汽車後市場的大資料在哪裡?我認為可能有三個來源。
其一是來自社交媒體。
微信、微網誌，這些平台會有大量文本資料、語音資料，經銷商與顧客的每一次交談、微網誌裡的每一條資訊、微信裡的每一次互動對話，通過合适的語音、語義挖掘，都可能發掘消費者與消費行為的相關關系。
其二是來自telematics系統。
未來幾年，telematics系統會成為汽車的标配，類似車載黑匣子的這類系統會自動記錄車輛的大量資料，由于這套系統會内置車主娛樂、社交、資訊系統，由機器記錄的資訊會讓廠商真正擁有大資料，如何分析這些資料會有很多新産業，比如根據telematics系統資料來研究擁堵問題，再比如根據機器記錄的緊急刹車和超速情況分析車主駕駛行為與車輛故障、交通事故出險率的相關關系，并籍此給車主提供更精準的使用建議或據此向不同使用者收取不同保費等等。
至于地理位置資訊、娛樂資訊、車主社交資訊這類資訊更是取之不盡的金礦，這就是telematics産業的朝陽産業屬性所在。
其三是來自保險行業。
總體而言，和保險相關的大資料來自兩個方面。
其一是基于obd的駕駛行為資料，這是在車輛沒有前備telematics系統的情況下，擷取使用者駕駛行為的重要途徑。
我記得此前有位微信的朋友送了幾個他開發的車載obd産品給我測評，我又找了汽車平面以及網際網路的編輯參與測評，一位編輯直言不諱地告訴我：我們找不到車主使用這個obd系統的必要性。此話不假，但如果車輛沒有裝備telematics系統的情況下，裝備obd有助于識别産生使用者行為的大資料，這是識别使用者特征的關鍵。随着telematics系統普及，車主再後裝obd意義确實不大，有位業内朋友甚至開發出破解廠商私有協定的obd裝置，他以此為榮，認為其他obd開發者都沒有這個功能，雖然這種破解有助于這種obd産品擷取更多車輛資訊，但也不足以讓使用者為此買單——知道更多對車主的意義何在呢?
保險行業的另一個大資料來源是保險理賠、定損的資料背景，這是本文探讨的重點。
行業内雖然有人保、太保、平安等諸多保險公司，但這些保險公司要完成車輛車險投保、出險定損是需要一個準确的資料平台來支撐的——目前在售的車型就有400多款，每款車型都有不同型号，每個型号又都有很長的更新曆史，要完成新車投保和續保，必須獲得每款新車不同時期的車輛殘值，這是投保的基礎——顯然保險公司不會拿汽車網站的資料做參考，它們寫錯了是不用賠償任何人損失的。
此外，車輛出現事故，要定損必須獲得每款車型的零部件價格、工時費價格，這是确定索賠金額的關鍵，顯然，不同地區的工時費是有差異的，不同維修企業、不同管道、不同品牌的零部件價格都是有差異的，這就意味着要讓定損的金額得到保險公司、維修企業、車主的三方認可，必須有個公道的第三方機構來确定定損标準，不同地區和業态的配件價格、工時價格就是必須收集和擷取的資料。
從這兩方面看，要獲得這些資料需要花費大量的人力和物力，單個保險公司去做顯然成本太高。一位業内朋友的來訪讓我明白，中國絕大多數保險公司、車企都從同一家資料供應商那裡獲得專業的資料、軟體和教育訓練服務，這是讓我這個後市場觀察者歎為觀止的事情。
我曾經研究過歐洲的後市場情況，那裡僅僅是做汽車原裝和後市場零部件的型号互換和報價查詢系統的就有多個資料供應商，而國内目前在做這個事情的當然也有，比如做o2o的創業者中就有聲稱通過幫廠商開發零部件管理平台而“灰色”地獲得了衆多廠商的零部件報價資料，一些保險公估公司也聲稱有這類資料，他們希望據此建立後市場入口，并借助入口開始o2o的探索。但對大多數要做o2o服務，或者對從事與後市場相關網際網路業務的創業者而言，基于準确的曆史車型資料、維修保養資料做出的服務産品才更有價值，僅靠汽車網站的資料是不足以為車主提供專業服務的。
我在此前的文章裡多次提及，如果誰希望成為網際網路汽車後市場的入口，曆史車型查詢、配件價格查詢、工時查詢、正常保養價格查詢都是必須要提供的基礎服務。有了這個基礎，任何後市場創新才有可能做到專業。眼下看，似乎産業内隻有我上面提到的這家公司有可能在現有資料的基礎上增加正常保養資料庫之後做出這種資料引擎。
我相信，一旦這家公司做出後市場的資料查詢引擎，他會更願意開放平台，讓更多o2o應用開發者基于這個資料平台建立更多有趣的後市場應用——這是其資料權威性得以建立的基礎。這樣一來，更多本地化的o2o企業可以專注于本地維修網絡的發掘和合作模式創新，專注于擷取使用者，專注于撮合線上交易，專注于增加交易達成率，無需再為基礎資料庫更新投入資源。當然，不排除會有競争者加入這場資料引擎大戰，因為保險正是基于大資料的預測來盈利的。與保險相關的事故車維修是幾乎所有維修企業的利潤主要來源。而保險、事故車維修又與二手車交易息息相關。這意味着保險背後的資料撬動的是整個汽車售後服務産業鍊，誰能抓住這個大資料的機會，誰才能真正拿到汽車後市場網際網路盈利的船票。
<b></b>
<b>原文釋出時間為：2013-08-7</b>
<b>本文來自雲栖社群合作夥伴“大資料文摘”，了解相關資訊可以關注“bigdatadigest”微信公衆号</b>