麦肯锡视角:汽车企业数字资产战略与落地实践
做汽车行业数字化这几年,我越来越意识到一个现象:电动化只是入场券,真正拉开差距的,是藏在车背后的那些数字资产。智能化转型喊了很多年,麦肯锡面向电动化、智能化时代的汽车行业分析里反复强调同一个判断——未来车企的价值重估,很大程度上取决于能不能把车辆数据、用户数据、算法模型这些“看不见的资产”真正管起来、用起来。这个逻辑听起来很宏大,落到企业实操里其实是特别具体的事。
最近行业里不少人都在聊智能化小区、本地部署大模型让个人电脑智能化这类趋势,放在汽车行业里看,其实是同一件事的两个面:算力在靠近数据源,数据在靠近用户场景。车端本地化部署模型、车与社区场景打通,都在把数字资产这张网的边界往外推。这篇我就结合对麦肯锡相关报告逻辑的拆解,以及这些年陪车企做数字化项目的真实经验,聊聊在电动化和智能化的窗口期,汽车企业怎么系统性地梳理、建设、运营数字资产。适合车企战略规划、数字化转型、数据团队、产品定义的人参考,也适合想搞懂车企未来竞争力逻辑的从业者。
1. 电动化与智能化叠加下的行业基本面:数字资产为什么突然重要
1.1 硬件趋同之后,差异化从哪来
电动化把动力总成的技术差距快速抹平了。三电系统供应链越来越成熟,电池成本曲线下行,一台二十万的电动车和三四十万的电动车,在加速、续航这些硬指标上已经没有代差。这个背景下,消费者怎么感知一辆车的价值?
答案已经不是发动机参数,而是智能化体验。麦肯锡在汽车行业研究里反复提到“软件定义汽车”这个提法——硬件负责提供性能上限,软件决定用户体验的下限。一辆车出厂那天其实只是“半成品”,后续的智驾能力、座舱交互、充电策略、整车OTA,决定这辆车在五年生命周期里值不值得开、卖二手还值多少钱。
这意味着车企的产品模式,从“卖完硬件就结束”变成了“卖硬件只是用户关系的开始”。用户提车之后,每一次用车都在产生新的行为数据,每一次OTA都在升级车辆的软件资产。硬件在贬值,软件和数据资产在增值——这个剪刀差,就是数字资产战略存在的基本逻辑。
1.2 数据才是智能汽车的副产品金矿
传统燃油车时代,车企也有数据:4S店维修记录、质保索赔、市场调研问卷。但那些数据是离散的、低频的、滞后的。电动化加智能化彻底改变了这件事。
今天一台智能电动车,每跑1公里,底盘、电驱、电池、智驾、座舱、空调、导航全在产生数据。一次正常通勤,车端采集的数据量就能达到GB级,从驾驶行为到能耗分布,从路况感知到用户偏好,全都沉淀在车联网平台上。数据不再是“副产品”,而是智能化的“原材料”。
我用一个生活化的类比解释为什么这是资产:数据就像做菜的食材。食材本身不值钱,但你把食材按照菜谱组合、加工,做出来的菜可以卖高价。数字资产也一样——单条数据没什么用,但把百万辆车的数据汇聚起来做训练、做优化、做决策,就能产出智驾算法、预测性维护、精准运营这些高价值的东西。更关键的是,数据是一种可积累、可复用、不折旧的资产,用的人越多价值越高,这是实物资产完全不具备的特性。
1.3 麦肯锡的逻辑:竞争力=硬件能力+软件能力+数据资产
麦肯锡相关报告里有一个非常清晰的分析框架:面向电动化和智能化时代,汽车企业的核心竞争力从“制造能力”单点,变成了“硬件能力+软件能力+数据资产”三位一体。
硬件能力还是基础,但天花板已经够了;软件能力带来体验差异,智驾、座舱、车机系统跟不跟得上,直接决定产品口碑;数据资产则是软件的“燃料”。没有高质量的数据,算法就是无米之炊,越迭代越容易遇到瓶颈。麦肯锡特别强调,数据资产不是IT部门的附属品,而是和产能、供应链、品牌一样,需要进入董事会议题的核心资产。这个定位如果不调整,后面所有技术上的投入都容易变成昂贵的摆设。
这个框架对传统车企尤其有警示意义。因为很多企业手里确实有海量的销量数据、售后数据、用户调研数据,但数据散落在各个部门里,格式五花八门,属于典型的“守着金矿吃不上饭”。麦肯锡分析数字资产战略的时候,把这个问题放在最前面——数字资产的稀缺点不是“有没有数据”,而是“能不能把数据变成资产”。
2. 数字资产到底包含什么:四个层面的框架拆解
2.1 第一层:车辆与产品数据资产
最底层的数字资产,是围绕车本身产生的数据。包括VIN码级别的车辆配置数据、行驶里程与工况数据、三电系统运行参数、故障诊断码、OTA升级日志、保养维修记录。这一层数据的核心特征是“一车一档”,和物理实体强绑定。
车辆产品数据的直接用途是质量改进和售后服务:某个零部件在三万公里后故障率异常上升,早期靠用户投诉才能发现,有了实时数据就能提前预警。更进阶的用途是残值管理——保险公司、二手车平台其实非常需要真实车况数据,如果车企能提供可信的车辆数据背书,二手车的估值逻辑就能从“按年限折旧”升级成“按车况精算”。
很多车企做数字资产盘点时,最容易忽略的就是这块。因为它在日常经营里看起来“一直存在”,数据每天都在增长,但没有被当作标准化资产去治理。真正的工程难点在于数据采集的完整性和一致性——同一辆车在生产下线、销售交付、售后保养三个阶段,数据口径可能完全不一样,这是后面要专门解决的。
2.2 第二层:用户与生态数据资产
第二层是围绕人的数据。包括用户基础信息、购车偏好、APP使用行为、座舱内的交互习惯、充电偏好、出行路线特征、对订阅服务的接受度。这一层数据是连接“车”和“人”的桥梁,直接支撑精准营销、用户运营、订阅变现。
这一块的价值在智能化时代尤其突出。以前车企和用户的接触点是低频的——买车一次、保养几次。现在智能座舱和手机APP让触点变成每天多次:早上出门前远程预热、路上语音交互、到公司后充电管理。每一次交互都在产生行为数据,这些数据积累下来,比任何用户调研问卷都真实。
但用户数据也是最敏感的数字资产。个人信息保护法落地之后,数据的采集授权、最小化使用、匿名化处理都成了硬约束。麦肯锡报告里也提到,数字资产战略必须在合法合规的框架内设计,用户授权是数据资产化的前置条件。我见过一些车企在做用户画像时只想到“能用”,没先想“能不能用、怎么用”,结果系统做完了合规评审不通过,整个项目推倒重来。
2.3 第三层:算法与模型资产
第三层是企业自研沉淀的算法和模型,包括自动驾驶感知模型、路径规划算法、能耗预测模型、电池健康评估模型、智能座舱语音语义模型、用户画像算法等。
这层资产经常被低估。原因很简单——模型藏在代码和参数里,不像数据表格那样直观。但恰恰是这些模型,构成了智能化体验的核心壁垒。麦肯锡分析汽车行业智能化竞争时指出,算法模型的迭代能力比单次性能指标更重要。同样一套智驾系统,有的企业三个月更新一个大版本,有的企业半年版还在修修补补,差距不在于初始算法有多强,而在于是否有数据闭环支撑持续迭代。
模型资产还有一个特点:可迁移、可复用。一套做熟了的能耗预测模型,从A车型迁移到B车型,只需要微调少量参数。一套用户意图识别模型,从座舱场景迁移到APP场景,也只需要适配。数字资产的“复用性”在模型层体现得最充分——而绝大多数传统车企,还没有专门把模型当作资产去管理、去版本化、去评估价值。
顺便提一句,最近大家都在聊本地部署大模型让个人电脑智能化,汽车行业其实也在走同样的路线——端侧部署大模型。把推理能力放到车端,数据不出车就能完成大部分智能化响应,既降延迟又保护隐私。算法模型作为数字资产,正在从“云端集中式”走向“车云分布式”,这对模型的管理、下发、回滚提出了比传统IT系统更复杂的要求。
2.4 第四层:数字基础设施与生态资产
第四层最容易被忽略,却是支撑上面三层运转的地基。包括车联网平台、数据中台、开发者平台、车机应用生态、与外部服务商(充电网络、停车场、保险公司、智慧社区)建立的数据接口和业务合作。
我举个例子说明这层资产的价值:一家车企的充电地图应用,如果能和全国主流充电运营商实现互联互通,用户就能在车机上完成找桩、导航、充电、支付全流程。这个“互联互通的生态关系”本身,就是一种数字资产。用户粘性不在于应用界面做得有多漂亮,而在于背后承接了多少生态服务。
更值得关注的是,这块资产正在向外延伸。智能化小区、智慧社区的推进,让汽车数据可以和社区的停车位、充电桩、物业管理联动。汽车不再是孤立的移动终端,而是社区数字化网络里的一个移动节点。车企如果能在早期就参与这类生态建设,手里的数字资产就不仅仅是车内的数据,还会延伸到用户生活场景的数据整合能力。当然这个方向现在还处在早期,但麦肯锡报告的分析逻辑里,生态资产恰恰是长期竞争力最关键的护城河。
3. 麦肯锡战略框架的核心判断与落地解读
3.1 从成本中心到利润中心:数字资产的角色转身
麦肯锡相关报告里,一个让很多车企管理层坐不住的判断是:数字资产正在从成本中心变为利润中心。过去数字化部门是花钱的,IT系统是成本,数据平台是成本,甚至智能化研发也是成本。但麦肯锡分析认为,在电动化和智能化时代,数字资产会成为直接的收入来源。
事实也在验证这个判断。特斯拉的FSD选装包、软件解锁按需付费,国内新势力也在做订阅制功能、高级辅助驾驶买断、车机流量套餐、生态会员。这些收入的共同特点是不依赖新的硬件交付,边际成本极低,毛利率极高。卖一辆车的成本是实实在在的原材料和人工,卖一个软件订阅的边际成本基本为零——这正是数字资产和实物资产最本质的区别。
麦肯锡强调的转型,不只是从“不收费”到“收费”的转变,而是整个定价逻辑的重构。传统车企做功能配置,是生产时定好高配、低配,硬件成本决定价格;数字资产时代的定价逻辑,变成硬件预埋统一,软件功能按需解锁。同一辆车的硬件成本一样,但不同用户通过选购软件功能,给车企贡献的收入可以差出两三倍。这就是资产运营和传统制造业卖硬件的核心分野。
3.2 三阶段路径:数字化基础、数据资产化、资产智能化
麦肯锡给汽车企业的数字资产战略,大体可以分为三条递进路径,我自己做项目时也经常按这个框架给企业做评估。
第一阶段是数字化基础建设。核心任务是把车端、云端、业务系统之间的数据链路打通,建立车联网平台和数据中台,统一数据标准和口径。这一阶段不追求马上产生价值,但必须把“数据能流动”这件事先解决掉。很多企业死在这一步,因为涉及研发、生产、销售、售后多个体系的协同,数据标准之争背后其实是部门话语权之争。
第二阶段是数据资产化。目标是把数据变成可管理、可估值、可交易的资产。具体包括建立数据资产目录、定义数据质量标准、做数据分级分类、明确数据归口部门。这个阶段开始有了“资产管理”的样子——像盘点固定资产一样盘点数据,像管生产物料一样管数据质量。
第三阶段是资产智能化。数据不再只是被查询、被统计,而是进入模型训练和数据闭环,支持自动化决策。比如电池健康度预测触发维保提醒,用户画像驱动个性化内容推荐,智驾模型基于长尾场景数据进行影子模式迭代。在这个阶段,数字资产开始自我增值——用数据训练出更好的模型,更好的模型带来更好的体验,更好的体验产生更多的数据,形成正向飞轮。
麦肯锡的逻辑很清楚:这三个阶段没有跳步的捷径。有些企业一上来就豪掷千金买大模型算力,结果发现数据链路没打通、数据质量不达标,大模型压根没有像样的数据喂进去,最后只能拿公开数据跑demo,生产环境根本用不上。这就像装修房子,瓷砖和卫浴都买最好的,但水电管线还没铺设,神仙泥瓦匠来了也开不了工。
3.3 组织与资金保障:数智化转型不能只靠IT部门
麦肯锡报告里还有一个我认为极其重要的判断:数字资产战略是CEO工程,不是CIO工程。把数字资产战略交给IT部门单独推进,几乎没有成功的可能。
为什么?因为数字资产的建设横跨产品定义、研发、生产制造、销售、售后、用户运营所有部门。数据标准要研发配合,采集设备要产品定义确认,数据应用要业务部门认可。任何一个环节不配合,数据链路的完整性就断掉了。所以必须让一把手挂帅,把数据资产的建设纳入各业务部门的绩效考核。
资金保障同样关键。数字资产建设是典型的“投入前置、收益后置”——基础设施要提前建,数据积累要有耐心,模型训练要持续花钱,但变现可能在两三年后才陆续看到。如果按传统制造业的年度投资回报逻辑去考核,这类项目很容易在第二年就被叫停。麦肯锡建议车企用“战略投资”的视角来规划数字资产预算,要给到5年以上的耐心资本周期,而不是用普通IT项目的ROI标准去卡。
组织方面,我看到越来越多的车企开始设立首席数字官或首席数据官,成立跨部门的数据资产委员会,把散落在各个BG的数据统一归口管理。这个岗位最大的挑战不是技术和数据,而是协调能力——要让业务部门愿意把自己手里的数据“交出来”,并且建立共享机制让数据在使用中产生价值、价值再反哺业务部门。这里面的组织智慧,比技术方案难多了。
4. 实操落地:汽车企业数字资产管理的具体抓手
4.1 先做数据资产盘点:一张图看清家底
不管报告说得有多宏大,落到实操第一步永远是盘点。做数字化资产盘点,核心是回答三个问题:我们有哪些数据?数据在哪里?质量怎么样?
具体操作上,我建议先从单一车型或单一业务线做起,不要一上来就全集团铺开。选一个联网率高、数据链路较完整的新能源车型,把车端采集的所有数据字段、云端平台存储的数据表、业务系统里的数据接口全部列出来,形成一份数据资产清单。清单里至少要有:数据名称、数据源、存储位置、更新时间、归属部门、数据格式、质量描述这七个字段。
这一步做完,你会发现自己对企业的“数字家底”认知有巨大偏差。我们给一家车企做过盘点,管理层预估自己有三五百张核心数据表,盘点完发现光车联网平台就有两千多张表,但其中超过30%的表在过去半年里没有一条新增记录,根本是死数据。另外还有大量重复表——三个部门各自维护一辆车不同阶段的行驶数据,字段定义还不一样,联调的时候光清洗就花了一半精力。
盘点工具有很多,商业化数据目录工具、自研元数据管理平台都行,关键是先跑起来。哪怕先用Excel管着,也比没有强。
4.2 建设数据中台,别急着上大模型
我这两年见过最普遍的行业误区,就是跳过数据基础直接上大模型。最近“本地部署大模型让个人电脑智能化”成为热点,不少车企管理者也受感染,上车就提大模型。但麦肯锡报告分析的逻辑恰恰相反——人工智能的上限,取决于数据基础的下限。
数据中台建设的核心不是买一套技术框架,而是做好三件事:
第一是统一数据标准。VIN、经纬度、时间戳、电量SOC这些核心字段,全集团必须用同一套编码规则。这个工作很枯燥,但没有这个地基,后面所有的数据汇聚、跨域分析都是空中楼阁。
第二是建设数据仓库和数据湖。车端高频的实时数据进数据湖,清洗后的结构化数据进数据仓库。这里要注意成本控制——车辆实时信号按秒级上传,数据量是传统IT系统的百倍千倍,存储和计算成本会快速膨胀。务实的做法是车端先做边缘预处理,过滤无效数据,只上传有意义的变化数据,云端再做一次降噪和聚合。
第三是数据服务化。让业务部门能以API的方式获取数据,而不是每次提数都靠写临时SQL。数据中台建设成功的标志,是数据分析师、产品经理、算法工程师可以自助取数,数据不再掌握在少数几个人手里。
注意:数据中台建设最怕的是“为建而建”。有些企业花几千万采购了数据平台软件,结果只是把原有的ETL流程换了一个门户界面,业务没有任何感知。衡量数据中台价值的唯一标准,是数据的调用量和复用率有没有提升,而不是平台本身建得有多豪华。
4.3 打通车端到云端的数据闭环,让资产“活”起来
数字资产不能躺在数据库里,必须跑起来。汽车行业最核心的数据资产应用模式,是车端与云端的数据闭环,也常被叫做“数据飞轮”。
这个闭环的完整链路是:车端传感器采集数据→边缘端预处理→加密上传云端→数据清洗与标注→模型训练与评估→OTA下发新版本→用户车辆升级→新版本产生新的数据→回到起点。每一圈走完,模型都有改进,体验都有提升。智驾领域跑得快的企业,本质上都是把这条闭环跑得比别人快、比别人稳。
实操层面有几个关键点。车端采集要设计好触发策略——实时全量上传不现实,通常按场景触发,比如故障码触发、紧急事件触发、高价值驾驶场景触发。上传链路要可靠——断点续传、消息队列、失败重试这些基本功必须做扎实,否则数据链路稍微抖动一个月的数据就白采了。数据标注要提前布局——模型训练需要打标好的数据,早期可以人工标注,但规模大了必须建自动化标注产线。
数据闭环的组织保障同样重要。我见过最典型的情况是:车联网团队采集数据,算法团队训练模型,OTA团队负责下发,三个团队各干各的,整个闭环的效率取决于跨部门沟通的顺畅程度。麦肯锡报告里建议车企围绕数据闭环建立专门的“智能化运营团队”,从采集策略到模型迭代端到端负责,而不是把链条拆给三个KPI不一致的部门。
4.4 数据资产的运营与变现模式
数字资产建设不是公益事业,最终要落到商业模式上。基于目前行业里的实践,变现模式我按确定性排个序:
C端软件订阅最直接。高级辅助驾驶、自动泊车、座椅按摩加热、高性能模式解锁,都可以做成付费功能。这里的关键决策是硬件预埋——生产时就要把传感器、算力芯片装到位,哪怕用户暂时不买这个功能,也要保证后期解锁后体验不打折。硬件预埋的成本压力不小,但这是订阅商业模式的必要条件。
B端数据服务是第二条路。保险公司需要驾驶行为数据做UBI车险定价,电池回收企业需要电池健康数据,充电运营商需要车辆充电偏好数据,政府智慧交通平台需要车流路况数据。车企把这些脱敏后的数据做成标准产品输出,可以形成稳定的B端收入。这个方向的难点是数据定价和权益合规,通常需要跟法律团队一起做专门评估。
开发者生态是长期的第三梯队。造车新势力已经尝试开放车机API,让第三方开发者提供车控类的应用和服务。生态一旦规模化,平台抽成和流量分发都能变成收入。但生态冷启动极难,中小车企建议谨慎投入,更现实的做法是先通过小程序、轻应用的方式降低内容引入成本。
4.5 合规与安全:数字资产的红线
最后必须强调红线。数字资产管理任何时候都要把合规放在效率前面。车端采集的个人信息、位置信息、驾驶行为数据,涉及个人信息保护法和数据安全法,这就要求建立一套完整的管理机制:采集前明确告知并获得授权、采集过程遵循最小必要原则、传输过程全程加密、存储过程分类分级、使用过程有审计日志。
具体操作上有几点容易踩坑:用户授权页面不能藏在一堆条款里,要单独弹窗提醒,并写明用途;脱敏处理不能只做一次,数据在流转过程中要被反复校验;账号权限要按最小授权原则分配,数据仓库访问要有审批和审计链路;车辆的轨迹数据属于敏感个人信息,能不做车端定位采集就不要做,或者至少要做模糊化处理。
说实话,合规在短期内是纯成本,不见得给企业带来收入,但没有合规意识,一次数据安全事件就能把用户信任、品牌形象全赔进去。麦肯锡报告同样指出,在数字资产战略框架里,安全合规不是约束条件,而是入场门票——出过数据事故的企业,连做资产运营的资格都会被监管和用户双重剥夺。
| 变现方向 | 典型产品 | 关键前提 | 主要挑战 |
|---|---|---|---|
| C端订阅 | 智驾功能、座舱会员 | 硬件预埋、OTA能力 | 用户付费意愿、功能体验 |
| B端数据服务 | 驾驶行为评分、电池健康报告 | 脱敏合规、数据质量标准 | 数据定价、权责划分 |
| 生态服务 | 充电互联、智慧社区联动 | 生态合作、开放平台 | 生态规模、分润机制 |
| 降本增效 | 预测性维护、智能排产 | 数据质量、建模能力 | 组织协同、流程改造 |
5. 常见问题与排查技巧实录
5.1 投入产出怎么算账,数字资产的ROI怎么回答
做数字资产战略汇报,管理层问的第一个问题几乎都是:“投入这么多,什么时候能收回来?”这个问题没有任何一个咨询公司能给出完美回答,因为数字资产的建设是基础设施投入,不是单一项目。我的建议是不要把整个数字资产战略放到一个ROI公式里计算,而是拆成几个可以单独测算的价值点。
比如降本方向,预测性维护减少的售后索赔费用是可以量的;体验方向,智驾功能订阅的转化率和客单价是可以量的;效率方向,数据驱动的新品定义缩短的研发周期是可以量的。每一个价值点单独算ROI,整体组合起来回答“总投入是否合理”这个问题,比硬算一个大KP靠谱得多。
我和麦肯锡项目组做过类似评估,通常建议按5年周期来看数字资产的整体回报,同时设置两个前置指标:数据资产目录的覆盖率和核心数据链路的数据质量达标率。这两个指标虽然不直接等于收入,但它们是数字资产产生价值的前置条件,比孤零零的收入数字更能反映真实进度。
5.2 数据质量太差,脏数据堆成山怎么办
车企的数据质量问题极其普遍,尤其在早期。常见问题包括:不同车型的CAN信号定义不一致、时间戳精度不统一、传感器偶发异常值、网络断线导致数据缺口、同一字段在不同系统里含义不同。数据质量差的关键是,做数据资产运营和智能化应用之前,先把质量账算清楚。
解决思路分三步:先定义质量标准,明确哪些字段可以容忍缺失、哪些字段必须百分百完整、异常值的判定规则是什么;再做监控告警,数据质量规则配置成自动化检查任务,一旦指标跌破阈值就告警到责任人;最后设数据Owner,每个核心数据域指定一个业务团队负责质量解释和整改。
我自己踩过的坑是:千万别想着一次性把历史脏数据全部清洗干净,那是一个无底洞。正确的姿势是“新数据严进,旧数据先冻结”——从定义了新标准的这一刻起,新增数据必须达标;历史数据先标记质量等级,只对当前业务需要的部分做定向清洗。
5.3 组织墙拆不动,数据都在别人手里怎么办
这是所有车企做数字资产战略时最头疼的问题。研发说数据在自己手里,销售说用户数据属于自己,车联网部门说平台是自己的,谁也不愿意共享。组织墙的本质是权力和利益的博弈,技术手段解决不了这个问题。
我的实践经验是,破解组织墙最靠谱的方法是“让共享数据的人受益”。具体做法是把数据资产纳入各业务部门的绩效考核——生产部门贡献车辆生产数据,可以获得售后质量反馈的价值回报;市场部门贡献用户数据,可以换取产品定义和精准运营的支持。数据贡献得越多,数据消费者用得越好,贡献者获得的激励就越大,形成正向循环。
麦肯锡报告也专门提到这一点:数字资产治理的成功前提,是数据贡献者能够在共享后获得实际业务收益,否则靠行政命令迁数据,迁一次崩一次,最后只能得到一套无人维护的僵尸平台。
5.4 自研还是外购,数字资产平台的选型红线
最后一个高频问题是“买现成的还是自己造”。我的判断标准很简单:直接体现业务差异化的能力必须自研,基础设施类的可以外购。数据中台的底座、云基础设施、通用BI工具,市场上成熟产品太多,自研纯属浪费;但数据采集的策略、数据标签逻辑、业务指标口径、数据闭环的运营机制,这些都是企业独有的know-how,外包供应商没法替你做,必须自己掌握。
这里有一个普遍的低级错误:把“建立数字资产战略”当成“采购一套系统”。系统只是承重墙,真正让房子能住人的是水电布线、空间设计和居住者的生活习惯——对应过来就是数据标准、治理机制和运营团队。那些砸钱上了最贵的数据平台却用不起来的企业,多半是低估了“运营”的分量,高估了“工具”的杀伤力。
注意:外包项目最容易留下一个烂尾结局——供应商交付了平台和文档,但企业自己的团队没有真正参与底层逻辑设计,后续想迭代一点业务需求,发现根本动不了。务实的做法是:外购平台,但自建一个精干的“数据架构与治理小组”,全程深度参与交付过程,把人家的系统能力真正长到自己身上。
结尾:一点掏心窝的话
最后说点我做项目这几年的真实感受。数字资产战略听起来是个特别宏大、特别光鲜的词,但真正把它落地跑通的企业,靠的都不是什么玄妙超前的技术,而是日拱一卒的笨功夫——把数据标准定清楚、把采集链路做好、把质量管起来、把组织协同理顺。
我见过太多企业一上来就对标头部新势力的智能化功能,买算力、堆模型、做Demo,发布会开得风光,但内部数据连不了环、模型迭代只能靠买数据集的“伪进化”。麦肯锡报告里的三阶段路径,最核心的提醒是:数字资产没有捷径可走,先让数据流动起来,再让数据变成资产,最后才谈得上智能化的飞轮。
还有一个建议送给正在做这件事的人:不要把所有眼光都盯在“变现”两个字上。数字资产更大的价值,在于它让车企第一次有机会真正理解自己的用户、理解自己的产品在真实世界的表现。这份“理解”本身,就是在电动化、智能化时代活下去的底气。先把手里的一亩三分地耕好,再想种什么高价值的庄稼,方向对了,慢就是快。