三问汽车后市场,哪儿是歧途哪里是正道?
1月13日 红朱砂投稿 巨头纷纷入局汽车市场,但为何依旧没有多大的波澜?问题究竟出在哪?
作为几乎是最需要日常维护的工业产品,汽车销量的爆速增长也意味着汽车后市场的蓬勃发展。2亿左右的存量,月均接近200万辆的增量,都给了汽车后市场庞大的市场想象空间。
互联网、传统产业巨头自然不会放过这样的机会,阿里、京东、上汽等纷纷入局,更多的创业者更是蜂拥而上。然而,直到今天,不但大量中小创业平台在艰难度日或干脆退出,连巨头阿里旗下的某平台产品在线下大半年也没动静,其线上天猫旗舰店销量更是惨淡。
问题究竟出在哪?实际上,这不管是巨头还是创业者,都犯了这几个同样的错误,值得我们深度追问。
一问:流量到底有没有用?
某种程度上,互联网思维的本质就是流量思维。在各行各业都对互联网趋之若鹜的情况下,“互联网思维”俨然成了一顶人人都想戴的高帽子。然而,对汽车后市场来说,流量很可能是毒药而不是解药。
1、信任才是汽车后市场硬通货
在汽车后市场热潮兴起时,同许多其他互联网产品一样,烧钱成了关键词。一时间,一元洗车甚至零元洗车等各种奇葩活动层出不穷,许多企业指望一轮轮烧钱来快速抢占市场份额。
类似滴滴打车、美团这种产品,消费频次高、单次金额小,规模几乎代表一切,烧钱有它内在的道理。但是,汽车后市场中最主要的养护类服务消费频次并不太高,单次金额很多时候也比较大,尤其是汽车作为每个人在家庭、工作之外的第三空间,十分被珍视,此时,相对其他消费级产品,汽车后市场的客户更为理性,车主只有相信平台才会来养护消费,而洗车这类不太需要信任的服务又很少能够获得用户粘性。正因为如此,信任才是汽车后市场的“硬通货”,即便是作为互联网平台必须要建流量,也应该建立在信任基础之上,否则只是空架子。
行业内的案例中,上汽旗下的车享家异军突起的秘密就不在于流量(虽然流量也是行业领先),其对外号称的“新空间”商业战略,用CRM系统赋能门店做用户社群管理形成高价值用户洞察,更偏向于与车主的信任层面,来做到所谓的“情感即链接”,凭信任而不是流量立足。
2、互联网属性让位于专业服务
互联网流量思维,确切地说,主要应用于那些带有纯线上色彩的“互联网”行业身上。汽车后市场这种以线下服务为主的内容,其本质是“互联网”,二者的区别在于,是互联网属性更强,还是面对面的专业服务属性更强。
毫无疑问,汽车后市场必然是一个专业服务为主的领域,即便有互联网思维加持,即便对外宣传得如何线上化、便利化,消费者最终还是要看到专业服务,要对产品品质、维保服务认可。在汽车后市场这里,互联网属性让位于专业服务占据主导。
3、拼流量,拼的就是门店
汽车后市场是原本就存在的,即便没有互联网化,这个行业的发展、规模以及潜力都会随着汽车存量与增量而十分可观。换句话来说,互联网可能只是汽车后市场锦上添花的东西。
另外,综合前文所说,建立信任、专业服务更为重要,这也说明汽车后市场平台要拼流量其实最终拼的还是线下门店,过去,那些做得好的门店本来就自带流量,汽车后市场整体就蕴含着大量的线下流量,最大且唯一的入口就是门店本身,互联网化不能改变这一现实,也着实没有必要。
4、社区化让流量有低成本优势
那些不注重线下获取流量的领域,尽管看起来模式“轻松”,全网流量大把,而真实情况是,随着人口红利的结束,现在线上流量的价格越来越贵,一些APP产品更是爆出几十元次的安装成本。
情况出现了反转,线下获取流量的反而有了成本优势,尤其是基于就近服务关系的社区服务已经成为低成本的流量洼地。汽车后市场平台链接的门店,从社区服务的角度获取的“主动”流量,已经比烧钱求人安装使用的“被动”流量要更低成本且有效率。这可以说是汽车后市场做互联网自带的优势。
总而言之,汽车后市场平台必须重新审视流量在做产品中的价值定位,并在流量的获取方式上遵循区别于其他互联网产品的独有特征。
二问:增长模式到底应该遵循什么规律?
谈完流量,接下来就是产品模式的问题。汽车后市场平台是一件没有经验可供借鉴的事,大佬、创业者都经历过各种模式的探索,有成功更有失败,其中也可以寻到一些规律。
1、死的很多,但基本都是这四种“死法”
A、拖死。正如前文所说,早期大量的汽车后市场平台产品都从洗车切入,希望借低价甚至免费洗车先获得客户再转化到汽车养护这种高价低频的服务领域,然而,洗车类服务的低粘性、养护类服务的高技术要求都决定这个转化链条太过冗长,效率低下,最终被拖死。
B、快死。许多“一夜暴富”的互联网产品案例也给了汽车后市场平台一剂兴奋剂,一天一个城市、10天百万用户、2年上市宏图伟业的背后是未经统筹思考的快速资源消耗,最终跑得太快直接猝死。
C、贪死。一些平台明明在低频服务领域做得还可以,结果觉得还不过瘾,觊觎那些更高频率、更高利润的服务品类,例如钣喷业务,殊不知这类服务需要的资源投入量也更为巨大,最终“上不能上、下不能下”,贪死在路上。事实上,低频服务本身也能够获得很好,婚庆、二手房这些莫不如是。
D、累死。因为沾有O2O的特质,不少汽车后市场平台玩起上门补贴来作为突破口,想起来很美好,用户体验好购买意愿更强。实际操作结局却是人力成本、时间成本高企,做一单赔一单,因为场所和器具的限制用户体验也实在说不上好,最终费力不讨好,把自己给累死。
2、从死法来看,兼顾、融合才是“不死法宝”
四种死法无疑都带有某种程度上的偏执色彩,执着追求于高频、重模式、线下上门等。事实上,这也反映了“兼容并蓄”可能是汽车后市场平台的最好的活法:只要是利于平台健康发展的,高频和低频、高客单价和低客单价、轻模式和重模式、线下线上都可以相互搭配,比如可以把更换和修补轮胎、洗车等高频低单价服务和改装、车险等低频高价值服务搭配。
3、释放用户价值是应有之义
接第2点,很明显,汽车后市场里,试图以单个爆品来博市场的战略是行不通的,任何单品类项目均难以实现规模化盈利。此时,汽车后市场不从常规的互联网产品逻辑出发,而转而从用户角度思考价值的实现,显得更有必要。
在消费升级的大潮下,车主们作为“消费者”中的重要群体,其消费观念也必然很大的变化,对产品和服务的要求不再是“凑合”就行。于是,门店既需要用需求侧的思路根据消费者已经升级了的要求提供产品或服务,也需要用供给侧的思路挖掘消费者可能还需要但不自知的需求,从而提升平台的核心竞争力。从一些案例来看,既有用户想得到的汽车养护(需求侧),也有替用户挖掘的自驾游套餐,提前为用户的长时间复杂用车布局。
综上可见,失败者各有失败的原因,但能够走下来的平台一定有一些共通的特征,值得汽车后市场平台思考。
三问:口口声声的服务到底怎么做?
不管是那些败走的、苦苦坚持的,还是有所成就的平台,做好服务常常挂在嘴上,然而真正做好的并不多,否则市场上总会有一席之地,不至于大批死亡。
1、线下线上必须打通
一些汽车后市场平台本来是做线下的,开发个APP就要号称转型互联网,或者是空手套白狼只有个空架子APP,融到资了寻求线下门店合作,线上、线下的关系、服务的衔接并没有系统思考,其后果就是线上与线下体验的割裂。
也有些平台故意割裂线上与线下的关系,比如近日某平台在其官方微信上发布“拒绝提供网购车主到店安装服务”的声明,这看起来很正当,但给消费者的感觉终究不好。
这种割裂的可怕之处在于:线下的资源不能如实映射到线上,车主通过线上渠道不能实现线下一样的过程可监控。前者关系到线下线上的体系融合,是运营能力的体现,后者则关乎到APP的直接用户体验,毕竟,汽车服务不是外卖,叫好了就等着送餐就行了。
做好线下线上,并不是简单的任务安排到门店即可,继续以车享为例,一方面是线下网点、工位、工时、商品、技师等资源在线上,另一方面是在线上通过标准一致化、过程可视化、结果数据化让车主感到过程可控,通过服务可评价、商品可追溯、流程可回看让车主实现服务结果可循,这考验的是平台的数据链及业务链运营能力。
2、服务的本质是场景
汽车后市场要做服务,究竟要做什么?其实并不复杂,就是场景。
作为除了房子外,人们购置的几乎最大宗商品,汽车承载的生活内容非常多,其所应用的环境也十分复杂,这决定了汽车后市场的服务一定是跟随车辆使用场景进行的、具象的,做汽车后市场服务就是在围绕汽车场景做文章,与场景贴合、如影随形才能把服务做到车主的汽车生活中去,如此用户粘性自然不在话下。
以车享家为例,其宣称的围绕用车场景构建商业入口,形成商品场景化设计能力,铺开了类似季节(四季养护)、气候(漆面养护)、出行(自驾游套餐)、关爱爱车(车辆置换)等场景,本质上要做的,不过是通过场景把服务内化成车主汽车生活的一部分,那些所谓用户忠诚也就不必刻意求索了。
3、慢就是快,经营模式决定服务的品质
既然信任和专业服务这些属性比流量更重要,那么对汽车后市场平台来说,厚积薄发比大干快上可能更符合发展规律,在经营模式上,前期布好局,打好基础的“慢”,经历信任、专业服务、用户体验的积累后,最终会给平台带来的一定是“快”。
决定经营模式优劣的标准就是服务的品质,显而易见,控制力更强、理念更能够得到贯彻的直营模式或严格的加盟模式在保证“慢就是快”上更有优势,同时普通加盟模式在规模扩张上更有看头。一些号称行业领先的平台就是靠大包大揽的加盟模式做大的,也有一些企业先全自营做到最佳服务质量控制,而后通过严格的加盟模式图规模扩大的,这其实是一个长期利益与短期利益的抉择问题。
总而言之,风卷残云后,汽车后市场像一阵风刮过,留下一地鸡毛,大佬、创业者纷纷误入“歧途”。从目前相对领先的案例来看,对流量、增长模式、服务品质等重新思考,或许是许多汽车后市场平台从“歧途”走入“正道”必须做的事。
投诉 评论 产品经理周报第5期滴滴:美团做打车只是多一个竞争者而已昨日朋友圈被一篇名为《美团打车北京站》的文章刷屏了,此文似乎掀起了一场滴滴与美团的战争。而谈到与美团的竞争,程维引用成吉思汗战书:尔要战便战。在他看来,中国有350个网约车平台……
从阿冷的江湖到“土豪陷阱”:直播的后秀场时代从阿冷们的江湖到土豪们的陷阱,以陌陌为首的平台正在用积极的转型来回应市场对其未来增长的质疑。事情正在起变化。8月20日,陌陌公布二季报,净营收3。122亿美元,同比……
广播简史:从广告销售到内容付费,看喜马拉雅们如何破付费困局?内容变现最直接的渠道就是个人用户付费,作为音频内容的主要生产者,国外已有成熟的用户付费模式,可惜中国广播业无法复制。中国的音频行业已发展近百年,随着移动互联网的到来反而进……
1元优课0基础玩转各类型图表,写出升职加薪的年终报告无论各位是学生党还是白领,亦或者是行业精英领导层,2018年已经近在眼前,2017年的日历马上就要被丢进垃圾桶,saybyebye了But,但是,然而,我要提醒各位,你在……
前有劲敌,后有长鞭,新零售能帮口碑破局吗?口碑借“新零售元年”之势发力本地生活服务生态背后,又是如何打这个算盘的呢?近日,口碑官方披露的双12数据显示,2017年双12,全国总共有300多个城市的商家参与口碑双1……
新零售十一问,未来的路在哪里?未来五年一定是一个全新的时代,对零售商而言我们叫新零售,对消费者是新消费。在新零售这个概念上,各种流派与学说争奇斗艳,热闹非凡。前有马云的新零售,后有……
后海底捞危机:用过度服务换钱的时代结束了?海底捞的过度服务在时代的发展中渐渐地趋于平庸。从黄铁鹰的神作问世,关于这家火锅店的各式段子就在网上流传,比如这一条:我妈催我去相亲,无奈只好骗说找到女友。这周放高温……
快手的去low化困局:平台基因还能逆转吗?解铃还须系铃人,快手最终能否“君子豹变”还得取决于快手的反省及产品机制创新。在《羞羞的铁拳》中,被换身体的“马小”拿着自拍杆在海滩边直播“铁锅炖自己”,女汉子对满屏弹幕咆……
三问汽车后市场,哪儿是歧途哪里是正道?巨头纷纷入局汽车市场,但为何依旧没有多大的波澜?问题究竟出在哪?作为几乎是最需要日常维护的工业产品,汽车销量的爆速增长也意味着汽车后市场的蓬勃发展。2亿左右的存量,月均接……
运营如何升级打怪,才能做到管理层?运营如何做,才能打怪升级做到管理层?这个问题,来自一个同学的留言:如何才能往运营管理层发展?应该把每个运营岗位都做精透,还是只做精一个也可以?例如我做运营两年目前做……
AR营销能否再造一个风口?AR在经历波折之后,正在重新回归商业应用沉寂许久的AR行业在最近终于迎来一个爆炸性新闻。耗时六年,MagicLeap于圣诞前夕宣布首款硬件产品MagicLeapOne将于……
对话界面:聊天机器人的未来这篇文章的目的,是通过阐述对话界面(ConversationalInterfaces,CI)的一些基本概念说明对话界面和其他聊天机器人方法(如NLP和语音UI)的不同。文章最后……
预测技术智能化,机器学习是第一功臣历史上,预测的主流分析方法是使用数据挖掘的一系列技术,而这其中被经常使用的是一种被称为“回归”的统计技术。但是回归分析对于历史数据的无偏差预测的渴求,并不能保证未来预测数据的准……
应用层下的人脸识别(四):人脸研判作者根据多年人脸识别项目经验,总结了人脸识别技术在安防、商业领域应用及产品设计细节,汇总成应用层下的人脸识别系列文章。本文为系列文章的第四篇,从什么是人脸研判及人脸研判类型和应……
亚洲十大最恐怖灵异事件:件件骇人听闻重庆红衣男孩事件是怎么回1、泰国拉达村灵异事件拉达村原是泰国清迈的旅游胜地,30年前发生一起灭门惨案,凶手至今不知下落。灭门惨案发生后村民和游客开始纷纷遭遇匪夷所思的灵异事件,鬼地方之名不胫而走……
AI合成人脸你能分辨出哪个小姐姐是真的吗?AI合成真假难辨的人脸,在没看攻略之前,你还能正确地做出分辨吗?自2018年12月英伟达推出StyleGAN以来,合成人脸已经让人难以轻易分辨。特别是……
售后智能客服:店小蜜用户体验地图智能客服店小蜜就是聊天机器人中的一种,今天主讲应用于电商领域的店小蜜中NLP纯文本人机协助售后服务部分的用户研究。enjoy一、背景图灵在1950年提出“机器能思考……
AI产品经理数据模型设计文档(简版)目前数据、算法、AI产品经理岗位十分热门,本文写给想要入行这方面的新人们,带大家一起了解一下什么是数据模型设计文档。有一些产品童鞋不惜花很大的力量想要看看数据模型设计文档……
你们把AI吹上了天,但它却依然没4岁的小孩聪明四岁的孩子能快速识别出猫和理解单词的意思,他们也能做出创造性的、令人惊讶的新推断,这些推断也远远超出他们的经验范畴,而AI的学习能力和他们比相去甚远。有研究表明,人工智能……
想靠AI精准抄底,结果恐怕会让你怀疑人生开年后的股市,似乎迎来了一个春天,各路“股神”纷纷出面,声称用AI技术预测趋势教大家炒股。利用人工智能模型预测股市,真的会让散户们跑赢大盘赚到怀疑人生?经历了漫长熊市的A……
强化学习中,如何从稀疏和不明确的反馈中学习泛化?强化学习(RL)为优化面向目标的行为提供了一个统一而灵活的框架,在解决诸如玩电子游戏、连续控制和机器人学习等具有挑战性的任务方面取得了显著的成功。在这些应用领域中,RL算法的成……
MetaNMT:来自MAML与NLP的温柔救赎新神经机器翻译方法MetaNMT一经提出,就凭借其在低资源神经机器翻译上的优越性能表现而备受学界褒奖。MetaNMT的优异表现还要归功于MAML与模型无关的元学习,使得Meta……
巨头加持,AI养猪是不是一门好生意?阿里AI养猪、京东猪脸识别、网易猪场,一时间国内的的互联网巨头纷纷下乡改造,每家都声称自己投入了上亿。巨头加持会不会正改变养殖业的商业模式?其中又运用了哪些技术和方法?本文笔者……
机器学习决策树的生成过程是怎样?(一)本文笔者将用具体例子讲述决策树的构建过程,分析:决策树生成过程中有什么样的问题?一、基本概念决策树的定义:首先,决策树是一种有监督的分类算法即给定X,Y值,构……