各行各业都进入了一个以客户为中心、大数据为动力的新算法时代。“大数据”带来了社会媒体和移动设备的爆增，还有一个由数以万计的网络传感器所形成的物质世界。所有的这些因素导致了各行业的数据都在以一个前所未有的速度在飞速增长中。
汽车行业也不能例外，实际上，汽车行业预计在2015年会成为第二大数据产出业。想想一些充电式混合动力汽车一个小时就能产生25GB的数据，这样的估计也就见怪不怪了。
大数据涉及各行业，因此来自来各行业的市场驱动力也促进了汽车行业的改变(见图一)。例如，消费者中出现了新联盟群体、环境因素使形成一个生态系统成为必需、全球化的推进促使了汽车厂商和供应商之间的整合。
日趋成熟的消费者对环保和科技的需求不断增加，而这些惹人眼球的市场需求自然也需要新的策略来使利益和收入最大化。由此，汽车公司必须想出方法快速推行环保汽车，注重智能汽车的服务机会，优化全球价值链和改革零售环境。
图一
而通过大数据的应用和分析就可以帮助汽车公司实现这些商业需要。IBM建立了一些参考关键行业应用案例的解决办法，包括汽车通信、预测资产优化、消费者可行性洞见和数据仓库优化。本文就来看看IBM如何通过大数据和分析法来帮助汽车生产商、供应商和经销商借助大数据增强竞争力和提高生意成交率。
1. 加强汽车通信
汽车行业的数据增长主要还是来于汽车本身，确切的说是汽车内部的设备。汽车制造商正试图将汽车信息与汽车运行环境相关数据(如天气，交通数据)连通。而IBM大数据平台就是帮助汽车制造商探究汽车系统是如何在特定的驱动模式和环境状态下运行的。
车载信息系统可提供动态数据，如汽车速度、与传输控制系统、刹车、气囊、胎压和雨刮器、地理空间和当前环境的相关数据。而其他可以帮助了解汽车情况的数据就是消费者发在社交媒体的内容了。
不言而喻，对这些数据的分析可以帮助汽车公司加强“客户关系”、更好的预测消费者替换部件和服务的的需求、以及将车联网数据套现。这是具有商业价值的。例如，可以通过发现最优速度和档位变换计时来帮肋混合动力汽车主人使燃料经济最大化，这就提升了客户关系。而车载信息系统的数据可以提供给第三方驾驶辅助服务商、汽车租赁、保险公司来实现商业价值。
2. 平衡预测资产优化
制造业公司通常是运用预测分析方法来监测和维护工厂资产来实现更好的利用率和运行。对于现今的汽车行业，预测分析法运用的范围不应仅限于此，还应该包括汽车的售前和售后。
比如，从预测分析中获得的信息帮助汽车制造商和经销商优化质量和供应链系统，并同时降低保修成本。就目前而言，虽然都在奋力要抓住大数据的机会，但毕竟多数都缺乏从海量的资源中提取数据分析的能力。所以，IBM提出的预测资产优化(PAO)的解决办法之一就是整合IBM工业、服务、软件和研究技能来增强运用大数据能力的传统分析。
通过结合注重用户体验的仪表盘、加速器等，IBM PAO使得汽车行业可以从现有的资源中以低潜伏率来分析数据。通过平衡高级的分析能力，公司可以提高他们操作时的可见度和优化资产安全和产能。例如，原始设备设计商们可以通过分析设备运行数据和可用的公共数据来鉴定潜在的汽车损耗头号指标，然后再预测零件和服务需求。
预测资产优化(PAO)允许组织收集及整合结构的、非结构的和串流式的数据，包括：
来自于传感器和传动装置的有关工厂设备及汽车系统的数据
各种类型及格式的图像、视频和图表数据
保养及工程数据，例如公司资产管理数据
呼叫中心的信息记录、视听记录、电子邮件和文本
来自于服务提供者和第三方伙伴的服务使用系统
地理空间数据的及暂存的信息，包括全球定位系统、天气和环境数据
通过这些数据，某些汽车组织可以来分析失灵的根源，找出首要的运作有误的指示器、评估失灵、断电和预防性保养的风险，通过检测出设备和零件运行的反常，公司可以优化供应链，并确保零件供应商能够达到预期的需求，帮助提高客户的满意度。
