兩個月前我曾寫過一篇同一主題的文章，當時重點強調為了适應智能電驅時代場景深度和寬度均在大幅增加的挑戰，車企需要改變過往配置直接承接使用者需求的定義模式，而是在場景層和實體層（配置）之間建構一個虛拟層，即原子服務，然後将原子服務作為車輛響應各種場景和需求的資源池，通過功能定義組織調用各種原子服務去響應場景層的各種變化。在這個思路指導下，能用算法解決的問題就堅決不用增加硬體的方案，反過來設計硬體之初就需要充分考慮到算法的要求。
因為産品定義的邏輯改變了，我們評價一款智能車産品競争力的邏輯也必須跟着改變。總體而言，在智能化變革仍在深入和加速的當下，我們了解和評價一款智能車産品競争力的邏輯必須滿足：
- 如何定義就應該如何評價，當然反之亦然。今天沖突的源頭在于市場風向和使用者需求都已經改變了，但很多車企的産品定義思路沒變。大家如果非要用舊時代的定義思路去審視新時代的産品，就必然出現雞同鴨講的尴尬局面。
- 智能化變革落地到産品定義領域，改變最大的就是軟體和硬體的關系，是以相關的産品競争力評價必須既要正确處理軟硬體的協同關系，又要分别針對軟體和硬體展開梳理。
- 智能車産品競争力評價不能是靜态的，也就是這個評價的不僅僅針對的是一個時間節點，而應站在這部車可以具備的更新潛力這個視角看，評價該車型未來一個時間周期内可以獲得的産品能力。
- 産品競争力雖然評價的是産品，但産品背後的車企更加重要。透過一家車企的作品看這家車企的戰略能力、邏輯能力群組織能力同樣是産品競争力評價輸出的關鍵資訊。
正因如此，SoCar在設計新的産品競争力評價模型時，才明确地把智能車解構為體驗層、場景層、服務層和實體層四個層級。這裡再簡單重複一下四個層級分别對應的評價标的：體驗層對應車企的品牌戰略和整體感受的營造方向；場景層對應車輛需要響應的各種使用場景和每個場景下面的使用者需求；服務層對應的是車輛的原子化的功能資源，也就是車輛在功能定義中可以被調用的資源；實體層則是指向車輛的具體配置或者硬體。
其中服務層，也就是原子服務的提出，除了可以解決軟硬體協作關系問題外，更是為了解決産品評價不是面向一個特定時點，而是需要兼顧未來相當一段時間産品更新潛力的問題。
因為服務層指向的并非确定的配置或者硬體，而是可以借助軟體去控制硬體達成的車輛控制目标（也就是某項配置能力），或者單純依靠軟體實作的某種車輛控制目标。是以服務層我們統計的隻是車輛具備的某些特定次元的能力，而非具體的實作方案。但這些能力又可以被應用在具體功能定義當中，形成承接場景和使用者需求的功能或功能組合。與此同時，車輛擁有某些原子服務，又不意味着目前已經充分使用了這些能力，未來可以通過持續的OTA或其他方式的更新疊代，陸續完善這些原子服務的排列組合方式、調用邏輯等，進行使用者體驗的優化。從這個角度看，原子服務既可以評價當下，也可以評價未來。當然評價結果更可以是非常具體的産品能力優化路徑，尤其是可以在不增加配置的前提下，實作更多功能。
那麼如何通過一台車的評價看清背後這家車企的戰略、邏輯群組織能力呢？
顯然借助各層資料的現狀和對應關系，尤其是跨層之間的資料對比關系，我們可以獲得更多洞察。
首先在體驗層，我們看的是一部車帶給使用者的整體價值和體驗感受，雖然這一層目前缺乏嚴格有效的量化評價方式，但這一層是最适合與車企品牌戰略對接的内容。
其次是場景層，場景層包含了場景覆寫與場景選擇兩個方向的問題。前者指向這部車可以應對的所有場景，也就是寬度問題，後者指向這部車具有優勢的、試圖創新和突破的場景，指向深度問題。顯然對于産品定位問題而言，場景層的選擇和取舍最能說明問題不過了。此外，把體驗層和場景層結合起來看，一款車選擇了哪些場景，然後在這些場景中兌現了什麼樣的體驗，以及這個背後是否合理、有效，最能展現這家車企品牌管理和産品策劃的能力，如果兩者是割裂的，背後一定意味着上述兩個智能團隊也是割裂的。
透過服務層，我們看一台車選擇提供了所有原子服務中的哪些，放棄了哪些，這就意味着該車型功能定義的機會傾向在了哪些方面。如果我們把場景層與服務層也結合起來看，服務層的取舍應當是用來支撐場景層所需的功能定義的。如果兩者不能比對，則說明該車企産品策劃與開發之間缺乏有效共識，或者說明該車型把資源投入到了錯誤的方向上。因為每個原子服務理論上都是需要投入成本的，需要投入哪些、投入多少，都是由該車型的産品定位和競争政策決定的。邏輯上，在産品定義過程中，企劃部門需要把場景選擇圈定好，然後依據場景選擇和場景排序鎖定所需的原子服務。然後研發部門再以實作所需的原子服務為目标，定義産品方案。
最後，到了實體層，每一個配置都可以被視為原子服務的提供方。在原子服務相同的情況下，實體層應當越簡約，也就是服務提供方的數量越少越好。如果車企的定義邏輯是由開發部門以達成确定的原子服務清單為目标，去收斂配置的話，理論上這一層最能考驗開發部門的水準和績效。如果我們把場景層、服務層與實體層結合起來分析，可以打開每部智能車支撐各種使用場景的産品應對邏輯，自然相關的問題和産品優化方向也可以梳理的更為具體。比如有些配置同時提供了多種原子服務，但其中一部分在場景層的使用效率非常低，或者基本沒有必要。那麼我們就可以嘗試剔除這些備援的配置能力，自然采購部門對于這些配置的選擇要求也就可以随之降低。此外通過這一層我們也可以看到每款車的成本能力。
以上僅僅是SoCar在過去幾年開展相關産品定義、評價和優化的基本邏輯。在具體操作過程中面臨的實際問題肯定比本文要複雜很多。是以真正應用上述邏輯，一方面我們需要一個完善的，按照上述邏輯建構的産品體驗對标資料庫，及時全面了解行業的整體水準。另一方面我們需要沉澱更多的案例，在沉澱案例的過程中積累實操經驗。針對資料庫建構的問題，SoCar的長期目标是要建設可以打通從場景發現、積累到篩選，然後将篩選出來的典型場景應用于産品對标評價（場景層的測試場景），進而跟蹤各場景所需原子服務和具體服務提供方（實體層）的完整資料鍊條。至少到目前為止，我們已經基本打通了上述幾大環節中最為關鍵的部分，也歡迎大家與我們一同打造和深化這種真正沿着智能車邏輯展開的“行業基礎設施”。
下一篇文章是硬廣，專門介紹我們已經成型的這些方法和工具。