如何用数据分析帮一家汽车4S店赚到600万

前些天，我的一位朋友想要换车，他知道我平时工作中跟一些主机厂和经销店接触较多，于是就来找到我，看看买车能不能拿到一些折扣。我找了几家关系不错的店询了下价格，后来他拿着自己问到的报价和我的询价结果比较了一下，发现也没差多少。感慨道，看来现在卖车是不怎么赚钱啊！最后，还是去自己找的店里提了车。

现状

近年来，汽车4S店的生意确实是越来越难做。平日里和一些业内人士交流，听到最多的声音就是：店越开越多，客户越来越精明了，钱越来越难赚了，并且呈现由低端品牌向高端品牌蔓延之势。想想也是合理的，现在走进4S店买车客户很多都已经不是第一辆车了，汽车消费也在经历着一场消费升级。

随着网络的发达，信息变得越来越公开透明，消费者也变得越来越理性。别说买车要货比三家，即使买个保险，还有在4S店买还是在保险公司买的选择，做个保养，除了能在不同4S店之间比较性价比，还能和综合性的社会修理厂比较。

可能有人会问，既然卖新车不赚钱，为什么还要卖？回答这个问题，不如我们做这样一个类比，我们把一台车比做一个人。人是有寿命的，车也是有使用年限的。人会生病，车也会出故障，人累了病了就要去医院，车开久了或者出故障了就得回4S店做维修保养。人为了提高生活质量，会给自己买保险，用车为了以防不测，也一样需要上保险。

一台车从你买回家到最后处置，都会经历以上这样的一个过程，我们形象把它叫做“车辆的生命周期”。虽然买车是一次性的消费，但是用车确是高频次的消费，真正花钱的是在养车上面，行业内有句话叫“售后养售前”。所以，你说售后对于4S店来说重要不重要？

问题

面对激烈的市场竞争，4S店想要赚到钱当然不容易。对4S店的经营者来说，面临的两大突出的问题是：新车业务不赚钱，售后客户流失严重。针对这两大问题，传统的应对策略主要有：靠精品装潢、美容，金融产品等衍生业务来弥补车价上的损失；靠延保、续保，套餐来锁定客户，减缓流失。

其实，上面这些解决方案对于有汽车行业从业经验的人来说都明白。但真正落实到工作中，他们不知道自身的问题出在哪里，有些即使发现问题了，也不知道从哪里找到突破口去改善。就好像一个人知道自己感冒了，却不知道是伤风引起的，还是病毒引起的。于是，病急乱投医，一旦用错了方法导致的结果往往是事倍功半，最终不得不放弃。

作为一家4S店，麻雀虽小，五脏俱全，各部门有个部门的职责，各部门也有各部门的考核任务。一旦本部门有个别指标难看了，都是闭门造车，自己找问题的解决方案。

譬如，新车卖不动就加强内训，从产品知识到话术到流程，给销售顾问增加考核任务，卖一台车每个人头上顶十多项KPI考核，实在不行就搞闭馆团购会。这样短期有效，但往往把人搞得精疲力尽。

市场部也是如此，广告费用于搞各种各样的外展，完成了集客量的指标就算完成任务。结果这些客户线索流转到销售部发现线索质量低下，对成交帮助并不大，于是，两个部门的领导在例会上就开始相互指责对方工作不力。

售后部门作为4S店重要的利润来源，平日里给人的印象就是埋头苦干。面对客户流失的原因，售后服务总监往往只能给出一个凭经验得到的感觉，对于不同原因导致的流失率无法给出数据支撑。所以，很多店的套餐方案都是千篇一律，所谓的套餐就是简单粗暴的项目叠加，而不考虑是否合客户的口味。

金融保险部门所扮演的角色更像是个辅助部门，平时专注于给客户打电话做营销，配合新车部门推金融产品，配合售后部门推续保，工作的被动性胜过主动性。

以上这些描述，可以说是大多数4S店的工作常态，各自为阵，缺少沟通协作，很少有人能站在整个4S店的层面去把各部门存在的问题串联起来，做一个通盘的分析，尤其是在数据分析方面。

解决方案

作为一名顾问，不但要善于在战略层面看到问题的本质，也要善于在战术层面找到解决问题的途径。用数据说话无疑是在诊断问题过程中最有说服力的依据。

我运用的方法论说起来也挺简单的，结合车辆的底盘号信息与车辆的“生命周期”，找到客户的消费行为特征，以此来帮助新车部门、市场部门、售后部门、金融保险部门、二手车部门实现精准营销，而所使用的工具也仅仅是Excel。运用这套方法分析得出的结论帮助经销店找到了改善的方向，使得辅导过的店平均ROS提升0.6%，以一家店年销售额10亿换算的话约合600万元。

下面我就用尽量通俗易懂的语言来阐述我的分析过程：

每辆车一出厂就有一个底盘号（也叫“车架号”），它就跟人的身份证号一样，是每一台车的唯一识别信息。随着这辆车状态发生改变，比如：新车销售后，就会在销售部的数据库中留有记录，车辆上保险，办理按揭，就会在金融保险部留有记录，车辆进场做保养或者发生事故拖回4S店修理，就会在售后系统中留下记录。

每个部门都有每个部门独立的数据库，部门与部门之间也没有权限看彼此的数据库。如果仅仅从本部门的数据入手，分析的维度就很单一，就好像井底之蛙一样，永远只能看到同一片天空。设想一下，如果能用一根线把这些不同的数据库的里信息连接起来，你看到的就不再是冰山一角，而是整座冰山，这条线就是车辆的底盘号。

有了这样的共识，接下去要解决的问题就可以顺藤摸瓜了。就好比造房子要打钢筋，想造出什么样的房子，就得先把钢筋穿到哪里。我想要得到以下问题的答案：

新车首次保养的回店率是多少？

2011年卖掉的车在2015年回店做保养的保留率是多少？

2012年卖掉的车在2015年回店做保养的保留率是多少？

2013年卖掉的车在2015年回店做保养的保留率是多少？

2014年卖掉的车在2015年回店做保养的保留率是多少？

2014年买新车保险的客户在2015年的续保保留率是多少？

2014年续保客户在2015年的续保保留率是多少？

2014年在店里做常规保养但是2015年没在店里买续保的客户占比是多少？

2011年卖掉的车在2015年回店买续保的保留率是多少？

2012年卖掉的车在2015年回店买续保的保留率是多少？

2013年卖掉的车在2015年回店买续保的保留率是多少？

2014年卖掉的车在2015年回店买续保的保留率是多少？

售后1年以内的活跃客户在地理位置上的的分布情况如何？

销售线索中的潜客在地理位置上的分布情况如何？

要知道上述问题的答案，需要做以下几步工作：

获取数据——>数据清洗——>构建关联——>数据匹配——>数据透视（可视化）

数据从三个部门获取：销售部、售后部、金融保险部。经过一系列的数据清洗统一数据格式，保留相关字段，然后用底盘号这个关键字段在不同数据库之间构建关联，运用Excel VBA编写的程序做数据匹配工作，将生成的结果用数据透视表呈现出来，以下截图就是部分生成的数据分析结果：

从这张表上我们可以了解到：该店的售后小修保养业务，过去5年卖出去的车辆在2015年的的回店率有多少，相应的流失率有多严重，拿2011年卖掉的车辆为例，2015年还能回店做保养的车辆仅剩18%，也就说有82%的客户已经流失了。在行业内有一项共识，售后的客户一旦流失，是很难再回头的，因为外面的社会修理厂在价格方面有很大的优势。

再拿同年卖出去的车回店保养的回店率与续保渗透率做个比较的话，会发现也有很大的缺口。拿2011年售出的车辆为例，2015年的小修保养回店率是18%，而这批车在2015年在该店的续保渗透率却只有2%，18%和2%为什么具有可比性？因为这两项比值的分母都是2011年售出的新车数量。也就是说，有16%的车辆在店里做保养，却没在店里继续买保险，以后一旦该车发生事故，该店就很难将它拖回来，也就意味着潜在事故车的收益赚不到。

该店首保回店率仅有54%，这个数值很低。首保回店率低会直接影响后续保养的回店率。当时我估计可能的原因是新车部门为了走量把很多车卖到了外地，而又没有将首保卡押在店里，导致售后基盘客户的流失。后经求证，果然如此。

从这张表上可以得到的结论是：新保客户和续保客户的返厂频次要高于非续保客户，该店2014年的新保客户在2015年的返厂频次为1.99次，2014年的续保客户在2015年的返厂频次为1.92次，远高于在店不在保客户的1.72次。这就说明续保这项业务对于锁定客户，增加客户粘性是绝对有好处的。再结合上一张表，也能看出该店整体返厂频次偏低，仅1.78，与该品牌网内平均2.0次的水平有较大差距。说明续保这项业务有潜力可挖，售后流失严重的现象找到了突破口。

返厂频次这个指标是反映的是一台车一年内回4S店的次数，从1.72到1.92看上去只有0.2的差距，但是你可千万别小瞧了这0.2次。假设上表中在店不在保的底盘数量3406中有1000台车的返场频次从1.72次提高到1.92次，那就能带来200台次的返厂增量，按照本店平均每台次小修保养产值约为2,700元（27,060,037/7,912=2,706）算，200台次增量带来的小修保养产值为54万。这还仅是小修保养这一项业务带来的，所以，提升的潜力是巨大的。

这张表可以看出该店的事故车业务开展的水平如何，首先从结构上来看，5000以下小事故和5000以上大事故在台次上的比重约为70:30，产值比约为20:80，结构上来看还算健康，与对标公司相比，结构上差异不大，也基本满足“二八法则”，但是从单台次产值比起来，小事故车单车产值略高，大事故产值偏低。这说明服务顾问在接车的环车检查过程中还有提升空间，对于一些小刮小蹭可以让客户及时处理，而不应放弃跟进。对于大事故车这家店的拉修能力偏弱，应该在及时响应和外部资源获取方面下点功夫。

这张表是根据保险部门提供的数据，计算得到的“2014新保——2015续保”、“2014续保——2015续保”、“在店不在保——2015续保”的情况。可以看出，续保客户的粘性是最高的，一旦上年在该店买过保险，今年继续买保险的可能性更高，这也体现了老客户的忠诚度。而上年新保客户转续保客户渗透率偏低，这个保险部门敲响了警钟。还有一大块市场是要重点攻克那些来点做保养却不在店里买保险的客户。

将以上分析用可视化图表呈现，是长成长样的：

为了更好地帮助管理层更直观了解现有基盘客户和潜在购买人群的分布情况，我又做了以下可视化呈现：

这张图将售后客户的地址信息在地图上做了投射，并根据车型用不同颜色做了标示，这样就会很直观地看到客户群的分布情况，并且验证了之前关于该店将很多车卖到外地，导致基盘流失的猜想。如果进一步将图放大，能够看到街区的名字，这对于市场部，销售部要开展市场活动是有很好的借鉴意义的，也能帮助售后部确定服务半径，找到服务盲区。如果把竞品店的位置也投射到地图上，对经销商集团做进一步的战略布局也有参考价值。

结语

以上便是我亲身实践过的关于数据分析帮助企业盈利的案例，拿来与大家做分享的目的：一是想说明数据分析的重要性，在大数据时代，企业做经营决策越来越依赖于数据分析。二是想说明数据分析没想象中那么难，只要熟练掌握Excel等一些基本工具，有时候也能收到事半功倍的效果。

做咨询顾问这些年，总有很多想法想和他人分享，现在有了简书这么好的平台，您的关注就是对我最大的鼓励。

本文已在版权印备案，如需转载请访问版权印40683249