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。

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？

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。

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。

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？

售后客户根据RFM模型划分的不同类型的用户分别是多少？

上述客户的消费行为特征是怎样的？

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）

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。

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。

为了帮助您更好地理解和消化这些内容，我在网易云课堂专门开设了一门数据分析课程，名称叫《一套适用汽车4S店的数据分析方法》，您可以上网易云课堂搜素，欢迎品鉴。

http://m.study.163.com/provider/400000000543001/index.htm?share=2&shareId=400000000543001