如今的數據就像大學擴張一樣，門檻的降低、政策技術的便利、參差不齊的來源一齊涌入，在時間軸上形成一個突兀的脈沖。縱觀整個人類文明所獲得的全部數據中，90%是在過去兩年內產生的，但這與未來的數據量比起來，只是九牛一毛。

圖：全球數據量增長

不過如何將這些數據與價值聯系起來，是擺在所有企業面前那本難念的經。尤其在工業大數據領域，大部分只是空有概念，而無實際案例，談及最終的經濟價值、產業價值更是為時過早。

因此，本文的目的只有一個，先把工業大數據應用的一個寶貴的成功案例掰開揉碎了展示給你，不求你完全吸收，但至少作為一個未來趨勢的可信論據。

這是由兮易強企團隊完成的項目案例，他們基于工業大數據完成了工程機械行業中某代表性企業的運營優化任務。最終的項目績效相當亮眼：

項目成功預測工程機械老客戶6億元的潛在金額流失，其中重度流失2.8億元，中度流失2.3億元，潛度流失0.9億元。

項目成功挖掘工程機械新客戶8.2億元銷售機會，其中大型機2.2億元，中型機3.5億元，小型機2.5億元。

基于銷售網格，項目全面支持1,000名現有員工實現20億元的債權逾期管控。

他們是怎么做到的呢？這個故事還要從將近10年前說起。

2008年9月，國際金融危機迅速蔓延至中國，中國經濟增速快速回落，出口出現負增長，政府拿出4萬億人民幣投資基礎設施，以期拉動內需，確保經濟增長速度。鐵公基（鐵路、公路、機場、水利等重大基礎設施建設）項目全面上馬，中國工程機械行業大受裨益，迎來了千載難逢的發展窗口期。工程設備的銷售量短期之內翻了好幾番，收入取得了突飛猛進的增長。

福兮禍所依。在這個可怕的增長速度之下，大量的設備制造商為搶占市場份額，不惜大大降低風控的的必要要求，當時甚至可以做到零首付，就能提走工程機械車輛，就像買房子做按揭一樣。如果后續工程機械車主的現金流不佳，就有可能出現壞賬。這種做法也為緊隨其后的整個工程機械行業的“大吐血”埋下了伏筆。

這個魔咒終于在2012年悄然兌現。中國工程機械行業靠財務杠桿的野蠻生長突破了5,600億規模之后，鐵公基項目逐漸減少，工程機械行業的金融風險全面爆發，無論是設備制造商、還是經銷商都面臨巨大的債權風控壓力。全行業進入重大債權風險高發、新客戶增長乏力、售后市場流失嚴重的全產業鏈生死大限階段。

在這樣的態勢之下，首當其沖的并不是設備制造商，而是幫助工程機械車主做墊資的經銷商。經銷商的主要商業模式就跟買房一樣，車主提車，銀行負責放貸，經銷商提供擔保。一旦車主違約，經銷商就要墊款給設備制造商。這也就造就了一個巨大的全行業系統性風險，最終大量的經銷商業績斷崖式下滑，倒閉跑路成為家常便飯，整個行業都有可能被徹底重構。

緊急關頭，2013年9月，排名前三甲的一家經銷商董事長親自掛帥，背水一戰、運籌帷幄之下，不斷尋賢求士，終于在長達1年的苦苦尋覓之后，請出了兮易強企這位“隱士”，并最終敲定了工業大數據戰略，才得以開啟企業的復興之路。

這家公司是大批工程機械經銷商中的典型代表，扎根行業20多年，工程機械設備全部實現了聯網，銷售地域覆蓋5個省，年銷售額超過50億。

兮易團隊入駐之后發現，由于工程機械的行業特性，交易模式存在大量關聯方，流程復雜度高，出血點異常多，而且大量數據難以估算，這些都導致項目的復雜度遠遠高于通常意義上的制造企業。雖然大多數企業表面也有ERP、CRM、MRO相關的系統，但是大多數數據的質量存在嚴重問題，數據在清洗之前就如垃圾和食物堆放在一起般混亂，這是彼時的“大數據”常態。

通過對銷售流程的224個變量、售后市場的134個變量、債權風控的106個變量的全方位檢測，項目團隊發現銷售系統、庫管服務、服務系統、債權系統等24套系統數據形成了信息孤島，近4萬臺工程機車信息被淹沒，而且缺乏基于GPS行為價值數據的客戶分群。基于詳細的分析、篩查與診斷，最終項目團隊定位了5大核心出血點，包括：

圖：基于工業大數據的運營綜合分析結果

1.商機流失：公司原有狀況是銷售任務分配到子公司，再手工分配到銷售人員，但追蹤不到對應的銷售機型，難以通過控制銷售目標，提升人員的銷售能力。同時所有指標的下達均為手工操作，無法計算銷售人員的任務完成率。缺失的部分還有很多，包括滾動式的銷售預測、客戶基礎信息、客戶跟進記錄…統統沒有。由于工程機械行業屬于專業領域，銷售人員需要針對不同的工況給予車主貼身的購機服務，公司還欠缺端到端的綜合銷售企劃能力。

2.風險控制不力：缺乏可視化的指標。在簽署合同之前沒有把握核心的風控閘口點，風險管不住，損失收不回。

3.債權逾期：缺乏基于客戶分群特征的差異化還款流程。沒有對客戶歷史違約的場景及原因進行挖掘。缺失違約預警流程，沒有各個車主的工程項目施工進度跟蹤，以便提前對于未來的違約風險進行預測。

4.售后訂單流失：由于工程機械行業的特性，售后的耗材銷售額大概是整機收入的1.5倍。由于公司缺乏已售機型的追蹤，大量的GPS等數據資產被擱置，毫無對核心客戶潛在需求的洞察能力。因為不知道售出的機械什么時候需要保養，什么時候需要上油，什么時候更換備件，導致各地的耗材備件游擊隊和背包客可以直接插手工程機械的維護維修服務，公司被大量的“老司機”鉆了空子，搶占了本應吃到口中的市場蛋糕。

5.全生命周期沒有閉環：收入、利潤、回款、市場份額、客戶滿意度等指標沒有有效追蹤。銷售、服務和債權各個團隊各掃門前雪，沒有建立有效的協作機制，導致業務之間存在斷點。獲客成本高企，回頭客的重復購買并沒有被激發。沒有針對客戶進行詳細分類，無法評估整個生命周期之內的客戶價值。

針對以上種種千瘡百孔的“爛攤子”，兮易團隊建立了5大對應的修復模型，而模型背后是業務，業務背后是組織，組織背后是人和KPI，整體性的修復和提升是一個系統化的龐大工程。經過項目團隊半年的努力，充分利用工業大數據分析工具，給出了可量化執行的戰術：

圖：工程機械經銷商業務全景圖

1.商機漏斗管理模型：完善銷售線索信息和情報的收集與追蹤。對于不同等級的商機進行了詳細劃分：3分商機（完成客戶拜訪，采集客戶身份信息，填報潛在銷售型號、數量和金額預判）、6分商機（完成首次客戶協商，客戶的工程信息和預計工況記錄、追蹤協商過程信息，修正潛在銷售型號、數量和金額預判）和9分商機（實現客戶談判與信息追蹤、記錄付款條款、交付條款等商務事宜）。同時消除了從合同簽訂到出庫過程中，各個環節的斷點，彌補了各種缺失。

2.全面風險控制模型：風險可視化，建立風控關鍵閘口點。如果車主的資金與還款能力調查，或者前期違約情況的處罰等關鍵閘口沒有關閉，新的銷售合同就無法簽署。

3.債權逾期管理模型：針對業務債（三個月內的債務）、審計債（通過訴訟、公安等手段介入的債務）和惡性債（逾期半年以上的債務），使用基于行為數據與逾期預測的相關模型，制定有針對性的規則。還考慮到客戶施工特征、銷售方式差異，建立了適度靈活的還款計劃和違約風險預測。

4.后市場需求管理模型：一句話總結就是：“算法”戰勝“老司機”。比如挖掘機的斗齒，需要定期更換。如果通過在大量網點部署運營團隊，成本和效率根本沒法和接私活的“背包客”維修游擊隊競爭。怎么解決呢？這就需要靠模型和算法。根據工程機械的采購時間、出庫時間、機型分類、保內/保外屬性、保養規則、開機時間、工作時長等數據，分析團隊迅速從業務邏輯中根據行業特征，設計與之相匹配的業務模型，預測工程機械的保養時間和配件損耗，趕在“老司機”之前為工程機械車主提供貼心服務。

5.客戶全生命周期模型：除了整合銷售、服務和債權三大部門之外，還建立了客戶價值評估模型，進行客戶的等級劃分。綜合考慮客戶區域、購機數量、購機金額、配件采購情況、維修次數、維修金額、債權指標等數據，把客戶劃分為5大類，量身定制提供差異化服務，追蹤每個客戶銷售的完整生命周期。

“復興戰略”的成效顯而易見，這家公司不僅元氣回升，還取得了文初提到的優異績效。

看完故事，你也許在想，工業大數據的應用最終將走向何方呢？IBM、GE、微軟都曾描繪過美好的藍圖，甚至斷言大型工業必將注定坐收數據分析的技術果實，但到現在一直卻很少見到實效。還好，在工程機械領域，來自中國的兮易團隊率先展示了工業大數據看得見、摸得著的5塊腹肌。

咦？似乎八塊腹肌才夠完美誘惑啊。工業大數據，再加把勁吧！