汽车销售聚类分析

1、数据挖掘的应用领域有哪些

数据挖掘的应用非常广泛，只要该产业有分析价值与需求的数据库，皆可利用数据挖掘工具进行有目的的发掘分析。常见的应用案例多发生在零售业、制造业、财务金融保险、通讯及医疗服务：
(1)商场从顾客购买商品中发现一定的关联规则，提供打折、购物券等促销手段，提高销售额；
(2)保险公司通过数据挖掘建立预测模型，辨别出可能的欺诈行为，避免道德风险，减少成本，提高利润；
(3)在制造业中，半导体的生产和测试中都产生大量的数据，就必须对这些数据进行分析，找出存在的问题，提高质量；
(4)电子商务的作用越来越大，可以用数据挖掘对网站进行分析，识别用户的行为模式，保留客户，提供个性化服务，优化网站设计；
一些公司运用数据挖掘的成功案例，显示了数据挖掘的强大生命力：
美国AutoTrader是世界上最大的汽车销售站点，每天都会有大量的用户对网站上的信息点击，寻求信息，其运用了SAS软件进行数据挖掘，每天对数据进行分析，找出用户的访问模式，对产品的喜欢程度进行判断，并设特定服务，取得了成功。
Reuteres是世界著名的金融信息服务公司，其利用的数据大都是外部的数据，这样数据的质量就是公司生存的关键所在，必须从数据中检测出错误的成分。Reuteres用SPSS的数据挖掘工具SPSS/Clementine，建立数据挖掘模型，极大地提高了错误的检测，保证了信息的正确和权威性。
Bass Export是世界最大的啤酒进出口商之一，在海外80多个市场从事交易，每个星期传送23000份定单，这就需要了解每个客户的习惯，如品牌的喜好等，Bass Export用IBM的Intelligent Miner很好的解决了上述问题。

2、数据挖掘的数据分析方法有哪些

回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等， 它们分别从不同的角度对数据进行挖掘。 ①分类。分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。 ②回归分析。回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。 ③聚类。聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。它可以应用到客户群体的分类、客户背景分析、客户购买趋势预测、市场的细分等。 ④关联规则。关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。在客户关系管理中，通过对企业的客户数据库里的大量数据进行挖掘，可以从大量的记录中发现有趣的关联关系，找出影响市场营销效果的关键因素，为产品定位、定价与定制客户群，客户寻求、细分与保持，市场营销与推销，营销风险评估和诈骗预测等决策支持提供参考依据。 ⑤特征。特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。如营销人员通过对客户流失因素的特征提取，可以得到导致客户流失的一系列原因和主要特征，利用这些特征可以有效地预防客户的流失。 ⑥变化和偏差分析。偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。在企业危机管理及其预警中，管理者更感兴趣的是那些意外规则。意外规则的挖掘可以应用到各种异常信息的发现、分析、识别、评价和预警等方面。 ⑦Web页挖掘。随着Internet的迅速发展及Web 的全球普及， 使得Web上的信息量无比丰富，通过对Web的挖掘，可以利用Web 的海量数据进行分析，收集政治、经济、政策、科技、金融、各种市场、竞争对手、供求信息、客户等有关的信息，集中精力分析和处理那些对企业有重大或潜在重大影响的外部环境信息和内部经营信息，并根据分析结果找出企业管理过程中出现的各种问题和可能引起危机的先兆，对这些信息进行分析和处理，以便识别、分析、评价和管理危机。
来源:数据堂

3、数据分析方法有哪些

一、描述性统计
描述性统计是一类统计方法的汇总，揭示了数据分布特性。它主要包括数据的频数分析、数据的集中趋势分析、数据离散程度分析、数据的分布以及一些基本的统计图形。
1、缺失值填充：常用方法有剔除法、均值法、决策树法。
2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以在做数据分析之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。
二、回归分析
回归分析是应用极其广泛的数据分析方法之一。它基于观测数据建立变量间适当的依赖关系，以分析数据内在规律。
1. 一元线性分析
只有一个自变量X与因变量Y有关，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。
2. 多元线性回归分析
使用条件：分析多个自变量X与因变量Y的关系，X与Y都必须是连续型变量，因变量Y或其残差必须服从正态分布。
3.Logistic回归分析
线性回归模型要求因变量是连续的正态分布变量，且自变量和因变量呈线性关系，而Logistic回归模型对因变量的分布没有要求，一般用于因变量是离散时的情况。
4. 其他回归方法：非线性回归、有序回归、Probit回归、加权回归等。
三、方差分析
使用条件：各样本须是相互独立的随机样本；各样本来自正态分布总体；各总体方差相等。
1. 单因素方差分析：一项试验只有一个影响因素，或者存在多个影响因素时，只分析一个因素与响应变量的关系。
2. 多因素有交互方差分析：一顼实验有多个影响因素，分析多个影响因素与响应变量的关系，同时考虑多个影响因素之间的关系
3. 多因素无交互方差分析：分析多个影响因素与响应变量的关系，但是影响因素之间没有影响关系或忽略影响关系
4. 协方差分祈：传统的方差分析存在明显的弊端，无法控制分析中存在的某些随机因素，降低了分析结果的准确度。协方差分析主要是在排除了协变量的影响后再对修正后的主效应进行方差分析，是将线性回归与方差分析结合起来的一种分析方法。
四、假设检验
1. 参数检验
参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验 。
2. 非参数检验
非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一般性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。
适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。
1）虽然是连续数据，但总体分布形态未知或者非正态；
2）总体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；
主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。

4、营销数据分析的作用

1．对用户个体特征与行为的分析
只有积累足够的用户数据，才能分析出用户的喜好与购买习惯等，甚至做到“比用户更了解用户自己”。这是大数据营销的前提与出发点，也是最核心的价值。无论如何，那些过去将“一切以客户为中心”作为口号的企业可以想想，过去你们真的能及时全面地了解客户的需求与所想吗？或许只有大数据时代这个问题的答案才会更明确。如果能在产品生产之前了解潜在用户的主要特征，以及他们对产品的期待，那么你的产品一定投其所好。例如，Netflix在近投拍《纸牌屋》之前，即通过大数据分析知道了潜在观众他们最喜欢的导演与演员，结果果然捕获了观众的心。又比如，《小时代》在预告片投放后，从微博上通过大数据分析得知其电影的主要观众群为90后女性，因此后续的营销活动则主要针对这些人群展开。
2．数据分析是保证广告与营销信息的精准推送
过去多年精准广告与营销总在被许多公司提及，但是真正做到的少之又少，反而是垃圾信息泛滥。究其原因主要就是过去名义上的精准广告与营销并不怎么精准，因为其缺少用户特征数据以及详细准确的分析。而现在的RTB广告等应用则向我们展示了比以前更好的精准性，而其背后靠的是大数据支撑。面对日新月异的新媒体，特别是社会化媒体，企业想要做到品牌传播的有效性就要通过对粉丝的公开内容和互动记录分析，将粉丝转化为潜在用户，激活社会化资产价值，特别是对潜在用户进行多个维度的画像，此时大数据分析可以精准了解活跃粉丝的互动内容，关联潜在用户与会员数据，关联潜在用户与客服数据，从而有效地筛选目标群体做到精准营销。
3．数据分析才能实现对竞争对手的有效监测
竞争对手在干什么是许多企业想了解的，即使对方不会告诉你，但你却可以通过大数据监测分析得知。通过大数据分析找准方向，例如，可以进行传播趋势分析、内容特征分析、互动用户分析、正负情绪分类、口碑品类分析、产品属性分布等，也可以通过监测掌握竞争对手传播态势。基于大数据的分析与预测，对于企业家提供洞察新市场与把握经济走向都是极大的支持。例如，阿里巴巴从大量交易数据中更早地发现了国际金融危机的到来，从而做好防犯。
4．数据分析可以监测品牌危机以及提供化解危机的支持
新媒体时代，品牌危机使许多企业谈虎色变，然而大数据可以让企业提前有所洞悉。在危机爆发过程中，最需要的是跟踪危机传播趋势，识别重要参与人员，方便快速应对。通过大数据可以采集负面信息内容以便及时启动危机跟踪和报警，按照社群的社会属性分析，聚类事件过程中的观点，识别关键人物及传播路径，进而可以保护企业、产品的声誉，即抓住源头和关键节点，快速有效地处理品牌危机。
5．大数据分析可以有效地改善商品用户体验
改善商品用户体验，关键在于要真正了解用户及他们所使用的你的产品的状况与感受。例如，在大数据时代或许你正驾驶的汽车可提前救你一命，因为只要通过遍布全车的传感器收集车辆运行信息，就在你的汽车关键部件发生问题之前，会提前向你或4S店预警，这决不仅仅是节省几个金钱，而且对保护生命大有裨益。事实上，美国的UPS快递公司早在10年前就利用基于大数据的预测性分析系统来检测全美UPS快递公司60000辆车辆的实时车况，以便及时地进行防御性修理。

5、SAS统计分析标准教程的图书目录

第1章 SAS基本操作
1.1 SAS的常用界面
1.2 菜单功能简介
1.2.1 Assist模块
1.2.2 Desktop模块
1.2.3 Analyst模块
1.3 SAS编程基础
1.3.1 SAS语句的基本结构
1.3.2 SAS语句的数据步骤
1.3.3 SAS语句的过程步骤
1.3.4 SAS语句的运行与调试
1.3.5 SAS编程的控制语句
1.3.6 SAS/IML语言简介
习题
第2章 建立数据文件
2.1 图形界面建立数据集
2.1.1 逻辑库与数据集概述
2.1.2 Analyst建立数据集
2.2 DATA步骤建立数据集
2.2.1 直接输入数据
2.2.2 格式化输入
2.2.3 从文件读入数据
2.3 导入外部数据
2.3.1 使用向导导入
2.3.2 使用IMPORT语句
习题
第3章 常用的数据文件操作
3.1 数据集的编辑与整理
3.1.1 复制数据集
3.1.2 增加变量
3.1.3 筛选变量
3.1.4 更改变量属性
3.2 数据集排序
3.3 数据集的拆分与合并
3.3.1 数据集的拆分
3.3.2 数据集的纵向合并
3.3.3 数据集的横向合并
3.4 数据集的筛选
3.4.1 Analyst筛选数据集
3.4.2 DATA步骤筛选数据集
3.5 数据转置
3.6 使用Datasets步骤管理数据集
习题
第4章 描述性统计分析
4.1 描述性统计分析简介
4.1.1 描述性统计分析概述
4.1.2 SAS中的描述性过程
4.2 案例描述——考试成绩分析
4.3 SAS/Analyst描述性统计分析
4.3.1 频率分析
4.3.2 变量分布分析
4.3.3 图形分析
4.4 编程分析过程
4.4.1 MEANS过程
4.4.2 FREO过程
4.4.3 UNIVARIATE过程
4.4.4 TABUATE过程
4.4.5 GCHART过程
4.4.6 GPLOT过程
习题
第5章 均值比较和假设检验
5.1 假设检验问题简介
5.2 单样本的均值z检验
5.2.1 基本原理
5.2.2 案例描述——袋装食品的重量检验1
5.2.3 SAS/Analyst单样本均值z检验
5.3 单样本的均值t检验
5.3.1 案例描述——袋装食品的重量检验2
5.3.2 SAS/Analyst单样本均值t检验
5.3.3 TTEST过程分析
5.4 单样本的比例检验
5.4.1 基本原理
5.4.2 案例描述——购车价格的比例分析1
5.4.3 SAS/Analyst变量编码
5.4.4 SAS/Analyst单样本比例检验
5.5 单样本的方差检验
5.5.1 案例描述——考试成绩的变异分析
5.5.2 SAS/Analyst单样本方差检验
5.6 两样本的均值t检验
5.6.1 案例描述——男女减肥的效果对比
5.6.2 SAS/Analyst两样本均值t检验
5.6.3 TTEST过程分析
5.7 配对样本的均值t检验
5.7.1 案例描述——装配时间的差异分析
5.7.2 SAS/Analyst配对样本均值t检验
5.7.3 TTESST过程分析
5.8 两样本的比例检验
5.8.1 案例描述一购车价格的比例分析2
5.8.2 SAS/Analyst两样本比例检验
5.9 两样本的方差检验
5.9.1 案例描述——股票价格的波动比较
5.9.2 SAS/Analyst两样本方差检验
习题
第6章 方差分析
6.1 方差分析简述
6.1.1 方差分析的基本原理
6.1.2 方差分析实例讲解
6.2 单因素方差分析
6.2.1 单因素方差分析原理
6.2.2 案例描述——施肥量对产量的影响分析
6.2.3 SAS/Analyst单因素方差分析
6.2.4..ANOVA和GLM过程分析
6.3 多因素方差分析
6.3.1 多因素方差分析原理
6.3.2 案例描述——影响销售额的因素分析
6.3.3 SAS/Analyst多因素方差分析
6.3.4.ANOVA和GLM过程分析
6.4.重复测量的方差分析
6.4..1 重复测量方差分析原理
6.4.2 案例描述——转移基因的抑制分析
6.4.3 SAS/Analyst重复设计方差分析
6.4.4 SAS编程分析
习题
第7章 列联表分析
7.1 列联表的基本原理
7.2 案例描述——产品质量的检验分析
7.3 SAS/Analyst列联表分析
7.4 FREQ过程分析
习题
第8章 非参数检验方法
8.1 非参数检验概述
8.1.1 非参数检验的特点
8.1.2 SAS中的NPAR.1 WAY过程
8.2 单样本非参数检验
8.2.1 X2拟合优度检验
8.2.2 单样本K.s检验
8.2.3 符号检验
8.3 两样本非参数检验
8.3.1 两独立样本Wilcoxon秩和检验
8.3.2 两独立样本Kolmogorov-Smimov检验
8.3.3 成对样本Wileoxon符号秩检验
8.4 多样本非参数检验
8.4.1 多独立样本Kruskal.Wallis检验
8.4.2 多独立样本Brown.Mood检验
8.5 等级相关分析
8.5.1 Spearman等级相关系数
8.5.2 Kendall等级相关系数
8.5.3 案例研究——财务指标的相关性分析
习题
第9章 相关分析与回归分析
9.1 相关分析
9.1.1 相关分析简述
9.1.2 案例描述——身体特征的相关性分析
9.1.3 SAS/Analyst相关分析
9.1.4 CORR过程分析
9.2 线性回归分析
9.2.1 线性回归原理
9.2.2 案例描述——环境对植物生长的影响分析
9.2.3 SAS/Analyst线性回归分析
9.2.4 REG过程分析
9.3 曲线回归分析
9.3.1 曲线回归的基本原理
9.3.2 案例描述——不同光学密度的关系研究
9.3.3 SAS/Analyst曲线回归分析
9.4 Logistic回归分析
9.4.1 Logistic回归的基本原理
9.4.2 案例描述——一个人信誉的评估分析
9.4.3 SAS/AnalystLogistic回归分析
9.4.4 LOGISTIC过程分析
习题
第10章 聚类分析
10.1 聚类分析简介
10.1.1 聚类分析的基本原理
10.1.2 系统聚类原理
10.1.3 最佳聚类数的确定
10.2 SAS编程分析
10.2.1 CLLJSTER过程
10.2.2 TREE过程
10.2.3 FASTCLUS过程
10.2.4 ACECLUS过程
10.2.5 VARCLUS过程
习题
第11章 判别分析
11.1 判别分析简介
11.2 案例描述——鸢尾花的类型判别
11.3 SAS编程分析
11.3.1 STEPDISC过程
11.3.2 DISCRIM过程
11.3.3 CANDISC过程
习题
第12章 主成分分析
12.1 主成分分析简介
12.2 案例描述——国民生产状况的评价分析
12.3 SAS/Analyst主成分分析
12.4 PRINCOMP过程分析
习题
第13章 因子分析
13.1 因子分析简介
13.2 FACTOR和SCORE过程语法
13.3 案例分析——不同地区的经济状况比较
习题
第14章 时间序列分析
14.1 时间序列的基本原理
14.1.1 时间序列的数学模型
14.1.2 时间序列模型的识别
14.1.3 时间序列模型的估计
14.1.4 时间序列分析的步骤
14.2 ForecastingSystem模块及应用
14.2.1 ForecastingSystem模块概述
14.2.2 案例研究——GNP的时间序列分析
14.2.3 用ARMA模型做进一步分析
14.3 ARIMA过程及应用
14.3.1 ARIMA过程的语法
14.3.2 案例研究——抽查次品数量的序列分析
习题
第15章 SAS在数据预测中的应用
15.1 数据预测的基本方法
15.2 案例研究——GDP增长率预测
15.3 案例研究——上证指数日线预测
15.4 案例研究——汽车市场的需求预测
习题
第16章 SAS在市场研究中的应用
16.1 联合分析
16.1.1 联合分析简介
16.1.2 案例描述——汽车轮胎的评价分析
16.1.3 SAS联合分析过程
16.2 对应分析
16.2.1 对应分析概述
16.2.2 案例描述——汽车销售市场分析
16.2.3 SAS对应分析过程
16.3 多维偏好分析
16.3.1 多维偏好分析的基本概念
16.3.2 案例描述一消费者对汽车的偏好分析
16.3.3 SAS多维偏好分析过程
习题
第17章 SAS在分类分析中的应用
17.1 聚类分析应用
17.1.1 系统聚类——居民消费支出分析
17.1.2 快速聚类——噪声监测分析
17.1.3 变量聚类——经济发展指标分析
17.2 判别分析应用
17.2.1 一般判别——农民家庭收支分析
17.2.2 典则判别——农民家庭收支分析
17.2.3 逐步判别——农民家庭收支分析
习题
第18章 SAS/EnterpriseMiner概述
18.1 EnterpriseMiner简介
18.1.1 EM主界面
18.1.2 新建EM项目
18.2 SAS/EM节点
18.2.1 Sample数据环节
18.2.2 Explore探索坏节
18.2.3 Modify调整环节
18.2.4 Model建模环节
18.2.5 Assess评估环节
18.2.6 报告和预测环节
18.3 EM案例——棒球球员的聚类分析
18.3.1 数据输入
18.3.2 缺失值处理
18.3.3 聚类分析的参数设置
18.3.4 查看聚类分析的结果
18.3.5 用Insight做进一步分析
习题

6、国内汽车金融的现状和前景是怎样的

金融行业创业接近尾声

2018年的金融创新市场（尤指信贷），基本已经形成了固定的「场景-风控-资金」模式，新的模式几乎被探究完毕。除非有重大的数据上的突破（如金税三期数据源），否则我认为不存在模式创新后一轮轮融资走上资本化的道路。我自己听到VC圈一线的炮火声越来越小，看金融的投资经理已经供大于求。

 然而，由于信贷本身的竞争力很大程度上在场景和资金的BD能力，这两个能力未必能规模化赢家通吃，这就使得金融行业不具备投资的机会但具备创业的机会。

从创业而言，2018也未必是一个好的年景，监管太左，既然能将168元的水果卡定性为顶风违纪，就不会在乎为了风险而扼杀掉多如牛毛的创业公司。从具体政策上来看，主要是对资金端的压制。

今天信贷无非两种模式，要么自有放贷主体，要么给其他机构做助贷。

对于自有放贷主体的玩家而言，监管对杠杆率的限制*为致命。过去小贷公司虽然有杠杆率限制，但是通过ABS出表（可以简单理解为债权转让出去），就可规避监管。中国国情潜规则多，监管政策不能看条文，BAT的应对是更关键的指标。2017年12月18日，蚂蚁金服为重庆阿里小贷增资82亿，给整个行业带来致命的负面信号。原本重庆阿里小贷一直违规超杠杆做业务，2017年注册资本是20亿却ABS出表了数千亿的业务，早已违规。

阿里的解决方案是一边增资补足杠杆率，一边将自己放贷改为贷款超市，让银行在背后给消费者通过二类户放贷。对于阿里这样和监管走得很近的机构，尚有沟通的余地，大部分小公司，一旦政策落实下来，可能会因为杠杆率被一帮子打死。

助贷模式也并非一帆风顺，银监发〔2018〕4号是*大的痛。第九条：

违规接受未取得融资担保业务经营许可证的第三方机构提供担保、增信服务以及兜底承诺等变相增信服务。

讲的是，过去往往助贷公司负责获客和风控，银行负责资金。因为前端风控很大程度上是助贷公司做的，所以助贷公司要给银行做担保，银行也更愿意和强担保能力的渠道开展合作，比如万达小贷、360金融、京东金融、小米贷款……

这件事造成的问题就是，银行把风险放在资产负债表外了，某银行从08年做汽车金融至今，未出现一笔坏账，但下属助贷公司实际上承担了大量风险，不爆则已，一旦爆发就是大问题。因此监管要求，如果一家公司要给银行做助贷加增信，要么是融资性担保公司，要么是保险公司。然而前者受到10倍杠杆率限制，后者牌照极难拿。

汽车金融是信贷行业仅剩的创业机会

今天信贷创业要选什么方向，归结了两点：

信贷行业从未出现赛道都赔钱，只有某公司赚钱的情况，更多还是同赔同赚，因此要选择人人赚钱的赛道。

不要烧钱或者负现金流，*后期望通过资本化变现，很难实现；应当做一家一开始就盈利或者正现金流的公司，即便靠分红也能变现。

汽车金融行业完美的符合了这两点：

其一，由于市场处于金融供不应求，渗透率快速提升的阶段，市场利率水平还很高，所有万家利润都非常丰厚。以银行担保系的公司为例，经营得好的，现金流大赚，利润表小赚；经营得不好的，现金流小赚，利润表打平，自己的小金库还贪污一笔钱，总体还是大赚。

其二，汽车金融行业如果通过助贷模式砍3年的头息，会有非常好的现金流。3年期的二手车分期，基本上可以砍头息11%，扣除运营成本和费用，剩下5%问题不大。即便通过融资租赁模式，也有办法把大部分收益前置。

二手车消费贷是汽车金融的先锋队

上图是我归纳的汽车金融的机会分布。简单讲，今天汽车金融行业要么自己做交易场景，要么给交易场景做资金批发。理论上自己做交易场景是*好的，但是：二手车因为收车定价需要老板做，历来小而散；新车4S店长期经营状况并不好，新玩家如果没有明显竞争优势，很难逆转行业的整体颓势。

资金批发中，车抵贷格局完成了，不是个大市场；车商贷本质上是给高杠杆的小微贸易企业放贷，大方向就是不赚钱的；消费贷中新车机会归巨头；二手车消费贷利润高，而且创业公司有机会。

每一个参与汽车金融的玩家，无论从何种赛道切入，都应致力于舔到二手车消费贷这块奶油。以下主要为对二手车消费贷的分析。

消费端利率下行，提出精细化运营要求

2018年市场*大的变化，我认为既不是某些银行的资金政策（因为好资产总有人要），也不是某些浩浩汤汤的汽车新零售（因为想做好太难了），而是大资本进入带来的消费者端利率大幅下降。

以某行卡分期公司在浙江做二手车分期展业为例，利率大约是担保公司收取10%的服务费。之后用户向银行按「本金=贷款额*(1+10%)」偿还，3年等额本息，银行3年共收利息9%，折合年化5.8%。银行利息部分我们不管，金融公司收到手上的砍头息就是11%，包含了运营成本、风险成本、公司利润。

对于运营的不好的公司，运营成本6%，风险成本4%，实际上利润已经是0了。之所以它们仍赚得盆满钵满，原因如下：

西北等偏远地区服务费可达18%，全国平均可达14%，相比于浙江地区，多了4%的净利。

4%坏账为Vintage峰值，但时间上是滞后的，故没有在现金流上体现。

但这两个盈利手段都站不住脚。*个，偏远地区的高息本质上是金融供给不足的结果，但是在如今汽车金融大红大紫的背景下，这个窗口期也就1年时间。第二个，坏账虽然滞后但还是要显露出来的，对于一个正常的经营者，只赚现金流不赚利润表似乎也没什么意义。

挑战的背后是机遇，精耕细作的公司可以抢占粗放经营公司的市场空间。

所谓「大数据风控」

任何技术传到中国都会被神话，每一家放贷公司都不得不假装自己拥有大数据风控技术，来面对资金端的质疑。说者不明白，听者也未必明白，但是似乎挂上了高科技，能解释一些不能用常理解释的坏账率，于是皆大欢喜。

实际上，大数据风控更多的就是回归分析，根据大量的历史数据，系统统计出：这些特点的人不还款，这些特点的人还款。

至于其中需要使用到的服务器技术和数学模型，我们这些技术白痴没必要关心。

根据大数据风控本身的特点，很容易判断，什么类型的贷款可以使用大数据风控：

大量的案例，不仅包括用户提交的变量，而且要有对应的还款情况。因此现金贷这样大量案例的贷款易于做大数据风控，而房抵贷这种期限长金额高的，很难做大数据风控。

需要获取到真实数据，如果获取的数据可以被包装，大数据风控就完全没有用武之地。

让我们把汽车金融的风险做一下拆分，看看哪里有大数据风控的机会，大体风险分三类：

真实购车用户违约，大约Vintage坏账在1%，相比于3C和医美分期，买车（豪车除外）的消费行为本身已经筛选出有一定资信的用户。

车抵贷包装成消费贷的套现单，即车的买方和卖方都是一起的人，通过消费贷的方式借到了相当于车抵贷的钱。由于后续会慢慢还款，套现单短期看不出坏账，但后患无穷。车抵贷用户本身资质差，借来的现金多半是生意周转或还外债，市场上车抵贷的年化利率都在40%以上，消费贷给消费者的年化利率不到20%，中间的差额就是公司的损失。从另一个角度看，虽然做得好的车抵贷公司催回后坏账率可达5%以下，但展期率（另一个角度就是逾期率）却可能高达20%，消费贷公司往往不具备强催收能力，这个问题就会尤其显著。

纯粹诈骗，消费贷购车后将车二抵或者黑车卖掉，一般还款1期以后就再也不还。由于首付比例高，且卖黑车有折价，通过这个方式骗得的金额并不高，而手续却极其繁琐。可以认为，一般不会有人准备一套手续仅为了骗一辆车，多半是车商拉一堆白户骗走金融公司大批量贷款，作案时期可能在数周到一个月。

*种风险是我们可以接受的，由于市场大环境好，不需要太担心，反而是做了风控容易提高拒单率，得不偿失。

第二种风险是*不能接受的，是容易被很多汽车金融公司总部忽视的隐形炸弹。而第二种风险的发生，一定是车商和业务员的一致配合，车商必然知道买家和卖家是一起的，多半情况业务员也会知道，因为需要包装材料并做高评估价。在第二种风险中，大数据风控完全无效，因为传到总部录入系统的数根本就是假的。今天大部分汽车金融公司处理此事的做法是高压线的管理政策，有的直接开除，更有甚者直接让作恶员工吃牢饭。

第三种风险是整体性的风险，不出事则已，一出事可能就是总AUM的2-5%的坏账。由于利益太大，可以骗一票后出国永不回来，对员工高压线的做法也已经不管用了。今天大部分汽车金融公司处理此事就两个方法，一个是总部电核，一个是巡查制度。

讨论一下大数据风控的应用：*个风险可以用大数据风控，但没啥效益。第二个风险都是假资料，根本没法用大数据风控。第三个风险中，大数据风控可以发现一些假单子的聚类，从而给出警告，通知人工核查。但这也属于屠龙之术，出事情之前没人能觉察到效果，也没人会重视。

总结一下，大数据风控*的作用是识别批量造假的单子，但没什么值得神话的。线下放贷的生意，一线的炮火声只有业务员听见，把人管好才是根本。

三种模式：直营、区域代理、商户代理

理论上，和任何消费分期市场一样，二手车分期应该也有三种模式：

直营：自己的业务员在二手车门店蹲着等单子。

区域代理：区域加盟商负责养业务员并且承担风险。

商户代理：二手车商作为代理，给自己的客户附加金融产品，并直接给金融公司总部推单子。

到底哪种方法好，大家一直争论不休。

直营是*原始也是*靠谱的模式，*的缺点就是扩张慢，一旦扩张快就管理事故。

区域代理解决了扩张速度的问题，但由于区域代理的收入取决于业务量，区域代理天然就有放宽风控甚至帮助包装材料的倾向。为了解决这一问题，很多金融公司要求区域代理连带担保，但是代理商实际不具备相匹配的主体资信，*后的结局就是，一旦不小心出了风险，代理商只能不断扩大业务量搏一把，*后不得不跑路。

商户代理貌似比区域代理好一些，商户本身了解业务场景，也具备主体资信可以提供担保。

直营和区域代理相比，毫无疑问，直营更好。但今天二手车消费金融市场做全国展业的公司，没有真正做直营的，直营因为扩张速度的原因顶多做到2-3个省份。大量号称直营的，实则区域代理。这两者本无优劣，无非数量与质量的权衡问题。我相信，小而美的区域性直营公司，大而全的全国区域代理公司，将在很长一段时间内并存。

商户代理模式就有更多可探讨的空间，参考*为成熟的3C分期市场的经验，*大的两家，捷信和买单侠是直营模式。闪银是区域代理模式，是因为当时希望快速占领市场的权益之计，选择的代理商并不要求行业背景，而清一色是当地有水电站、大型超市等产业的老板，主要考虑到代理商的担保能力。在3C分期领域，商户代理模式从来没有成功过，基本以商户骗贷告终。

3C分期中商户代理不可行，对比二手车分期是否也不可行呢，有几个情况差别：

3C市场，风险都集中在用户的还款能力；而二手车市场，风险都是欺诈问题，如果商户配合，可以有效降低二手车分期的风险。

3C市场，都是连锁店面，每个单独店面的员工不具备风控能力；而二手车市场，都是老板常驻一家核心店面，具备风控执行能力。

3C市场，金融收入只占总商户总收入很小比例，商户没有动力管理金融业务；而二手车市场，金融收入占比极高，每一个老板都有兴趣参与金融业务。

总结一下：

从业务扩张速度看，区域代理>商户代理>直营。在2018年，业务扩张速度再怎么强调都不为过。

从风控水平看，直营>区域代理=商户代理。值得一提的是，第二种客户骗贷的风险，商户代理模式或许可以完全杜绝；但对于第三种整体跑路风险，因为商户代理模式给了商户更大的权限，很容易在商户代理模式下出现。

资金从哪里来

今天二手车消费贷公司获取资金主要是银行担保系（助贷）和融资租赁两大模式，具体产业链结构可以见我下图的总结。

 一条路是助贷，即银行担保系准入。缺点是资金不稳定，优点是高杠杆率且砍头息。CEO清一色60后和70后，没有80后的。大公司和小公司拿资金的能力不会有特别大的差距，我认为担保系的大公司不应该享受超额溢价。

另一条路是自己放款，理论上可以有融资租赁、保理、小贷、消金等牌照，但由于融资租赁可以占有物权方便催收，且牌照便宜，所以融资租赁成为主流模式。融资租赁先放款，形成资产包后再转让给资金方。优点是鲁棒性更强，不依托任一资金方，而是打包成现金流资产后，可以卖给任何机构。但资金方实际上还是无法看清资产包内的资产，缺点是依然要依靠资产端主体资信来决定融资能力。

曾和一个CEO聊起，什么事情都能靠BD，只有找资金不能靠BD。看的案子越多，这句话我越认同，找资金这件事，不是新经济，而是旧经济，是传统金融。如同某知名汽车金融公司，CEO原本主机厂金融高管出身，一开始做银行助贷，再抱大腿联合成立融资租赁，*通过几轮股权融资，让公司真正具备了主体资信。在做汽车金融早期投资的时候，我们应当致力于发现具备这样潜质的CEO，并给予超额溢价。

车源问题

上面讲的都是资金批发中风控、展业、资金的细节，除此以外，很多人在思考，是否有资金批发以外的方式和车商建立关系？大约探索了如下模式：

SaaS：属于附加物，工具类产品的竞争壁垒是有限的。

保险：属于另一摊生意，不同保险经代在不同时间能拿到不同价格提供给渠道方，有比价和出单平台的机会。车险本身已经是没有利润的生意，除非保险公司违规变相补贴，否则很难有玩家在这个领域具备规模化竞争优势。

车史数据：可以帮助车商提供检车的辅助，有一定价值，但是车商不会为单笔查询付太多钱。

估价数据：用途比较有限，定价是车商的核心能力，估价数据更多的是用于参考，基本低于实际成交价。

销售：小城市的二手车是如何成交的？首先，二手车市场是一个卖方市场，掌握了优质车源的车商是强势方。其次，车商和「拼缝的」（拉客户给车商的中介）一起，一方面找熟人关系杀熟，一方面在58赶集和当地论坛刷帖子，希望碰到肥羊。一般一个车商一个月也就成交2-3台车，都是强销售和信息不透明的路数。为二手车商提供的销售服务无法做到闭环，仅能起导流作用。然而，正如访谈的某车商所说「老子有一辆奔驰在手，城里想买二手奔驰的，无论找到哪个车商都会带到我这里。本来就是我的客户，有没有XX平台都会到我们市场里来。」

车源：非常重要的手段，车源是车商的核心生产资料，谁控制了车源，谁就控制了车商。大部分汽车金融行业的投资人和创业者都认为，车源是颠覆行业的关键。

现有二手车源是怎么来的呢？90%以上都是4S店的置换车。一个车主需要将车子出手，多半是要换新车，于是去4S店买新车的时候，4S店就会找到当地二手车商过来定价收车，车商再返给4S店工作人员一定的好处费。

如何提高车源效率？一个方法是创新性地拿到车源，一个方法是提高车商串货效率。

先讲拿车源问题，需要考虑的两个关键要素分别是「流量」和「定价」。

流量上，从消费者有卖车需求开始，到接触4S店被收车，中间的时间很短，如何在这么短的时间内切入消费者。显然互联网营销是不管用的，因为命中率太低。通过做4S店导流，顺便抓取精准流量，是一个方法，难点在于4S店导流本身是个亏钱买卖，没人做好。和4S店集团合作统一收车，也是一个有效的方法，但如果无法做大蛋糕，仅仅是将员工的灰色收入变为4S店集团的收入，还不如直接让4S店做全员降薪，解决不了根本问题。

定价上，由于「一车一况」，任何数据化的定价方案都只能确定参考价，一旦涉及人来主观定价，委托给任何人都存在权利寻租空间。现有*成熟的方案是优信拍，集中车源在一个场地，买家线下看车线上竞拍，来解决定价问题。但很多时候，优信拍无法做到交易闭环，车商让用户在优信拍上定价后，提高一点儿价格在场外完成交易。

车商串货问题，彼此相识的车商可以直接微信达成交易，互联网改造这个场景的核心在建立车商信用体系。譬如某些城市车管所建立的当地二手车商联盟（商会），先通过担保制度和邀请制度做好车商准入，再建立一系列的信息发布规范，对于不遵守者进行惩罚，久而久之，建立起各车商的信用体系，大大降低了交易的摩擦成本。

综上，汽车新零售是二手车车源端改革的机会，车商联盟是解决车商串货问题的有效手段。

结论

今天二手车消费贷公司获取资金主要是银行担保系（助贷）和融资租赁两大模式，具体产业链结构可以见我下图的总结。

总结前述内容的观点如下：

1.受限于监管和降杠杆周期，金融行业的创业接近尾声

2.但汽车金融仍然处于金融渗透率提升的阶段，至少还有2-3家上市公司的机会

3.二手车消费贷是汽车金融中*肥的肉

4.消费端利率下行，精耕细作的公司可以抢占粗放经营公司的市场

5.大数据风控效果有限，历经时间打磨出来的管理半径是风控核心

6.直营小而美，区域代理大而松，号称全国直营的，大部分都还是区域代理

7.相比区域代理，商户代理可以防止套现单，但是容易整体跑路，并非好模式

8.资金端能力要靠老板背景，具备强资金能力老板的早期公司是投资洼地

9.汽车新零售是二手车车源端改革的机会，车商联盟是解决车商串货问题的有效手段

7、利用数据挖掘怎么对数据进行分类

利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚类、关联规则、特征、变化和偏差分析、Web页挖掘等，它们分别从不同的角度对数据进行挖掘。1、分类分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。它可以应用到客户的分类、客户的属性和特征分析、客户满意度分析、客户的购买趋势预测等，如一个汽车零售商将客户按照对汽车的喜好划分成不同的类，这样营销人员就可以将新型汽车的广告手册直接邮寄到有这种喜好的客户手中，从而大大增加了商业机会。2、回归分析回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性间的依赖关系，其主要研究问题包括数据序列的趋势特征、数据序列的预测以及数据间的相关关系等。它可以应用到市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测及有针对性的促销活动等。

8、营销新手如何做市场分析

市场分析的主要目的是研究商品的潜在销售量，开拓潜在市场，安排好商品地区之间的合理分配，以及企业经营商品的地区市场占有率。通过市场分析，可以更好地认识市场的商品供应和需求的比例关系，采取正确的经营战略，满足市场需要，提高企业经营活动的经济效益。1.做好前期细分市场工作一种产品的整体市场之所以可以细分，是由于消费者或用户的需求存在差异性。引起消费者需求差异的变量很多，实际中，企业一般是组合运用有关变量来细分市场，而不是单一采用某一变量。概括起来，细分消费者市场的变量主要有四类，即地理变量、人口变量、心理变量、行为变量。以这些变量为依据来细分市场就产生出地理细分、人口细分、心理细分和行为细分四种市场细分的基本形式。2.正确地搜集信息与相关数据在分析市场潜量时候，经常会考虑到行业发展，区域经济，文化，政策等等宏观层面的参考因素，并且搜集了很多数据，没有做过行业研究的客户往往不清楚哪些数据是对市场潜量有决定作用的，其实对各类指数的构成了解的市场人员都应该基本清楚，比如GDP基本表现一个地区的发展水平，并不能表明这个地区的人民生活水平，而人均储蓄和人均可支配收入则能够表现这个地区的居民购买力，还有其他的一些数据都是有针对性的参考作用，分析市场潜量只能按照所针对的产品，所针对的客户群来搜集不同的数据作为参考。我们在营销咨询过程中，往往发现客户比较了解的市场研究是指针对消费者市场的研究，因此他们往往要求的是需要做多少消费者问卷来确定市场潜量，其实有的时候，不需要太精确的数据的情况下，利用行业研究就能够大致了解这个地区的基本购买力。市场分析的主要内容：(一)商品分类销售实际分析(二)地区类别市场动态分析(三)新产品市场销售分析(四)消费者购买类型销售分析(五)销售费用分析做市场分析需要注意的是：1.高质量的数据有些企业在做市场容量分析的时候，由于对这个项目充满热情，常常会无意识地抬高市场潜量期望值。表现在某些估算数据上明显比实施状况要高的多，原因往往在于故意的抬高或者仅仅根据自己的个人感觉应该如此这般这般，那样的出来的结果当然是潜力巨大、需求强劲，投资回报率高了。以前有个客户是做酒店用洗涤用品的，在计算单个城市的市场潜力的时候，按照通常的市场预测方法，采用单个酒店的客房数，单个酒店的客房入住率，全市所有酒店的平均客房数等等数据来计算使用量，在这个过程中，往往会人为地提高客户入住率这个数据或者完全忽视这个数据，潜意识认为这个是100%，其实在平时，入住率都是非常低的数据，这样整个数据就会偏高，如果酒店的入住这个比率是由洗涤用品的营销来决定的，那么这样的预测是存在一定依据的，但情况往往不是如此，那么只能按照客观的态度来分析数据了。既然市场是不变的，就应该客观的去分析市场，如果营销决策是建立在一个虚假的市场数据上，那就必须去质疑营销的正确性了。2.避免单纯的数据分析单纯的数据分析就是仅仅从数据去预测数据从表面上看是非常有科学性的，很多市场研究人员非常的苟求数据的正确性，然后按照大家所熟知的最小二乘法，因子分析，聚类分析等等分析方法来预测未来的市场潜量，这样的预测方法还往往能够赢得客户的信任，其实大错特错，如果未来可以仅仅用数据来分析的，2002年的汽车行业就不会出现井喷现象了，就不会出现很多行业的超常规发展了。我们认为，纯粹的用数据去预测数据是没有任何意义的。市场是变化的，而且是不规则变化的，对于部分传统行业，比如关乎人们生活的餐饮，服装等等极为市场化的行业，由于市场需求已经基本供需平衡，大的市场革新已经不再出现，这样的市场用数据来做简单的预测是可行的，而对于有些行业，比如企业、部分机械行业、房地产、IT或者是完全全新的一个行业，这些行业要么还没有完全市场化，要么还存在巨大的变革机会，或者供需完全是没有平衡的，说到底在这些行业里还存在着巨大的市场机会，整个行业的格局可能在某一个夜里被彻底颠覆，这个时候我们仅仅是用数据来预测数据是会被笑话的。很多研究人员都会感觉到，定性的研究是比定量的研究要困难的多，就是因为定性的研究里面包含着太多的不确定因素，我们只有在充分了解行业的发展历程之后，了解这个行业的产业链状态，了解这个行业的机会点以及远景等状况下，结合目前的市场状况，做出未来市场的比较合理的预测，这样的预测却是比单纯的数据预测有科学性的。以上几点都是比较浅显易懂的，但是却是很多市场分析人员通常会犯的错误，只有关注每一个细节才能做好对目前市场潜量的客观分析，才能使后来的市场营销决策不是无源之水，无本之木。只有利用科学的方法去分析和研究市场，才能为企业的正确决策提供可靠的保障。

9、新手如何做销售市场分析

销售市场分析是对市场规模、位置、性质、特点、市场容量及吸引范围等调查资料所进行的经济分析。它是指通过市场调查和供求预测，根据项目产品的市场环境、竞争力和竞争者，分析、判断项目投产后所生产的产品在限定时间内是否有市场，以及采取怎样的营销战略来实现销售目标。 我们为什么要做销售市场分析？ 销售市场分析的主要目的是研究商品的潜在销售量，开拓潜在市场，安排好商品地区之间的合理分配，以及企业经营商品的地区市场占有率。通过销售市场分析，可以更好地认识市场的商品供应和需求的比例关系，采取正确的经营战略，满足市场需要，提高企业经营活动的经济效益。 一、销售市场分析是企业的决策导向，是营销战略的基础。那么，如何来实施销售市场分析行动呢？ 1.销售市场分析---做好前期细分市场工作 应该仔细分析自己的资源集中在哪个产品区域，切不可眉毛胡子一把抓，什么都能做，然后就应该开始分析具体这个细分市场的需求有多大，这样就可以避免无的放矢了，这样一轮下来，可能你只能在几百万的市场里拚搏了。 一种产品的整体市场之所以可以细分，是由于消费者或用户的需求存在差异性。引起消费者需求差异的变量很多，实际中，企业一般是组合运用有关变量来细分市场，而不是单一采用某一变量。概括起来，细分消费者市场的变量主要有四类，即地理变量、人口变量、心理变量、行为变量。以这些变量为依据来细分市场就产生出地理细分、人口细分、心理细分和行为细分四种市场细分的基本形式。 2.销售市场分析---正确地搜集信息与相关数据 销售市场分析在分析市场潜量时候，经常会考虑到行业发展，区域经济，文化，政策等等宏观层面的参考因素，并且搜集了很多数据，没有做过行业研究的客户往往不清楚哪些数据是对市场潜量有决定作用的，其实对各类指数的构成了解的市场人员都应该基本清楚，比如GDP基本表现一个地区的发展水平，并不能表明这个地区的人民生活水平，而人均储蓄和人均可支配收入则能够表现这个地区的居民购买力，还有其他的一些数据都是有针对性的参考作用，销售市场分析thpxb.com市场潜量时只能按照所针对的产品，所针对的客户群来搜集不同的数据作为参考。 我们在营销咨询过程中，往往发现客户比较了解的市场研究是指针对消费者市场的研究，因此他们往往要求的是需要做多少消费者问卷来确定市场潜量，其实有的时候，不需要太精确的数据的情况下，利用行业研究就能够大致了解这个地区的基本购买力。 销售市场分析的主要内容： (一)商品分类销售实际分析 (二)地区类别市场动态分析 (三)新产品市场销售分析 (四)消费者购买类型销售分析 (五)销售费用分析 二、做销售市场分析需要注意的是： 1.高质量的数据有些企业在对销售市场分析之市场容量分析的时候，由于对这个项目充满热情，常常会无意识地抬高市场潜量期望值。 表现在某些估算数据上明显比实施状况要高的多，原因往往在于故意的抬高或者仅仅根据自己的个人感觉应该如此这般这般，那样的出来的结果当然是潜力巨大、需求强劲，投资回报率高了。以前有个客户是做酒店用洗涤用品的，在计算单个城市的市场潜力的时候，按照通常的市场预测方法，采用单个酒店的客房数，单个酒店的客房入住率，全市所有酒店的平均客房数等等数据来计算使用量，在这个过程中，往往会人为地提高客户入住率这个数据或者完全忽视这个数据，潜意识认为这个是100%，其实在平时，入住率都是非常低的数据，这样整个数据就会偏高，如果酒店的入住这个比率是由洗涤用品的营销来决定的，那么这样的预测是存在一定依据的，但情况往往不是如此，那么只能按照客观的态度来分析数据了。 既然市场是不变的，就应该客观的去进行销售市场分析，如果营销决策是建立在一个虚假的市场数据上，那就必须去质疑营销的正确性了。 2.销售市场分析要避免单纯的数据分析单纯的数据分析就是仅仅从数据去预测数据 从表面上看是非常有科学性的，很多市场研究人员非常的苟求数据的正确性，然后按照大家所熟知的最小二乘法，因子分析，聚类分析等等分析方法来预测未来的市场潜量，这样的预测方法还往往能够赢得客户的信任，其实大错特错，如果未来可以仅仅用数据来分析的，2002年的汽车行业就不会出现井喷现象了，就不会出现很多行业的超常规发展了。 我们认为，纯粹的用数据去预测数据是没有任何意义的。市场是变化的，而且是不规则变化的，对于部分传统行业，比如关乎人们生活的餐饮，服装等等极为市场化的行业，由于市场需求已经基本供需平衡，大的市场革新已经不再出现，这样的市场用数据来做简单的预测是可行的，而对于有些行业，比如企业、部分机械行业、房地产、IT或者是完全全新的一个行业，这些行业要么还没有完全市场化，要么还存在巨大的变革机会，或者供需完全是没有平衡的，说到底在这些行业里还存在着巨大的市场机会，整个行业的格局可能在某一个夜里被彻底颠覆，这个时候我们仅仅是用数据来预测数据是会被笑话的。 很多研究人员都会感觉到，定性的研究是比定量的研究要困难的多，就是因为定性的研究里面包含着太多的不确定因素，我们只有在充分了解行业的发展历程之后，了解这个行业的产业链状态，了解这个行业的机会点以及远景等状况下，结合目前的市场状况，做出未来市场的比较合理的预测，这样的预测却是比单纯的数据预测有科学性的。以上几点都是比较浅显易懂的，但是却是很多销售市场分析人员通常会犯的错误，只有关注每一个细节才能做好对目前市场潜量的客观分析，才能使后来的市场营销决策不是无源之水，无本之木。 销售市场分析只有利用科学的方法去分析和研究市场，才能为企业的正确决策提供可靠的保障。