今天接着说车辆独有的数据信息，对于车辆本身的故障、损耗，原理上都会有相应的数据特征，举个例子：

刹车对于安全无比重要，但刹车性能的下降却并不会引发仪表告警。一般都是保养的时候，工人肉眼观察一下刹车片的薄厚，看看刹车油是否还够。虽然看起来都没有问题，但刹车性能就是不如以前。这是人的一种感受，无法量化，而且一般的车主也没有那么多专业知识来判断。

其实刹车性能是可以量化的，原理也很简单，就是用新车在标准环境下刹车距离作为参考值，之后再用相同环境下的刹车距离去做比对，即可以有一个直观的量化参考。

当然，这种参考的精度取决于环境数据是否足够多。天气、路段甚至温度，以及刹车踏板角度/变化速度，都一致的情况下，比对才更精准。而精度的要求就得看要实现什么价值。如果是2C的保养提醒，精度要求就不需要那么高，如果是为了车厂优化设计，就需要精度高些。

并不是所有部件都需要复杂算法来预测，比如玻璃水、防冻液、空调滤芯这类不影响安全，且用户可自行更换的东西。

学学小米空气净化器或净水器，按时长或传感器值就可以有个大概的预测，价值不高，所以也没必要做过多的技术投入。

当然，如果算法相对容易，且比较实用的部品。比如轮胎的磨损，还是可以做些简单的应用，对于用户来说还是比较有吸引力。

对于一些影响安全或性能的损耗或故障，还是值得加大投入的。比如上期说的胎压，根据胎压变化的特征预测导致胎压变化的原因，可以在危险到来前告知用户；

还有上期关于小电瓶完全没电的场景，电瓶告警出现时其实说明已经快没电了。通过电池电压下降的曲线去判断异常可以更准确，提前量也相对充足；

另外还有发生碰撞时，多数人会关心损坏情况与大概的修理费用。在数据样本足够多的理想情况下，同车型车辆上的几个碰撞传感器，如果产生的信号一样，那么碰撞强度、角度等应该也是相似的。

所以可以根据其他车辆的历史维修数据来预测当前车辆的损失。当然目前这只是个理论设想，需要大量的数据验证，这里只是给出一个思考方向。

这个系列文章主要是提出数据价值应用的一些想法，图中所展示的仅作为大概的原理说明，只有一部分做过POC验证。而验证结果也受限于数据质量、算法成熟度等因素限制，准确度还无法达到可以量产上车的状态。

但随着数据质量与数量的提高，以及针对具体场景的成本投入，未来一定会产生巨大的效果。就像导航中的信号灯倒数秒一样，虽然功能看起来很小，但用户价值却是极大！

数据价值应用都存在于一个一个独立场景之中，而单一场景的价值看起来又很小，所以“积累”是数据价值体现最重要的方法。持续不断地积累面向路、车、人方向的数据场景应用，最终会从量变产生质变，让数据成为车厂最重要的资源！

这个系列暂时告一段落，本来还有一个关于用户行为方向的话题，但这个方向上的内容过于庞大，以后会找专门的话题来聊。

  文章首发于公众号：昊叔说车

原创不易，转载请告知原作者，注明出处。