受益于顶层设计以及政策支持，同时在中国庞大市场需求和优越新能源自然禀赋的支撑下，中国新能源行业正在快速发展，身处该市场的企业在爆发趋势中也面对着激烈的竞争，数智化转型成为新能源企业的关注热点，对于打造企业竞争优势具有重要影响力。
10月25日-26日，「让业务用起来·观远数据2022智能决策峰会暨产品发布会」云上直播圆满举办！20位大咖齐聚，2天干货分享，20000+观众线上参会共享“数智盛宴”，与来自零售消费、金融、互联网、高科技10+行业的世界500强企业高管、先进企业业务与技术决策人、数字化实践先锋企业数据从业者、行业KOL一起，远望趋势，近探实践，榷论方法，深掘价值，共探“让业务用起来”的数智创新与增长路径。
星星充电数据中台总监潘伟老师莅临云上直播，带来《BI+AI撬动产业互联网企业实现数智化转型》主题分享。作为全国三大电动汽车充电设备运营商之一，星星充电在数智化转型方面有着领先行业的实践成果。潘伟老师分享了星星充电与观远数据的成功实践案例，通过巧妙融合BI+AI，打造智能运维、智能选址、智能营销、智能诊断等数智化工具，让数据拥抱业务，让智能决策“看得见”“快而准”，实现高效运营，降本增效，带来131%的直接业务增长。
以下为星星充电数据中台总监潘伟老师分享实录：
大家好，很荣幸有机会受邀参加这次由观远数据组织的智能决策峰会。今天我给大家分享的主题是《BI+AI撬动产业互联网企业实现数智化转型》。首先还是要感谢一下观远数据，在我们星星充电实现数字化、智能化转型升级的过程中，始终陪伴着我们数据团队一起成长，一步一步地朝着我们共同的目标前行。
大家都知道，新能源行业目前正处于一个快速上升的通道。最新的乘联会8月报告中，我们可以看到中国市场的汽车销售中新能源车型的渗透率已经达到了惊人的30%。
万帮数字能源是一家专注于新能源汽车充电设备研发、制造、运营的企业，我们的核心品牌是星星充电。如果大家平时经常开电动车的话，很可能在我们新运营的充电场站有过这样的充电体验。目前，星星充电已经发展成为全国三大电动汽车充电设备运营商之一。我们企业的愿景是共建全球最大移动能源网，我们一直贯彻的是一套“云管端”的高度数字化协同的运作模式。
今天想重点给大家分享的是我们在具体的数字化赋能落地项目当中总结出的一些经验。
首先，我们发现不同的业务需求、不同的项目阶段，我们都需要找到一个最合适的数据赋能方式，例如通过BI看板、数据驾驶舱能够解决运营同学和业务同学看数据的需求。我们在提供一些智能化的数据解决方案的时候，需要充分利用到算法同学AI的能力。在最终的大范围的数据赋能的推广过程中，我们则有可能会用到数据产品的支撑，让业务同学能够更方便地使用数据工具。
因此我想先分享一下星星充电的技术架构、组织架构，它们在数据赋能中起着非常重要的支撑作用。
这张图是星星充电的业务技术架构图。大家可以看到我们有一个非常庞大的中台团队，支撑下游各种产品线、各种系统。我们的中台团队又由业务中台、数据中台、算法中台组成。其中，数据中台承载的是整个集团的数据仓库、数据集市、BI分析平台、指标体系、标签体系、埋点体系等基础数据服务的职责。算法中台则针对不同的业务场景，提供相应的项目智能选址、精准营销、智能定价等数据模型。
在这些中台的支撑下，我们能够通过产品化、系统化的方式，给到业务同学、给到我们的客户足够的数据化支撑。并且，有了这样的技术架构和对应的组织架构，我们就能把最合适的人放在最合适的位置，去做最正确的事情。所以这是非常重要的。在我们后续很多智能化的项目当中，我们也看到一个清晰的技术架构和组织架构，能够起到事半功倍的作用。
接下来，我会具体分享一些数据赋能的案例。
一、智能运维
星星充电一直说的智能运维，其实有一个自有的公式：智能运维=设备数字化+故障模型化+运维数据可视化+闭环验证，以此组成了一整套智能运维解决方案。
星星充电在全国各地的充电基础设施、充电设备都是智能设备，每一次客户充电都会把相应的充电过程数据（比如电流、电压、充电枪的温度等信息）实时上传到我们的充电平台，离线数仓和实时数仓能够及时收集这些数据，并借助大数据技术，进行大数据量的批处理，得到一个相应的处理结果。
有了这些数据之后，我们的算法同学、运维分析师会基于历史各种设备的异常情况做模型化的研发，使之能通过一些特征数据预测到设备可能已经产生的一些异常，或是可能存在的故障风险。最终，通过监控大屏，进行实时观察，借助异常告警、自动工单等数据产品，将整个运维体系进行了一个非常大的升级。这是星星充电一个典型的通过数据和算法改变业务模式的案例。
传统的运维模式是当我们的充电用户到了一个场站，他发现有些设备不能充电，或者他已经插上充电枪之后突然发现坏了，一般这种时候用户会打400客服电话投诉，会通过差评等方式反馈到我们的平台，运维人员再被动式地到这些已经坏掉的设备上进行修复，这样的用户体验非常不好。
而我们有了智能运维解决方案后，就能够早于我们的客户去提前发现可能出现问题的设备，并通过自动工单的方式，让运维同学能够及时对异常设备进行检修和修复。这样能够大幅提升用户体验，提升用户的充电成功率，提升用户满意度。
二、智能选址
在零售消费、餐饮茶饮等很多行业，都有智能选址的需求。星星充电是通过以下四个步骤，实现了自有的针对充电场景的一整套一站式智能选址解决方案。
1、供需分析
首先，我们在全国各地的投建人员都可以通过移动端BI看板，看到自己所处区域的充电供需情况：这片区域大概有多少新能源车在路上开？已经投建了多少充电场？从供需侧的角度来看功率匹配度如何？从宏观层面，它能够让我们的投建人员知道在哪些地方需要加大投建力度，在哪些区域可能已经达到供需平衡甚至供给侧的饱和。
2、精准选址
从微观维度，具体到从某一个街道到某一个门头，这里是否适合投建一个场站，这涉及到很多影响因子，比如地段、场地的客流量、周边的配套设施。这种大量的、多因子的影响因素的分析场景，其实非常适合用类似机器学习的算法能力，搭建模型，给到精准的选址建议。星星充电的算法团队也是基于这样的一套充电业务，研发了我们独有的充电场站的选址算法模型，为打造能够给用户提供更便利体验的充电网络提供了数据上的支撑。
3、投资测算
充电站的投建，本身是一个重资产的运营模式，除了考量用户的便利度之外，我们也会非常关注投入这么多钱建的电站是否能够达到盈利预期、回收周期是否在目标范围之内等。因此，基于我们的测算分析师做的场站盈利模型，我们上线了一套基于BI的投资测算系统，可以让我们通过BI的快速配置，看到每一个候选位置的收入、盈利预测周期。
4、自动化工具
为了更好地让我们的投建业务人员能够将一整套智能选址用起来，我们又通过前述的不同的数据方式，把前面的三步打包成了一个完整的一站式选址工具。在这个数据产品里，涵盖了供需分析、选址模型、投资盈利模型，并且我们给这个充电场站选址工具起了一个非常优雅的名字，叫做智慧女神“Cynthia”。通过这个智能选址工具，大幅提升了我们在全国充电场站投建的效率。
中国充电联盟9月最新的权威报告中显示，目前在公共充电领域，星星充电已经做到了供给侧第一名。
三、智能营销
智能营销也是一个大家经常提到的活跃话题，在我们充电运营领域，同样有类似需求。我们的运营人员经常会提一些问题，比如星星充电平台重点用户究竟是一些怎样的人群？当用户打开APP的时候，我们的APP应该给用户推荐什么样的最匹配的充电站？为什么我们平台会有一定比例的流失用户？当我们在做营销活动的时候，应该给不同的客户去发什么更适合他们的优惠券？
最终，我们会回归到一个本质的问题：怎样通过数据和算法提升整体的营销ROI。
其实，要回答这么多问题，第一步要做的是不管是分析师还是运营同学，一定要真正了解用户。所以，我们的数仓工程师和建模工程师搭建了一整套用户标签体系，构成画像中心。
目前我们的平台上已经有700万注册用户，针对这些用户的日常充电数据，打上了各种各样的标签，比如用户偏好在什么时段充电，用户过往在一些营销活动中的参与情况如何，是否是高价值用户，是否存在潜在流失风险等等。做过标签体系的同学应该知道，整个用户标签体系其实是一个非常重的系统，所有标签打在每一个用户身上，用户量大，计算量也非常大。很多时候我们会发现，当用户画像系统搭建完成后，这个系统的分析想让我们的业务能用起来并不是一件容易的事情。面对海量的标签、海量的数据，我们需要找到一个确实有效的方式，让大家能够把用户画像用起来。
为此，我们基于观远数据自助式BI的特性，首先通过BI实现了用户圈选的功能，让任意一个运营人员都可以通过BI选到他希望关注的人群，再经过一系列用户洞察的BI看板，针对这部分人群，快速了解他们的行为习惯。让我们的分析师、运营人员甚至算法同学，都能够非常快速的了解当前在我们平台上充电的不同类型的用户所具有的不同的充电行为习惯。
我们发现，当我们完成了这些底层的基础支持后，剩下的事情就不再复杂。我们可以针对特定的人群，通过用户画像找到合适的推荐算法、决策算法、定价算法，让我们的用户在打开APP的时候，能够马上看到最适合他去的充电场站，能够告诉他每一个场站的闲忙情况，避免用户在他希望充电的时段，到了某个场站还需要排队，影响用户的充电体验。同时，我们在做一些优惠活动的时候，也可以给到用户更需要的满减券或其他不同优惠券。
所以，当我们通过用户标签体系、通过观远数据自助式BI、通过用户洞察做到深度分析之后，我们就可以相对快速的针对不同人群，通过算法给到精准化、精细化的服务，让充电这件事情变得更加便利。
四、智能诊断
我们还有一个项目是针对充电场站的一整套智能诊断解决方案。在目前全国各地的场站中，有些场站运营的非常好，经营情况也很不错，但是也有很多场站的利用率相比平均水平有较大差距。针对这么多的场站，我们希望能够有一套标准化的诊断，通过数据层面找到当前的一些经营问题，并且最终能够提供一些智能化的解决方案。
1、三个“痛点”
在这个项目过程当中，我们遇到了很多数据人都会经常遇到的三个“痛点”：
◆ 难以从数据中找到问题的根因
首先就是我们是不是真的能够通过数据精准找到问题。比如这个场站当前是低效经营的状态，利用率低，究竟是什么原因？在我们初期的模型中可能不一定能够找到问题，不能精准定位问题。一个很大的原因是我们当前并没有足够细的数据颗粒度和足够全面的数据维度去支持进行全面分析。所以，在这个过程中我们其实在不断地细化BI诊断看板的数据颗粒度。
此外，对数据团队来讲，一个非常重要的职责就是持续推进整个集团的业务信息化和触点数字化。我们要告诉产品团队和业务团队需要把哪些数据收集上来，需要做哪些埋点。这是一件不那么容易做的事情，但是我认为数据团队需要有这样的意识，去完善整个集团的数据全面性和数据准确性。
我也非常鼓励我们的数据分析师和所有数据人去更多地走进业务，在一线寻找真相。比如在电站智能诊断的项目中，我们很多数据分析同学就是到了一线的重点场站里，通过自己亲眼观察，看到这些做得好的场站，到底是哪些地方做的比其他场站更好，而那些低效场站，它们的问题到底是因为怎样的原因。
举一个小小的案例，我们发现充电场站是否有雨棚这件事，对这个场站的使用率是有非常大的影响的。尤其是在下雨天，如果没有雨棚，一旦下雨，对于充电用户来讲就很非常不方便。而雨棚和使用率的关联，一开始是很难通过我们现有的用户充电行为数据去发现这一问题的，就真的需要我们深入的了解业务，去做实地考察，才会发现有这样一个维度会对最终结果产生影响。最终我们把“有没有雨棚”这件事也做了一个结构化和数据化的演进，通过 一些线下的实勘工具，将这一属性也打到了常见的标签中。但这本身其实是因为我们提前发现了这样的维度，才有了后面数字化的动作。
以上是我们在第一阶段常遇到的一个问题。
◆ 缺少解决问题的落地方案
当我们完善数据能够找到问题之后，就会面临第二阶段的新问题，即能够找到问题，但是无法提供具体的解决方案。这也是我们智能诊断工具经常容易受到挑战的方面，如果只能发现问题而不能提供解决方案，整个工具的价值就会大打折扣。
星星充电解决这一问题的方案，首先是针对不同运营环节，将现实世界、物理世界当中的一些场景进行“模型化”。只有将这些环节“模型化”之后，后续才能通过算法去提升模型的效率，找到每个模型的最优解。当我们实现“模型化”之后，通过相关算法的一些研发，能够智能推荐可量化的策略提供给运营同学，告诉他们应该在什么时间节点做什么事，做到什么样的程度。这其中有一个模型化思维，是一个非常大的话题，后面我会进行一些简短的分享。
◆ 数据和AI使用成本高，推广慢
当我们完成第二阶段，即能够发现问题并能够给到针对性的解决方案之后，在第三阶段去落地和推广的时候，就会发现有时我们的运营人员、业务同学可能并没有我们想象当中那么容易接受这些新兴的数据产品和智能化解决方案。大家在长期的业务操作过程中，都会养成一些固化的行为习惯、业务运作方式，当你告诉他今天你可以用不一样的方式、用数据化智能优化的方式，去改变原先的运维策略、经营动作时，往往会遇到一些阻力。
我相信我们数据人应该很多都会有一些类似的经验或体验。我也认为解决这个问题确实没有太多捷径可走。
首先，作为数据人，我们一定要时刻保持数据赋能的信念，要相信在绝大部分场景下算法一定是能够比人为的、带主观因素的分析更客观、更科学、更精准，这件事一定是对的。我们其实是值得花更多的沟通成本、时间，去把这样的理念和思维方式慢慢的带给运营和业务的同学，让他们接受。
并且，我们一定要注意，在推广数据工具、数据产品时，要注重BI等数据工具的简洁性，化繁为简。一定不能将其做的太复杂，要尽可能的简化，一键选址、一键定价、一键营销，让它变成一个很容易操作的事情，这是一个注意点。
最后，我们也鼓励不要一开始就做大范围的试验，而是做一些小范围的，比如某一些区域或在多个业务环节中选某一两个环节，尝试MVP最简可行化的产品试验方法。当我们在小范围的试验当中拿到一些正向反馈和结果的时候，就可以用这些正向的案例去做更大范围的推广，往往这个时候会比一开始就在大范围内试验顺畅很多。
2、针对性提效方案
在星星充电的电站智能诊断项目过程中，我们主要用到了两个方法论：
◆ 指标化分析
针对场站经营的是好是坏，或者在某些方面的经营状况，我们提炼了非常多的数据指标，通过指标可以更好地量化它当前实际的运营状态；
◆ 模型化思维
当我们知道了这个电站存在的问题后，我们就像前述的将每一个运营环节做了模型化的转换，只有将现实问题转化成结构化的数字模型，才能在后续通过算法提供针对性的解决方案。
这里有几个典型的将常见的数据模型应用到充电场景以分析不同电站问题的案例，例如：
◆ 通过RFM模型，将充电用户做了一个价值分类；
◆ 利用波士顿矩阵，将电站分为明星电站、金牛电站、瘦狗电站和问题电站四个象限，针对不同的象限，可以采取差异化的营销策略；
◆ 通过帕累托图，每天用这个看板实时观测我们有哪些头部场站、哪些长尾的低效场站，针对不同场站类型，去制定针对性的优化策略；
◆ 还有大家都知道的漏斗模型，我们也有相应的一套BI体系，针对不同的转化率，比如注册之后是否会产生首次充电的首充转化率，以及复充转化率、会员转化率等，借助漏斗分析来发现当前场站在哪一个环节、哪一个转化率上有比较大的提升空间。
当我们将很多现实的场站问题模型化之后，算法同学就可以基于模型的输出，找到每一个模型通过什么样的方式能够达到最优状态，并借助机器学习去发挥它的作用。BI工程师和数据分析师则会通过对于业务的了解、与业务人员的沟通，以及一些实际场景的勘察，结合模型化思维，最终通过BI进行问题的清晰呈现。
3、直接的业务增长
最后，给大家展示一下我们通过电站智能诊断工具，真正意义上、实实在在带来的直接的业务增长。这里我以上海的一个充电场站为例，我们首先通过智能诊断工具对这个场站进行了一轮分析，因为我们发现当前这个场站的利润情况是明显低于全国平均水平的。通过智能诊断，我们发现了两个问题：
◆ 其一，从供给侧来看，我们发现这个场站处于较好的地段，周围有很多潜在充电客户，所以当前它的充电用户量是有一定的提升空间的。我们从智能诊断工具里找到了相应解决用户增长问题的一些工具包，例如智能拉新营销活动等，想办法让它在用户体量方面达到增长。
◆ 其二，我们发现影响这个场站收益情况的更大的问题点在于成本方面，尤其是设备的运维成本远高于全国平均水平，于是针对降本增效这一方面，我们也给到了具体的建议。
所以，在整个8月份，我们其实主要做了两件事：
1. 通过智能拉新的营销工具包，进行了用户增长方面的尝试；
2. 是以降本为目标，进行了运维成本的优化。
可以看到，最终整个8月份我们的充电用户月活提升了近25%，通过智能拉新的营销手段确实提升了这个场站的用户体量。同时，整个电站的成本也大幅优化了60%左右。两者相结合，最终整个电站当月利润相较于7月份实现了131%的显著增长。
在8月份完成了这两个动作之后，我们继续使用电站智能诊断工具进行进一步的分析，于是发现我们还有其他的机会点：
◆ 其一，我们的用户体量现在可能已经达到了相对满意的状态，那么8、9月份重点要做的一方面就是通过营销手段去保住月活，不让8月的用户有大的流失；
◆ 其二，我们发现相比于一些同类型的场站，这个场站的用户充电频次还有提升空间，因此我们又调用了智能工具包里的提频工具，给到我们提频营销上一些策略推荐，发放了一些提频券，并保持8月份成本优化的成果。
在9月份针对性地进行了保月活和提频率的智能措施后，最终在维持较高的月活体量之上，我们将用户的充电频次提升了15%左右。这为我们的电站带来了更多的订单，因此9月份的最终利润收入相比8月份，又有了38%的提升。
这是一个非常典型的通过数据和算法赋能到业务，并最终带来真实业务增长的案例。我相信每一个数据人在达到这样的成果时，都会感到自豪和欣慰。今天的分享也到此结束，谢谢大家。
关注微信
