅助一些简易设备检测的数据，但其本质上仍属于依靠主观经验做判断的范畴。

已经获得 1000 万美元 B 轮融资的二手车估值与搜索引擎“公平价”就是以残值模型为核心逻辑的，卖家在网站上选择车型及使用相关简要数据后，就可实时得到平台基于历史大数据生成的估值报告，包括车辆基本信息、车商及个人交易价及未来价格趋势等模块，但平台自身也很清楚残值模型的极大模糊性，所以在所有报告中都会强调实际交易时实地检测的重要性。其盈利模式主要为以价格估值为纽带，将潜在交易双方导流到合作的二手车电商平台，并从订单获得交易分成。所谓“鉴值” ， 即客观地鉴定每辆车自身的状况， 我们相信“鉴值”在二手车估值体系中比“残值模型”重要， 但现实情况是“鉴值”在国内二手车估值体系中是缺（ji）失（hui）的最大所在。本文将重点分析中国二手车市场“鉴值”体系的现状和潜在机会。

缺位的鉴值体系

我们认为二手车估价的核心依据在于“鉴值”，其分为两个部分：病历与门诊。其中，“病历”指的是二手车从新车购买开始经历的所有事故、维修、保养及驾驶行为记录，每一条记录可能会包括具体问题描述、处理方式、地点、机构、人员、配件信息、费用折扣等多角度、最详细的有效信息点。

“门诊”指的是对车辆的两个主要维度的实地检测，检测得出车辆当前状态的主要问题。检测主体方面，由传统的以人工经验表面判断为主逐渐转变为以高精度软硬件设备深度检测为主；检测时点方面，由仅交易时点检测逐渐转变为常规化检测并纳入车辆档案记录，类似于人们身体不适或入职结婚等时点才去体检转变为将定期体检作为一种生活习惯。

1. 车险维修记录

车辆使用期间发生事故及维修，联系保险公司完成定损、维修、理赔后，相关记录就进入了保险公司的数据库并作为未来保费的计算基础。此外，4S 店等维修机构也会有其业务范围内相应车辆的维修记录。车主提供身份、车辆信息后，可以通过电话、网络等方式在保险公司查询到相关记录。车险记录数据类似于人的大病，一般对于车况影响较大的事故记录不会出现缺失，但未通过保险流程的小微事故、涉嫌违法的中大型事故修理记录就很难查询到了。

目前，国内车辆历史记录查询平台均以提供车险记录查询为主，但有两个核心问题。其一，数据获取渠道处于灰色地带，由于保险公司、4S 店集团数据保密考虑，平台只能通过与 4S 店经理、保险经纪人建立个人私下联系，按条付费获取车辆数据，成本高、反馈慢；其二，数据完整性缺失、非结构化，由于数据获取大量依靠人际关系，较为明显的受地域因素限制，各平台只能在其深耕的省份搭建较好的数据库基础，而且原始数据收集过程以客户端人工填写、电子表格传送等传统模式为主，原始数据须经过较高成本的结构化处理。

车险记录查询的主要玩家有已经获得 500 万天使轮融资的“大圣来了”，盈利模式主要为通过单次查询向用户收费，目前仅能提供 7 个省份的部分下辖区市的数据，原始数据主要来自于 4S 店经理；另一家较为著名的是已经获得数百万天使轮融资的“车鉴定”，原始数据主要来自于二手车经销商。经过我们小范围测试发现，现阶段多个平台数据查询的问题主要在于依据不一（同车 VIN 码、车牌号等查询结果不一致）、数据缺失（中小维修厂数据较少）、更新频率较低（近一个月的数据很难查到）。

2. 维护保养记录

车辆保养的重要性在欧美市场已被认可多年，一辆被定期保养并更换优质零配件的二手车的磨损、老化等潜在问题更少、驾驶风险更低，这种差别理应反映在其估价上。但现阶段，国内车主（特别是脱保车主）保养地点不固定、4S 店及中小维修厂客户数据碎片化，导致大部分车辆的完整历史保养记录很难统计。

目前，上述平台已开始提供保养记录的查询服务，但数据缺失度较大，即使单纯看 4S 店维保记录也很不完整。

3. 驾驶行为记录

未来，车主驾驶行为特点也应该被准确地记录、分析并反馈到交易双方。车险记录类似于人偶尔治大病，保养记录类似于定期休假放松，而驾驶行为分析则类似于贯穿日常的健康与否的生活习惯，是决定身体状态的根基。现阶段，即使在欧美二手车市场，驾驶行为记录也还未能被常规化地融入二手车交易估价体系。但我们能看到 UBI 车险结合 OBD 趋势的兴起，车辆前后装硬件条件正在不断提升。

4. 车况仪器检测记录（西医：内科＋外科）

通过接触国内大量汽配修理厂，我们认识到真正具有价值的实地检测应该是通过专业设备对车辆电控、机械、制冷、流体四大系统为主的针对性检测，现阶段大量维修厂只看到电控、机械系统，它们类似于人体的骨骼（外科），而制冷、流体系统类似于人体的血液脉络（内科），流体（油、气、水）的质量、数量、速度、温度异常引起的问题对车况影响更大。

这种高精度的机器检测主要有两种适用场景。其一，由交易等关键节点检测发展为常态化检测并作为“一车一档”的主要依据；其二，逐渐取代大部分 4S 店、维修厂的“大工”角色，除少数极复杂问题之外，均实现自动化判断，大量减少人力成本与经验判断误差。

潜在创业机会——数据结构化，聚合，反哺谁来结构化路边店的维修保养数据？

根据星河对多家初创企业调研获得的数据， 车辆质保到期后，超过一半的车辆会脱离 4S 店维修体系流入国内大约 40 万家中小维修厂体系。路边中小维修厂每年产生约 1.6 亿单维修或保养交易，相当于每辆乘用车每年在中小维修厂维修或保养 1-2 次。 当大量的维修保养记录以非结构化形态游离在 4S 体系之外时， 谁可以将这些碎片数据结构化聚合谁就有可能成为中国的 Carfax。我们认为以下两类选手有这样的机会。

互联网化的车况检测技术提供商

如前文提到的，现阶段线下机器检测之所以做的不好，原因之一是硬件方面设备性能参差不齐、品牌繁杂，缺少类似“格力”式具有品牌知名度的产品线存在，但据我们了解，国内有许多优秀厂家常年为国外知名汽车经销商（Autozone、Napa 等）提供设备生产支持，具有很强的硬件研发能力，只需要增加团队的互联网运营推广能力，就可能实现国内检测硬件水平的快速提升；另一方面，现阶段中小维修厂检测硬件与软件割裂严重，大部分软件存在盗版、过期、山寨等问题，导致数据库、反馈数据等核心模块难以正常使用，影响了最终的检测结果。我们认为，潜在的技术提供商也应同时提供相应云数据及 SaaS 服务才能满足数据结构化存储的需求。

中小汽修厂 SaaS ERP 服务商

目前二手车维保记录大量缺失，原因在于车辆脱保后由于 4S 店高昂的保养价格绝大部分车主会选择中小汽修厂进行保养。一方面，车主脱保后保养行为具有更明显的随意性，不再需要“绑在”某家 4S 店，而会根据价格、距离等因素变化保养地点，导致保养数据碎片化；另一方面，目前中小汽修厂信息化程度不高，很少使用 SaaS ERP 类平台进行数据管理，所以过往客户的保养记录就逐渐丢失了。如果有区别于传统外包软件商的互联网化 SaaS ERP 服务商为中小维修厂提供更好用、免费的云平台服务，车辆的保养历史就能逐步被更完整的记录。

谁来链接聚合数据孤岛？

纵使大量的维修、保养、保险、驾驶数据被有效结构化， 但当他们存在于不同产品时也无法发挥集群效应。 几乎每个我们接触到的汽车领域初创公司都把大数据作为未来愿景的一个部分， 然而首先，即使实现了中小汽修厂信息化，一辆车的数据仍然散落在多个保险公司、4S 店、汽修厂中，这些传统角色似乎没有太大的意愿来共享自己的数据；其次，互联网化的大数据团队仍处于混战阶段，彼此都会把获取的数据源作为“战略物资”保护，反而会在短期内加重车辆数据的割裂状态。