汽车行业大数据应用案例
在未来，各个产业都将成为数据产业，汽车也将如此。目前，互联网所掌握的消费者喜好、生活习惯等数据信息如果应用到汽车行业，将使汽车产品更加智能，大数据的应用甚至能够影响到汽车产业的生产制造，帮助汽车企业生产出更加符合消费者需求的产品。
凯文凯利认为：“在未来，各个产业都将成为数据产业，汽车也将如此。目前，互联网所掌握的消费者喜好、生活习惯等数据信息如果应用到汽车行业，将使汽车产品更加智能，大数据的应用甚至能够影响到汽车产业的生产制造，帮助汽车企业生产出更加符合消费者需求的产品。”
在贵阳大数据论坛上，马凯副总理提出：大数据是国家战略资源，部分公共数据资源也将逐步开放，让企业用互联网+更好的服务社会。
基于汽车行业超长的产业链，从不同的层面看，汽车大数据必然是多
维
度的，有不同的理解和看法，我们试从各行业角度试加分析：
先看一组数据：
中国有3亿驾驶员，1.5 亿车主，100多个品牌6000多款车，24000多家4S店，44万家维修厂，600万家洗车行
主机厂：汽车大数据的顶层和基础
主机厂是汽车的制造者，他们领先的设计、技术及制造能力和知识产权，使其在整个汽车生态链中起绝对主导作用——所有的零部件设计及软件系统，都由主机厂主导，所有衍伸产品都以主机厂的产品设计规格为标准（适配软件、模具、型号、规格尺寸乃至汽车改装和汽车电子产品以及汽车用品等等）
同时，主机厂有完善的零部件配套、物流配送、销售体系，所有该体系内的企业都要按照其标准化模式运行；原始汽车维修技术资料以及CRM和ERP 系统：4S店的后台管理系统由主机厂提供，能够调取车主的姓名、住址、行驶证数据及通联、保险、维修保养记录（车主脱离4S 店体系之前）。
主机厂零部件数据包括包括字段：配件名称、配件代码、品牌、型号、年代、替代配件、替代关系、图示、价格等等。
机动车整车信息及价格数据：车型代码、车型名称、车型分类、排量、核定载客、核定载质量、整备质量、厂商名称、品牌名称、车系名称、价格、上市年份、备注等全面的车辆信息。
大数据在主机厂的角色定位是在生产制造领域提升生产效率，降低成本。在客户需求层面，打造未来C2B模式的电商平台，4S 店需要做针对性更强的精准营销：即利用现代计算机技术搜集、处理、分析企业的客户资料，包括现有客户情况、产品购买和使用情况分布（客户购买时间、方式、金额，以及维修保养频率和花费等），还通过对数据库信息的分类、筛选、匹配和运算等技术手段，实现销售线索挖掘、客户价值细分和客户管理等功能，寻找销售线索、找到最有价值的客户群体，通过个性化营销策略，配合直复营
销的手段，在降低大众传播营销成本的同时，与客户建立稳定、长期的关系，从而达到企业商业目标的实现以及企业利润的增长。
零部件厂
作为技术和资本密集型的生产性企业，传统的零部件企业成功的模式，是产品质量达到主机厂要求，成功进入主机厂的配套体系。
例如对车载电子企业来说，就是车机或云后视镜进入前装系统。零部件配套企业在生产的同时也得到了主机厂的数据支持。由于历史原因和主机厂的垄断，相当多的配件厂只为主机厂配套，甚至没有销售部门。
《关于征求促进汽车维修业转型升级提升服务质量的指导意见》明确规定，鼓励原厂配件生产企业向汽车售后市场提供原厂配件和具有自主商标的独立售后配件，允许4S 店向非授权维修企业或终端用户转售原厂配件。
对零部件厂的而言，借助关键数据的取得，建立独立的售后体系以及完善的销售网络，自建或与第三方电商平台合作打通汽车零部件的O2O销售环节正当其时。
配件商：链接配件的生产者和使用者
作为最终与维修厂直接打交道的配件商来说，其数据包括两个范畴，
私
有云—电脑中的的进销存和销售渠道或平台
对于动辄数万种库存的配件商来讲，汽配城开店+在线QQ模式的传统营销模式必然被取代，移动互联网时代，需要结盟或连锁，依靠第三方电商平台或建立完善的数据检索平台，将私有云转化为能被维修厂快速检索的公有云平台是必须经历的过程和唯一途径。
配件电商：零部件和价格数据库（非常有前景的大数据）
需要能提供包含6000 余款车型、千万条配件和价格数据，特别是常用
车型易损件，需要全面覆盖。配件价格数据库需要要具备以下特点：
某知名汽车制造企业大数据应用背景 随着互联网和移动互联网的兴起，越来越多有购车需求的用户会到网上查询相关信息，进行车型、价格、性能等各方面的比较。同时，论坛、微博、贴吧等互联网社交平台也成为用户发表用车感受，讨论汽车品牌的主要阵地，互联网渠道正成为车企最主要的营销阵地，对互联网汽车用户数据的整合和利用，成为汽车企业洞察消费者和市场，明智决策的关键。 企业问题与需求 1、该汽车企业可获得用户数据越来越多，包括官网、minisite、CRM等各渠道来源数据，这些都是非常重要的一方数据，可以最直观的了解对该汽车品牌有需求的目标人群，但这些数据分散于各业务系统中，迫切需要进行整合和应用。 2、汽车行业竞争激烈，国产、合资、日系、德系等各系品牌众多，市场越来越细分，消费者选择的不确定性越来越高，车企需要全面了解用户相关信息，从而更有针对性的进行销售、营销等方面的工作，从而更好的消费者对本品牌的选择。 3、自媒体时代，人人都成为媒体，很多该购车用户会在垂直论坛、贴吧、微博上谈论品牌及竞品，该企业希望能汇总和分析这些舆论数据，及时发现和处理负面信息，同时助力销售线索的拓展。 941大数据服务联盟解决方案 大数据项目整体架构 1、建立大数据云平台，整合各渠道数据
941大数据服务联盟服务方负责基础设施的投入、建设及运维（包括硬件与软件），为该车企建立大数据云平台，通过部码的方式采集官网、Minisite 等线上渠道的用户数据，并与企业内部CRM等数据整合。同时，该企业还接入了用户数据库，基于5.5亿的用户画像数据，补充该企业一方数据无法支持的年龄、购买偏好、媒体偏好等维度的用户数据。 2、标签化用户，生成和管理用户画像 企业一方数据与941大数据服务联盟服务方三方数据融合后，基于标签系统，结合产品及业务需求，生成该车企的微观和宏观用户画像，其中微观画像为单个用户的画像，通过关键ID即可查询人口属性、汽车用户属性、内容偏好等信息。宏观画像为特定用户群画像，包括本品牌相关人群，竞品相关人群等，通过微观/宏观用户画像信息，该企业的市场及销售人员一方面可以准确定位每款车型的潜在用户，包括收入、偏好、学历等各方面特征，从而进行精准的用户细分和市场营销；一方面可以清楚的了解每款车型的用户对产品的关注点，如油耗，外观，空间等，从而在产品设计，营销等方面进行针对性的优化。 3、搭建大数据舆情分析系统，第一时间发现和处理负面信息 以往，该企业的品牌部门为了解用户舆情，都是以人工的方式去各类垂直网站收集用户舆情信息，这种方式繁琐、消耗很多的人力和时间，而且收集的信息也不够全面和实时，本期项目中，941大数据服务联盟服务方为该企业搭建了大数据舆情分析系统，基于大数据抓取工具，抓取互联网微博、论坛数据，贴吧、汽车垂直网站等用户舆情数据，实时、全面的获取该企业旗下各款车型的舆情数据。
某知名汽车制造企业大数据应用 背景 随着互联网和移动互联网的兴起，越来越多有购车需求的用户会到网上查询相关信息，进行车型、价格、性能等各方面的比较。同时，论坛、微博、贴吧等互联网社交平台也成为用户发表用车感受，讨论汽车品牌的主要阵地，互联网渠道正成为车企最主要的营销阵地，对互联网汽车用户数据的整合和利用，成为汽车企业洞察消费者和市场，明智决策的关键。 企业问题与需求 1、该汽车企业可获得用户数据越来越多，包括官网、minisite、CRM等各渠道来源数据，这些都是非常重要的一方数据，可以最直观的了解对该汽车品牌有需求的目标人群，但这些数据分散于各业务系统中，迫切需要进行整合和应用。 2、汽车行业竞争激烈，国产、合资、日系、德系等各系品牌众多，市场越来越细分，消费者选择的不确定性越来越高，车企需要全面了解用户相关信息，从而更有针对性的进行销售、营销等方面的工作，从而更好的消费者对本品牌的选择。 3、自媒体时代，人人都成为媒体，很多该购车用户会在垂直论坛、贴吧、微博上谈论品牌及竞品，该企业希望能汇总和分析这些舆论数据，及时发现和处理负面信息，同时助力销售线索的拓展。 941大数据服务联盟解决方案
大数据项目整体架构 1、建立大数据云平台，整合各渠道数据 941大数据服务联盟服务方负责基础设施的投入、建设及运维（包括硬件与软件），为该车企建立大数据云平台，通过部码的方式采集官网、Minisite等线上渠道的用户数据，并与企业内部CRM等数据整合。同时，该企业还接入了用户数据库，基于5.5亿的用户画像数据，补充该企业一方数据无法支持的年龄、购买偏好、媒体偏好等维度的用户数据。 2、标签化用户，生成和管理用户画像 企业一方数据与941大数据服务联盟服务方三方数据融合后，基于标签系统，结合产品及业务需求，生成该车企的微观和宏观用户画像，其中微观画像为单个用户的画像，通过关键ID即可查询人口属性、汽车用户属性、内容偏好等信息。宏观画像为特定用户群画像，包括本品牌相关人群，竞品相关人群等，通过微观/宏观用户画像信息，该企业的市场及销售人员一方面可以准确定位每款车型的潜在用户，包括收入、偏好、学历等各方面特征，从而进行精准的用户细分和市场营销；一方面可以清楚的了解每款车型的用户对产品的关注点，如油耗，外观，空间等，从而在产品设计，营销等方面进行针对性的优化。 3、搭建大数据舆情分析系统，第一时间发现和处理负面信息
数据分析处理需求分类 1 事务型处理 在我们实际生活中,事务型数据处理需求非常常见,例如：淘宝网站交易系统、1２306网站火车票交易系统、超市ＰOＳ系统等都属于事务型数据处理系统。这类系统数据处理特点包括以下几点: 一就是事务处理型操作都就是细粒度操作,每次事务处理涉及数据量都很小。 二就是计算相对简单，一般只有少数几步操作组成，比如修改某行得某列; 三就是事务型处理操作涉及数据得增、删、改、查,对事务完整性与数据一致性要求非常高。 四就是事务性操作都就是实时交互式操作,至少能在几秒内执行完成； 五就是基于以上特点,索引就是支撑事务型处理一个非常重要得技术. 在数据量与并发交易量不大情况下,一般依托单机版关系型数据库,例如OＲＡＣLＥ、MＹSQL、SQＬSERVER,再加数据复制（DataGurａd、RＭAＮ、ＭｙSQＬ数据复制等)等高可用措施即可满足业务需求。 在数据量与并发交易量增加情况下，一般可以采用ORＡLＣＥRAC集群方式或者就是通过硬件升级（采用小型机、大型机等，如银行系统、运营商计费系统、证卷系统)来支撑. 事务型操作在淘宝、1230６等互联网企业中,由于数据量大、访问并发量高，必然采用分布式技术来应对,这样就带来了分布式事务处理问题，而分布式事务处理很难做到高效，因此一般采用根据业务应用特点来开发专用得系统来解决本问题。
２数据统计分析 数据统计主要就是被各类企业通过分析自己得销售记录等企业日常得运营数据,以辅助企业管理层来进行运营决策。典型得使用场景有:周报表、月报表等固定时间提供给领导得各类统计报表;市场营销部门,通过各种维度组合进行统计分析,以制定相应得营销策略等． 数据统计分析特点包括以下几点: 一就是数据统计一般涉及大量数据得聚合运算，每次统计涉及数据量会比较大。二就是数据统计分析计算相对复杂，例如会涉及大量goｕpbｙ、子查询、嵌套查询、窗口函数、聚合函数、排序等；有些复杂统计可能需要编写ＳQＬ脚本才能实现． 三就是数据统计分析实时性相对没有事务型操作要求高。但除固定报表外,目前越来越多得用户希望能做做到交互式实时统计； 传统得数据统计分析主要采用基于ＭＰP并行数据库得数据仓库技术.主要采用维度模型,通过预计算等方法，把数据整理成适合统计分析得结构来实现高性能得数据统计分析，以支持可以通过下钻与上卷操作,实现各种维度组合以及各种粒度得统计分析。 另外目前在数据统计分析领域,为了满足交互式统计分析需求，基于内存计算得数据库仓库系统也成为一个发展趋势,例如SAP得HANA平台。 3 数据挖掘 数据挖掘主要就是根据商业目标，采用数据挖掘算法自动从海量数据中发现隐含在海量数据中得规律与知识。
2016年5月13日下午，来自汽车新能源各个行业的专家和企业共聚一堂，探讨新能源汽车服务生态圈下发展新动向。嘉之道汽车具有前瞻性和实用性的话题设置，演讲嘉宾的精彩分享使得本次沙龙收获了与会者的一致好评。 嘉之道汽车作为此次沙龙的主题策划与承办方，邀请蔚来汽车、吉利新能源、华晨宝马、万马新能源等来自新能源整车制造、充电桩生产以及后市场数据服务等多个领域的企业高管，就不同话题结合自身业务，发表对于行业发展前景、对现行政策的执行理解与反馈。 嘉之道汽车董事长徐锦泉先生作开场致辞。他表示目前中国新能源汽车的热潮，很大一部分是由政策和补贴带动起来的。一旦优惠政策被取消，中国新能源汽车是否还能维持稳健的销售境况？答案似乎并不乐观。 这对中国新能源汽车来说，是困境，也是机遇。
中国的新能源汽车补贴和政策都是集中在买车端，而在实际的用车和后续服务上，是没有任何补贴，所以现在的用车市场和服务链中，大量的商业模式正在形成，这可能是驱动新能源汽车未来健康发展的一个重要契机和动力。 嘉之道汽车合伙人陈良宇亦发表主题演讲，他认为，互联网不仅需要知识，更需要智慧，而大量的数据积累和分析是获得行业经验的重要手段。嘉之道汽车很早就聚焦于汽车行业，建立了有效数据监测收集系统与信息查询平台，可以满足生产商、购买方等的不同需求。在这一点上，嘉之道汽车非常愿意与在座的各位同行，一起来共享我们的知识，我们的智慧。 这次沙龙的举办即是嘉之道分享精神的体现。沙龙由上海市发改院主办，主题策划与会议执行由嘉之道汽车全程主导，是嘉之道汽车深耕行业多年的一次成果展示。同时也成功搭建起政府、学校、企业的产学研新平台，进一步有效推动了行业各主体的协同合作与整体发展。
在如今这个大数据的时代里,人人都希望能够借助大数据的力量:电商希望能够借助大数据进一步获悉用户的消费需求,实现更为精准的营销;网络安全从业者希望通过大数据更早洞悉恶意攻击者的意图,实现主动、超前的安全防护;而骇客们也在利用大数据,更加详尽的挖掘出被攻击目标信息,降低攻击发起的难度。 大数据应用最为典型的案例就是国外某著名零售商,通过对用户购买物品等数据的分析,向该用户——一位少女寄送了婴儿床与衣服的优惠券,而少女的家人在此前对少女怀孕的事情一无所知。大数据的威力正在逐步显现,银行、保险公司、医院、零售商等等诸多企业都愈发动力十足的开始搜集整理自己用户的各类数据资料。但与之相比极度落后的数据安全防护措施,却让骇客们乐了:如此重要的数据不仅可以轻松偷盗,而且还就是整理好的,凭借这些数据骇客能够发起更具“真实性”的欺诈攻击。好在安全防御者们也开始发现利用大数据抵抗各类恶意攻击的方法了。 扰动安全的大数据 2014年IDC在“未来全球安全行业的展望报告”中指出,预计到2020年信息安全市场规模将达到500亿美元。与此同时,安全威胁的不断变化、IT交付模式的多样性、复杂性以及数据量的剧增,针对信息安全的传统以控制为中心的方法将站不住脚。预计到2020年,60%的企业信息化安全预算将会分配到以大数据分析为基础的快速检测与响应的产品上。 瀚思(HanSight)联合创始人董昕认为,借助大数据技术网络安全即将开启“上帝之眼”模式。“您不能保护您所不知道的”已经成为安全圈的一句名言,即使部署再多的安全防御设备仍然会产生“不为人知”的信息,在各种不同设备产生的海量日志中发现安全事件的蛛丝马迹非常困难。而大数据技术能将不同设备产生的海量日志进行集中存储,通过数据格式的统一规整、自动归并、关联分析、机器学习等方法,自动发现威胁与异常行为,让安全分析更简单。同时通过丰富的可视化技术,将威胁及异常行为可视化呈现出来,让安全瞧得见。 爱加密CEO高磊提出,基于大数据技术能够从海量数据中分析已经发生的安全问题、病毒样本、攻击策略等,对于安全问题的分析能够以宏观角度与微观思路双管齐下找到问题根本的存在。所以,在安全领域使用大数据技术,可以使原本
第７期 ２４ ２０１４年４月１０日 计算机教育 ＣｏｍｐｕｔｅｒＥｄｕｃａｔｉｏｎ ◆新视点 文章编号：１６７２．５９１３（２０１４）０７—００２４－０６ 中图分类号：Ｇ６４２ 大数据分析及其在医疗领域中的应用 邹北骥 （中南大学信息科学与工程学院，湖南长沙４１００８３） 摘要：互联网和物联网技术的快速发展给数据的上传与下载带来了前所未有的便利，使得互联网上 的数据量急剧增长，由此产生了针对大数据的存储、计算、分析、处理等新问题，尤其是对大数据的挖掘。文章分析当前大数据产生的背景，阐述大数据的基本特征及其应用，结合医疗领域，论述医疗 大数据分析的目的、意义和主要方法。 关键词：大数据；物联网；医疗；大数据挖掘 １ 大数据早已存在，为何现在称之为大
数据时代 计算与数据是一对孪生姐妹，计算需要数据，数据通过计算产生新的价值。数据是客观事 物的定量表达，来自于客观世界并早已存在。例 如，半个世纪前，全球的人口数量就有数十亿，与之相关的数据就是大数据；但是在那个时代，由于技术的局限性，大数据的采集、存储和处理 还难以实现。 互联网时代之前，采集世界各地的数据并让它们快速地进入计算系统几乎是一件不可想象的 事情。２０世纪８０年代兴起的互联网技术在近３０ 年里发生了翻天覆地的变化，彻底地改变了人们的工作和生活方式【ｌ】。通过互联网人们不仅可以下载到新闻、小说、论文等各类文字数据，而且可以轻而易举地下载到音乐、图像和视频等多媒体数据，这使得互联网上的数据流量急剧增长。据统计，现在互联网上每分钟流人流出的数 据量达到１ ０００ ＰＢ，即１０亿 ＧＢｔ２１。 推动大数据产生的另一个重要因素是物联网技术。近几年发展起来的物联网技 术通过给每个物品贴上标签 并应用ＲＦＩＤ等技术实现了
中国日本德国英国美国 图表 1 汽车金融产品渗透率 2.大数据在汽车金融行业中的应用 汽车金融行业在发展大数据能力方面具有天然优势：受行业特性影响，金融机构在开展业务的过程中积累了海量的高价值数据。对理解和洞察市场和客户方面正产生着深远的影响。大数据在汽车金融领域的应用为后者带来了更多发展的可能性，可以创新汽车金融理念、流程、产品与服务模式，提供更高效、便捷的金融服务，提高金融资源配置效率，降低成本，提升用户体验。
ESP China天美中国 ESP China天美中国通过建立汽车行业大数据平台，整合上下游资源，把跟汽车相关的保养、维修、换件、加油、保险甚至餐饮整合至汽车行业大数据平台，通过建立以人为中心的数据库，并根据客户在平台上的大数据条件建立智能型大数据库，为汽车行业客户提供金融咨询贷款等服务。 ESP China天美中国以为，在大数据建设的初期，应对数据的使用维度进行规划，把信息根据性质划分重要程度，重点收集信息，并实现补充信息和必备信息相交错，外部信息和内部信息相结合，动态信息和静态信息相辅相成的关键落实，一旦细分行业细分客户的大数据成型，随着规模扩大，即可以实现汽车金融平台的大数据管理。 2.1 大数据在汽车融资租赁行业的应用 大数据为汽车融资租赁机构提供了客户全方位信息，通过分析和挖掘客户的交易和消费信息掌握客户消费习惯，并准确预测客户行为，有针对性地推销产品和服务，满足汽车融资租赁机构对潜在客户量身定制服务的需求。另外，在品牌管理和客户服务反馈方面，大数据通过对人们在思想、情绪和通信方面的数据化情感分析，获取并汇总顾客的反馈意见并对营销活动效果做出准确判断。 2.1.1 搜集客户特征，用于产品开发和决策支持 客户特征应用主要分为个人客户和企业客户。个人客户信息数据包括：个人姓名，性别，年龄，身份信息，联系方式，职业，生活城市，工作地点，家庭地址，所属行业，具体职业，收入，社会关系，婚姻状况，子女信息，教育情况，工作经历，工作技能，账户信息，产品信息，个人爱好等等。企业客户包括企业名称，关联企业，所属行业，销售金额，注册资本，账户信息，企业规模，企业地点，分公司情况，客户和供应商，信用评价，主营业务，法人信息等等。 汽车融资租赁机构可以将这些信息集中在大数据管理平台，对客户进行分类，依据数据，进行产品开发和决策支持。例如可以依据客户年龄、职业、收入、资产等，针对部分群体推出信用消费，抵押贷款，为客户提供针对于人生不同阶段的汽车金融服务。也可以检验已有产品的占有率，推广效果，以及采集客户的自身产品需求。企业客户也是同样道理，没有数
汽车行业大数据应用案例 在未来，各个产业都将成为数据产业，汽车也将如此。目前，互联网所掌握的消费者喜好、生活习惯等数据信息如果应用到汽车行业，将使汽车产品更加智能，大数据的应用甚至能够影响到汽车产业的生产制造，帮助汽车企业生产出更加符合消费者需求的产品。 凯文凯利认为：“在未来，各个产业都将成为数据产业，汽车也将如此。目前，互联网所掌握的消费者喜好、生活习惯等数据信息如果应用到汽车行业，将使汽车产品更加智能，大数据的应用甚至能够影响到汽车产业的生产制造，帮助汽车企业生产出更加符合消费者需求的产品。” 在贵阳大数据论坛上，马凯副总理提出：大数据是国家战略资源，部分公共数据资源也将逐步开放，让企业用互联网+更好的服务社会。
基于汽车行业超长的产业链，从不同的层面看，汽车大数据必然是多维度的，有不同的理解和看法，我们试从各行业角度试加分析： 先看一组数据： 中国有3亿驾驶员，1.5亿车主，100多个品牌6000多款车，24000多家4S店，44万家维修厂，600万家洗车行...... 主机厂：汽车大数据的顶层和基础
主机厂是汽车的制造者，他们领先的设计、技术及制造能力和知识产权，使其在整个汽车生态链中起绝对主导作用——所有的零部件设计及软件系统，都由主机厂主导，所有衍伸产品都以主机厂的产品设计规格为标准（适配软件、模具、型号、规格尺寸乃至汽车改装和汽车电子产品以及汽车用品等等）。 同时，主机厂有完善的零部件配套、物流配送、销售体系，所有该体系内的企业都要按照其标准化模式运行；原始汽车维修技术资料以及CRM和ERP 系统：4S店的后台管理系统由主机厂提供，能够调取车主的姓名、住址、行驶证数据及通联、保险、维修保养记录（车主脱离4S店体系之前）。 主机厂零部件数据包括包括字段：配件名称、配件代码、品牌、型号、年代、替代配件、替代关系、图示、价格等等。
大数据分析系统 方案
目录 第1章项目概述 (5) 1.1项目背景 (5) 1.2项目必要性 (5) 1.3建设目标 (6) 第2章需求分析 (8) 2.1功能及性能需求 (8) 2.2系统集成需求 (9) 2.3运行环境 (10) 2.4安全需求 (10) 第3章总体设计 (12) 3.1总体设计原则 (12) 3.2总体目标 (13) 3.3系统总体结构 (13) 3.4系统逻辑结构 (15) 第4章详细设计方案 (16) 4.1信息资源规划和数据库设计 (16) 4.1.1数据模型概述 (16) 4.1.2数据建模方法论 (17) 4.1.3数据建模基本原则 (18) 4.1.4数据库架构设计 (19) 4.2数据应用支撑系统设计 (21) 4.2.1大数据平台关键技术 (21) 4.2.2云平台数据共享功能 (26) 4.3数据服务层计 (33) 4.3.1模型的应用 (33) 4.3.2平台基础应用 (33) 4.4数据处理和存储系统设计 (34) 4.4.1大数据处理核心技术 (35) 4.4.2数据存储采用MPP与hadoop融合架构 (35) 4.5网络系统设计 (35) 4.6安全系统设计 (36) 4.6.1系统安全满足情况 (36) 4.6.2系统安全配置管理功能 (37) 4.6.3系统无安全漏洞保障 (40) 4.6.4软件自身安全 (43) 4.6.5性能和可靠性 (44) 4.7运行维护系统设计 (46)
4.7.2网络设备管理 (46) 4.7.3进程管理 (46) 4.7.4服务管理 (46) 4.7.5数据库管理 (46) 4.7.6中间管理 (46) 4.7.7集群管理 (47) 4.7.8故障管理 (47) 4.7.9性能管理 (47) 4.7.10配置文件管理 (47) 4.7.11SYSLOG管理 (47) 4.8其他系统设计 (47) 4.9系统配置及软硬件选型原则 (48) 4.9.1软硬件部署 (48) 4.9.2数据要求 (48) 4.9.3技术要求 (49) 4.10系统软硬件物理部署方案 (49) 第5章项目建设与运行管理 (51) 5.1项目领导机构 (51) 5.2项目管理机构 (51) 5.3项目承建机构 (53) 5.4运行维护机构 (53) 5.5相关管理制度 (54) 5.6项目测试 (55) 5.6.1单元测试 (55) 5.6.2集成测试 (55) 5.6.3系统测试 (56) 5.6.4性能测试 (56) 5.6.5验收测试 (57) 5.6.6安装测试 (57) 5.7安全性测试 (58) 5.7.1功能验证 (58) 5.7.2漏洞扫描 (58) 5.7.3模拟攻击实验 (58) 5.8项目验收 (60) 5.8.1项目验收要求 (60) 5.8.2项目验收的目的和原则 (61) 5.8.3项目验收的组织和实施 (61) 5.8.4项目验收的步骤和程序 (61) 5.8.5项目验收的测试方案 (61) 5.8.6项目验收的文档清单 (61) 第6章项目培训计划 (62) 6.1培训对象和培训目标 (62)
车企大数据如何应用 汽车商业评论 理想中的大数据，让它成为诗成为远方好了，我们还是着手眼下或者未来三五年的事 华思远邓明辉 从玄学到厌恶，再到中性，人们对大数据的认识经历了三个阶段。 第一阶段，认为大数据是玄学。它很牛、很神，它什么都能做，没有它不行，未来全都是它的，你不懂它就会被社会无情抛弃，所有人都宣传他们准备或正在搞大数据。 第二阶段，发现大数据是在吹牛扯淡。它其实就是服务器公司、数据库公司、硬盘公司、报表软件公司、科技公司炒作的噱头罢了。它来得很慢，它成本很高，它并不能迅速带来直接的好处。 想要数据又大又快，那么数据很难做的很深，无法基于这些肤浅的数据深入洞察；想要数据又大又准，这得花时间，想想我们企业最小的生理需求——期末编制财报要几天？想 要数据又快又准，那么覆盖的广度又有问题；想要数据又大、又准、又快，则需要花很多很多钱。 第三阶段，大数据成了一个中性词。理想中的大数据，让它成为诗成为远方好了，我们还是着手眼下或者未来三五年的事：把基础数据梳理好、把标准搞好；把核心系统的数据及
时性和准确性提高；把报表系统进行更新，使出报表的速度从一周提升到一天以内。 造成这段曲折的，其实是源于大数据前面的“大”字。但无论怎样，“大”还是会被继续沿用。 对车企而言，何谓我们的大数据？销量不过100万辆的企业有没有“大”数据？我们的供应链、生产、财务数据算不算大数据？车主的购物记录、社交媒体上的印记属不属于我们的“大”数据？交通、天气是不是我们的“大”数据？ 我们认为，车企大数据应用的重点，不是在于如何获取更多的数据，而是围绕业务目标和具体的业务问题，基于一定的数据分析，来解决问题、达成目标，体现数据的价值——这和“大”没有直接关系，甚至有点远离“大”，而强调小、深、精。 1大数据可以解决哪些问题 排在首位的，当属营销和销售问题，这与营销效果、客户行为分析、客户体验提升、客户保留有关，这一领域也是当前关注和投入最多的部分。在发展中国家，汽车需求主要来自初次购买者，车企对客户保留计划的关注非常少。 但随着时间推移，当市场变得成熟时，换车的买家比例也会增加，此时，稳定的客户保留就变得至关重要，它和可持续性增长有着直接的联系。为了保留客户并促使他们再次购买，必须在接触品牌的每一个环节和阶段让他们感到满意。
大数据架构的介绍及分析 数据分析工作虽然隐藏在业务系统背后，但是具有非常重要的作用，数据分析的结果对决策、业务发展有着举足轻重的作用。随着大数据技术的发展，数据挖掘、数据探索等专有名词曝光度越来越高，但是在类似于Hadoop系列的大数据分析系统大行其道之前，数据分析工作已经经历了长足的发展，尤其是以BI 系统为主的数据分析，已经有了非常成熟和稳定的技术方案和生态系统，对于BI 系统来说，大概的架构图如下： 可以看到在BI系统里面，核心的模块是Cube，Cube是一个更高层的业务模型抽象，在Cube之上可以进行多种操作，例如上钻、下钻、切片等操作。大部分BI系统都基于关系型数据库，关系型数据库使用SQL语句进行操作，但是SQL 在多维操作和分析的表示能力上相对较弱，所以Cube有自己独有的查询语言MDX，MDX表达式具有更强的多维表现能力，所以以Cube为核心的分析系统基本占据着数据统计分析的半壁江山，大多数的数据库服务厂商直接提供了BI套装软件服务，轻易便可搭建出一套Olap分析系统。不过BI的问题也随着时间的推移逐渐显露出来： BI系统更多的以分析业务数据产生的密度高、价值高的结构化数据为主，对于非结构化和半结构化数据的处理非常乏力，例如图片，文本，音频的存储，分析。 由于数据仓库为结构化存储，在数据从其他系统进入数据仓库这个东西，我
们通常叫做ETL过程，ETL动作和业务进行了强绑定，通常需要一个专门的ETL团队去和业务做衔接，决定如何进行数据的清洗和转换。 随着异构数据源的增加，例如如果存在视频，文本，图片等数据源，要解析数据内容进入数据仓库，则需要非常复杂等ETL程序，从而导致ETL变得过于庞大和臃肿。 当数据量过大的时候，性能会成为瓶颈，在TB/PB级别的数据量上表现出明显的吃力。 数据库的范式等约束规则，着力于解决数据冗余的问题，是为了保障数据的一致性，但是对于数据仓库来说，我们并不需要对数据做修改和一致性的保障，原则上来说数据仓库的原始数据都是只读的，所以这些约束反而会成为影响性能的因素。 ETL动作对数据的预先假设和处理，导致机器学习部分获取到的数据为假设后的数据，因此效果不理想。例如如果需要使用数据仓库进行异常数据的挖掘，则在数据入库经过ETL的时候就需要明确定义需要提取的特征数据，否则无法结构化入库，然而大多数情况是需要基于异构数据才能提取出特征。 在一系列的问题下，以Hadoop体系为首的大数据分析平台逐渐表现出优异性，围绕Hadoop体系的生态圈也不断的变大，对于Hadoop系统来说，从根本上解决了传统数据仓库的瓶颈的问题，但是也带来一系列的问题：从数据仓库升级到大数据架构，是不具备平滑演进的，基本等于推翻重做。 大数据下的分布式存储强调数据的只读性质，所以类似于Hive，HDFS 这些存储方式都不支持update，HDFS的write操作也不支持并行，这些特性导致其具有一定的局限性。 基于大数据架构的数据分析平台侧重于从以下几个维度去解决传统数据仓库做数据分析面临的瓶颈： 分布式计算：分布式计算的思路是让多个节点并行计算，并且强调数据本地性，尽可能的减少数据的传输，例如Spark通过RDD的形式来表现数据的计算逻辑，可以在RDD上做一系列的优化，来减少数据的传输。
汽车行业数据分析 十二五我国汽车工业的发展思路是以科学发展观为统领，坚持开放和自主发展相结合，调整优化产业结构，增强自主创新能力，发展自主品牌产品，提升综合竞争力，迈向汽车工业强国。汽车工业的发展目标是保持稳定增长，结构调整取得明显成效，自主创新能力显著增强，自主品牌产品在国内市场占据主导地位，建成世界汽车出口重要基地和出口大国，全面提升在世界汽车工业中的地位。2015年，全国汽车产量将达到2500万辆；汽车工业增加值占国内生产总值的比例将达到3%；行业集中度进一步提高，形成3~4家年产400万辆以上大型企业(集团)；汽车整车出口占汽车总产量的10%~15%(含海外生产产品)；汽车零部件出口形成以进入国际汽车配套体系为主的格局。 2001-2010年我国和全球汽车市场增长速度对比
2000-2010年我国汽车销售量情况
2010年汽车行业对拉动中国消费增长做出的贡献
数据分析：通过对上述数据进行分析，可以得出以下结论： 1、在全球范围内看，中国已经成为汽车生产与消费需求大国，市场规模和潜力巨大 2、2000年-2010年，中国汽车行业的产销量出于高速、持续增长时期，并逐步成为国民经济的支柱产业； 3、汽车类消费品在社会消费品总额当中所占比例不断增大，在2010年其增长率远超会消费品的增长； 4、汽车行业对中国经济的总体拉动作用十分显著； 5、国家大力支持汽车产业的发展，将汽车产业定位于国民经济支柱产业的政策不断落实。 2010年河北省乘用车上牌量在全国所占比重
2010年底河北省各市汽车保有量（万辆） 2010年河北省中级车乘用车市场份额排名（上牌量）
大数据应用案例分析
在如今这个大数据的时代里，人人都希望能够借助大数据的力量：电商希望能够借助大数据进一步获悉用户的消费需求，实现更为精准的营销;网络安全从业者希望通过大数据更早洞悉恶意攻击者的意图，实现主动、超前的安全防护;而骇客们也在利用大数据，更加详尽的挖掘出被攻击目标信息，降低攻击发起的难度。 大数据应用最为典型的案例是国外某著名零售商，通过对用户购买物品等数据的分析，向该用户——一位少女寄送了婴儿床和衣服的优惠券，而少女的家人在此前对少女怀孕的事情一无所知。大数据的威力正在逐步显现，银行、保险公司、医院、零售商等等诸多企业都愈发动力十足的开始搜集整理自己用户的各类数据资料。但与之相比极度落后的数据安全防护措施，却让骇客们乐了：如此重要的数据不仅可以轻松偷盗，而且还是整理好的，凭借这些数据骇客能够发起更具“真实性”的欺诈攻击。好在安全防御者们也开始发现利用大数据抵抗各类恶意攻击的方法了。 扰动安全的大数据 2014年IDC在“未来全球安全行业的展望报告”中指出，预计到2020年信息安全市场规模将达到500亿美元。与此同时，安全威胁的不断变化、IT交付模式的多样性、复杂性以及数据量的剧增，针对信息安全的传统以控制为中心的方法将站不住脚。预计到2020年，60%的企业信息化安全预算将会分配到以大数据分析为基础的快速检测和响应的产品上。 瀚思(HanSight)联合创始人董昕认为，借助大数据技术网络安全即将开启“上帝之眼”模式。“你不能保护你所不知道的”已经成为安全圈的一句名言，即使部署再多的安全防御设备仍然会产生“不为人知”的信息，在各种不同设备产生的海量日志中发现安全事件的蛛丝马迹非常困难。而大数据技术能将不同设备产生的海量日志进行集中存储，通过数据格式的统一规整、自动归并、关联分析、机器学习等方法，自动发现威胁和异常行为，让安全分析更简单。同时通过丰富的可视化技术，将威胁及异常行为可视化呈现出来，让安全看得见。 爱加密CEO高磊提出，基于大数据技术能够从海量数据中分析已经发生的安全问题、病毒样本、攻击策略等，对于安全问题的分析能够以宏观角度和微
大数据分析系统需求 天津绍闻迪康科技咨询有限公司 2018/5/28 仅为需求基本框架，需要根据贵公司产品、技术路线具体面议。
目录 一、系统定位 (2) 二、功能模块 (3) 2.1爬虫系统 (3) 2.1.1数据源 (3) 2.1.2爬虫系统功能 (3) 2.2数据处理、存储、计算系统 (4) 2.2.1数据处理模块 (4) 2.2.2数据存储模块 (4) 2.2.3数据计算模块 (5) 2.3数据分析、可视化系统 (9) 2.4对外接口 (10) 2.4.1会员制体系 (10) 2.4.2其他 (10) 2.5其他 (11) 2.5.1数据痕迹 (11) 2.5.2信息安全 (11) 2.5.3注意事项 (11)
1、系统定位 从数据接入到数据应用，我们需要【大数据分析系统】包括几大功能模块： （1）爬虫系统 （2）数据处理、存储、计算系统 （3）数据人工智能分析、可视化系统 （4）外部接口 其中第（3）模块是核心，需要结合我们公司业务方向建设相关的数学模型，进行人工智能的自动分析。 爬虫系统可以从指定网站自动的进行信息的抓取，对数据库中的已有词条进行更新或新建，或者从全站按照关键词抓取信息，更新数据库中词条，爬虫搜集到的数据也需要存储到系统中。 数据库系统可以将公司现有资料分库录入系统，生成词条，词条之间相互关联，可以实现跳转，可视化查看；存储爬虫得到的数据。数据库中的词条或者数据源大多是国外的，例如美国，日本等，涉及到的人物或者其它词条会有多种语言的表达。 系统可以结合爬虫的数据、库中本来的数据按照一定内容生成词条自身的时间轴，多库之间词条的的关系图。系统需要与外部互联的接口，包括微信平台，天蝎系统，邮件营销平台，调查问卷分析平台。
The Industrial Study | 产业研究 MODERN BUSINESS 现代商业42 大数据在汽车行业的运用及影响分析 侯庆坤 北京卡达克数据技术有限公司 北京 100176 摘要:大数据的的收集、整理与分析，正在潜移默化地影响着汽车行业，其已成为汽车领域改革与发展的重要基础。随着消费者生活方式的转变，汽车行业的生产方式及服务模式都将发生变化，这对企业的发展提出更高的目标。借助于大数据平台，充分分析市场信息，才有利于企业做出正确的决策。本文在介绍大数据定义的基础上，探讨了汽车大数据的含义，分析了汽车大数据的来源，解释了大数据在汽车行业的具体运用及影响。 关键词:大数据；汽车行业；运用；影响汽车行业在经历高速的扩张后，已步入产销平稳阶段。在当前的市场竞争中，如何利用现有的数据信息中生产出满足消费者需求的汽车，是汽车行业应考虑解决的问题。随着互联网技术的快速发展，汽车行业与互联网技术正在逐渐融合，促使智能化、服务化、方便出行等消费者的需求得到释放。通过了解潜在客户的消费需求，收集和整理各种信息，达到精准营销的目的，实现消费者的需求，进而在生产和销售环节加强管控，实现盈利。这就大数据如何影响汽车行业发展的真实写照。 一、汽车大数据 (一)大数据含义 大数据的定义基本涵盖三个方面的信息：第一，社会生活都可以被数据化。借助于先进的技术，几乎每个生物的生活轨迹都能够被实时记录。通过互联网技术，各种信息都可以在网络上呈现出来，行为得到监测。第二，数据规模大，生成速度快。生成数据的主体越来越广泛化，数据的传输方式由点到线线到面、面到网状裂变，使数据的数量骤增。第三，大数据技术操作处理更加广泛。随着大数据技术的快速发展，大数据的收集、整理、存储和应用都以成为可能。随着数据量极的增加，数据的处理由关系型数据库逐渐演变为数据仓库、挖掘和可视化等。大数据的特征主要包括三种：一是海量化(Volume)。从字节、兆、千兆……，数字的边界是无穷的。数字正在以指数型的方式快速增长。2011年，全球大约有1.8泽数据，到2012年，大约有2.5艾数据。二是多样化(Variety)。大数据来源于人与人之间的聊天信息、企业间的交易数据、商品 的物流信息等。这些信息以文本、文件、视频、语音等信息呈现。数据的来源不同，格式就存在差异，且超过一半以上的数据都是非结构化数据。对于这些数据，需要运用专业的数据处理基础对其进行关联度分析。三是快速化(Velocity)。快速化特征是大数据与传统数据的重要区别之一。现阶段，快速化所需要的数据处理技术进步较大，涉及到计算的要素成本例如存储都以有所降低。这意味着将快速化作为行业的创新点已成为现实。 (二)汽车大数据 互联网的快速发展和智能终端等设备的出现，推动了大数据的快速增长。因汽车行业具有产业链长、涉及范围广等特征，所以该行业在整个国家的经济发展中起着重要的作用。纵览汽车的产业链，可以将其分为三个大模块：生产模块、销售模块和服务模块，若对其进行细分，有新能源汽车模块、智能汽车模块、考试培训模块等等。每个模块都将会产生大量的数据。 1.汽车大数据的来源。 (1)销售店。销售店里所建立的客户信息是比较多的，这些信息来源于现实客户和潜在客户，涉及客户的家庭住址、工作行业、电话、维修时间等等。潜在的客户就是近期有买车打算但还处在选择阶段的人。对于销售店来说，他们的主要任务就是通过相关渠道，获取潜在客户的信息，在较短的时间内，促使交易达成，满足潜在客户需求，将其转变为现实客户，进而创造利润。 (2)社交工具和专业网站。用户在贴吧、微博、QQ空间或朋友圈等可以了解各种品牌的汽车信息。用户还可以在百度上搜 s t r i b u t i o n N e t w o r k s [J ].I E E E T r a n s a c t i o n s o n P o w e r S y s t e ms,2011,26(1):206-213. [6]BrucePG,FreunbergerSA,HardwickLJ,etal.Li-O-2andLi-S b a t t e r i e s w i t h h i g h e n e r g y s t o r a g e (v o l 11,p g 19,2012)[J ].NatureMaterials,2012,11(2). [7]HanS,HanS,SezakiK.DevelopmentofanOptimalVehicle-to-Gri dAggregatorforFrequencyRegulation[J].IEEETransactionsonSma rtGrid,2010,1(1):65-72. [8]G u i l l e C ,G r o s s G.A c o n c e p t u a l f r a m e w o r k f o r t h e V 2G )implementation[J].EnergyPolicy,2009,37(11):4379-4390. [9]QianK,ZhouC,AllanM,etal.ModelingofLoadDemandDuetoEV BatteryCharginginDistributionSystems[J].IEEETransactionsonP owerSystems,2011,26(2):802-810. [10]AugustynV,SimonP,DunnB.Pseudocapacitiveoxidematerialsf orhigh-rateelectrochemicalenergystorage[J].Energy&Environmen talScience,2014,7(5):1597-1614. 作者简介： 马浩峻，北方工业大学经济管理学院学生。 DOI:10.14097/https://www.doczj.com/doc/d717277167.html,ki.5392/2019.03.022
9月29日下午，由上海市经济和信息化委、静安区政府和杨浦区政府共同主办、上海大数据联盟协办的“四新”主题沙龙——“迎接大数据时代”在上海市大数据产业基地举行。 上海市副市长周波、副秘书长金兴明、静安区区长陆晓栋，中科院院士、复旦大学常务副校长包信和，市经济信息化委副主任邵志清、徐子瑛，市发展改革委副主任葛大维，静安区副区长周海鹰等领导出席。 时代嘉道大数据集团创始人兼董事长徐锦泉受邀参加，以专家嘉宾身份出席，针对“数据驱动，标准先行”发表见解。 徐锦泉董事长认为，大数据行业是个长周期行业，政府需要支持，不能按照成熟企业的规模来要求，而是要看它对产业链的影响力。 腹有诗书气自华
腹有诗书气自华 市场需求会驱动行业标准诞生，第三方大数据公司以其客观性往往容易成为撮合者。“第一个国家互联网标准花落上海，在整个过程中，时代嘉道旗下的嘉道信息技术有限公司起到了独特作用，上海经信委和上海信息服务行业协会的背书是关键推动力。在汽车行业，大数据公司能否也有这样的机会？” 同时，汽车领域的大数据公司也面临着一些问题： 汽车行业最具交易价值的数据来源之一——乘用车上牌数据，关乎行业资源与投资，却至今仍处于不开放状态，全国人大代表多年呼吁无果，上海大数据交易中心能否在这个问题有所作为？ 缺乏“安全感”是大数据公司面临的另一个困境，现行法律对于数据、算法、代码的侵权认定和保护尚有不足，亟待专业权威第三方评估机构的建立。 华东政法大学知识产权学院院长高富平也表示：数据的开放首先是政府数据的开放。政府数据从原来的公开到开放是一个很大的转变，原来的公开是满足知情权， 现在的开放是满足再
在如今这个大数据的时代里，人人都希望能够借助大数据的力量：电商希望能够借助大数据进一步获悉用户的消费需求，实现更为精准的营销;网络安全从业者希望通过大数据更早洞悉恶意攻击者的意图，实现主动、超前的安全防护;而骇客们也在利用大数据，更加详尽的挖掘出被攻击目标信息，降低攻击发起的难度。 大数据应用最为典型的案例是国外某著名零售商，通过对用户购买物品等数据的分析，向该用户——一位少女寄送了婴儿床和衣服的优惠券，而少女的家人在此前对少女怀孕的事情一无所知。大数据的威力正在逐步显现，银行、保险公司、医院、零售商等等诸多企业都愈发动力十足的开始搜集整理自己用户的各类数据资料。但与之相比极度落后的数据安全防护措施，却让骇客们乐了：如此重要的数据不仅可以轻松偷盗，而且还是整理好的，凭借这些数据骇客能够发起更具“真实性”的欺诈攻击。好在安全防御者们也开始发现利用大数据抵抗各类恶意攻击的方法了。 扰动安全的大数据 2014年IDC在“未来全球安全行业的展望报告”中指出，预计到2020年信息安全市场规模将达到500亿美元。与此同时，安全威胁的不断变化、IT交付模式的多样性、复杂性以及数据量的剧增，针对信息安全的传统以控制为中心的方法将站不住脚。预计到2020年，60%的企业信息化安全预算将会分配到以大数据分析为基础的快速检测和响应的产品上。 瀚思(HanSight)联合创始人董昕认为，借助大数据技术网络安全即将开启“上帝之眼”模式。“你不能保护你所不知道的”已经成为安全圈的一句名言，即使部署再多的安全防御设备仍然会产生“不为人知”的信息，在各种不同设备产生的海量日志中发现安全事件的蛛丝马迹非常困难。而大数据技术能将不同设备产生的海量日志进行集中存储，通过数据格式的统一规整、自动归并、关联分析、机器学习等方法，自动发现威胁和异常行为，让安全分析更简单。同时通过丰富的可视化技术，将威胁及异常行为可视化呈现出来，让安全看得见。 爱加密CEO高磊提出，基于大数据技术能够从海量数据中分析已经发生的安全问题、病毒样本、攻击策略等，对于安全问题的分析能够以宏观角度和微观思路双管齐下找到问题根本的存在。所以，在安全领域使用大数据技术，可以使原
一、汽车零配件行业市场分析 1．行业分析 汽车后市场目前在成熟的汽车大国如美国、日本等在整个汽车产业链上占据举足轻重的地位，据统计，在这些或地区，按照收益比例来计算，整车销售利润通常不足20%，而在汽车零配件、维修养护等汽车后市场中产生的利润超过70%。中国已然成为全球第一大汽车市场，据预测，到2020年中国汽车保有量将超过2亿辆。另一方面，据中国汽车工业协会数据表明，目前我国的汽车零部件企业数量已经达到20多万家，从业人员接近千万，2014年汽车零配件市场销售1.68万亿，预计到2015年中国汽车零配件行业规模产值可达到2.5万亿元人民币。但我国汽车零配件总产值与汽车整车制造业工业总产值比值仅为0.7：1，远低于国际标准的1.7：1。 目前，汽车主机厂四十多家，维修商户（包括4s店）48万家，汽车后服务领域大举迈入互联网时代，B2C、B2B、O2O，未来10年还将保持年增长率20-35%！无论从市场前景、规模还是利润来分析，无一不显示汽车零配件行业发展尚存无限发展空间。 2．目前渠道 众所周知，尽管各大汽车厂商在整车销售上争夺的异常激烈，但在汽车零配件供应等后市场服务上，面对巨大的经济利益驱使，各大主机厂在对于汽车配件销售这一块作法很是一致，以汽配分销为例，纯正维修件分销经营是由主机厂来主导的，大多是通过汽车4S店来直接销售给终端客户，从而获取高额的零配件销售利润。可随着汽车保有量的加大、车主对后市场认知度的提高，单靠4S店垄断售后市场已经远远不能满足市场的需求，市场终归是要回到公平、公开竞争的层面。 4S店之外，以汽配城为主要形式的汽车零配件代理分销渠道，是一种非常有效的汽车零配件及用品的销售渠道，据不完全统计，目前国大约有20多万个汽车配件销售商店在销售各种汽车零配件，而且他们大都集中在各地的汽配城中。但是由于目前汽配市场普遍缺乏行业管理标准，管理制度上存在很大的缺失，政策上也缺乏进行必要的引导，其现状是经销商的数量大，规模小，素质低，产品质量良莠不齐，假冒伪劣配件充斥市场，这样的结果使消费者去汽配城购买配件存在顾虑，由此可见，汽配城还没有充分发育，还需很长的一段路要走。