来源:车云

未来的个人出行情景将迎来一个巨大转变,更加倾向于颠覆性科技和其创新商业模式。

毫无疑问,汽车产业正在面临颠覆。消费者行为上的巨大变化正在改变汽车行业的现状,尤其是因为人们更加注重了所有的车内体验,而不单单只是驾驶体验。确切地说,主机厂和主要的供应商们必须要改变他们的产品,甚至包括他们自身的能力和组织架构,才能在这个新时期继续生存发展。

汽车行业面临的改变同时带来了巨大的风险和机遇,当我们期待整个行业的规模从今天的3.5万亿美元在2030年可以增长到6.6万亿美元的时候,传统技术业和商业却面临着从今天98%的市场占有率跌倒2030年的50%,行业的增长将会由自动驾驶、车联网、电气化、共享出行这些具有颠覆性的技术发展所引领。而传统汽车行业的玩家们则至少要做到以下四点:

1. 在整个系统中拥有关键控制点

2. 对于收入和成本精通数据的货币化

3. 实行灵活的双速研发

4. 全面采用工业4.0技术

快速转变的局面

全球汽车行业的利润目前处在历史上的最高峰。确实,主机厂的核心营收在2016年达到了1254亿美元,整个行业也有7%的营收增长。然而,整个行业都很大程度依赖两个市场,有四分之三的利润都主要来自于中国和北美市场。许多行业内人士不禁会问,汽车行业到巅峰了吗?

个人出行在过去的130年已经取得了巨大的进步,并为社会带来了巨大的价值,但仍然有很大的成长空间,尤其是在利用率、效率和安全层面上更是如此。

而且,传统的竞争规则也正在飞速改变,我们可以看到近些年来的投资都突显了汽车人对于挖掘未来汽车潜力和能力的渴望。在过去5年,我们见证了许多值得关注的重磅投资都发生在4个新兴的技术驱动的趋势中,分别为自动驾驶、车载互联、电气化和更近期的共享出行。从2010年开始,这4个领域内收到了已经披露的1110亿美元的外部投资。

而科技公司则远远领先于传统的主机厂。仅仅在过去的3年里,排在前4名的主机厂在上述4个领域中完成了25笔交易,但完成交易最多的两家科技公司就已经完成了170笔,同样主要关注在创造未来汽车的能力上。因此,在如今这样一个越来越拥挤且节奏更快的市场下,传统车企要想要继续保持竞争力则必须从根本上重塑自己的产品、供应以及商业模式。

二十年前,汽车的杀手级应用,也就是决定买车行为最具有决定性的因素,是驾驶体验。而在今天,这个因素变成了所谓的“车内体验”——对于自动驾驶、车载互联、电气化、共享化的需求,比如自动驾驶汽车、互联泊车服务、OTA升级、召回检查、网络安全、定向广告投放等等。

在麦肯锡关于未来出行的调查中,86%的消费者愿意换成具有某一种高级驾驶辅助功能的车辆。而在另一个关于互联和自动驾驶汽车的调查中,37%的受访者表示愿意因为旗下某一款车可以同时拥有对应用、数据和媒体等功能,从而更换自己的汽车品牌。

而为了可以更好的提升车内体验,汽车行业需要将产品的关注点由原来的硬件驱动转为软件驱动,软件层面的角色正在逐渐增加,而且在未来将会更加急剧地增长。麦肯锡预测,软件内容将在2030年的时候在车辆中占到30%的比例,比目前的10%大幅提高。

未来的个人出行情景将会迎来一个巨大的转变,更加倾向于颠覆性科技和其创新商业模式。麦肯锡预测,整个汽车行业2030年预期的6.6万亿美元的收益将有50%来自于颠覆性科技或商业模式,相比今天是指数型增长。我们的确预计行业的增长将主要来自于此,而传统技术和商业模式的贡献只会与现在整体持平。所以,面对这个即将发生的变化,主机厂需要从研发到销售的各个环节都全面进化来保持竞争力。

这些新兴趋势将会结合最新的技术,并正在逐渐改变消费者偏好,新入场的竞争者将会从根本上改变消费者和汽车之间的关系。面对新兴趋势的颠覆,也就到了之前上面提到的4个必要的改变。

在整个系统中拥有关键控制点

除了科技,就如同其他形式的颠覆一样,我们期待着汽车行业不同细分市场、不同车企之间的利润可以重新分配。从历史来看,每当有颠覆性的角色进入,最高的利润趋于流向拥有关键控制点的人。所以,汽车行业里的人需要占据一个有力的制高点,在产业链中把握住消费者最关心的元素和在产品、服务上拥有最有力的影响,拿到关键控制点。

首先,面对飞速变化的技术和市场动态,车企必须根据几个不同方面的因素,比如利润区间、需要的竞争力、创造可持续性优势的能力,找到并评估可以辨认出最有吸引力的功能(驾驶辅助功能、动力总成、信息娱乐系统、底盘或车内互联功能等)的方案。而一旦确定了车上这些具有吸引力的功能的优先级,接下来则需要确定每一层级下最优的“访问模型”,云技术应用、UI、中间设备和服务、操作系统、视觉化、硬件等。

比如说,在信息娱乐系统中,UI和云内容会对用户体验有非常大的影响,因此就会成为信息娱乐系统的关键控制点。再比如,在驾驶辅助系统中,高精度地图需要用到的云内容、驾驶过程中的算法、对于位置的精准感知和驾驶体验需要的硬件传感设备,这些同样也是驾驶辅助系统的关键控制点。

对于收入和成本精通数据的货币化

汽车行业正在见证大数据的飞速增长,在车上产生和收集来的数据,不仅仅是数量也同样在多样性上都史无前例。今天,汽车每天就可以产生25G的数据,主要是来自内部车联网和ECU,而未来的自动驾驶车辆可以记录一切可以记录的东西,英特尔预计到时候每天将会产生4000G的数据。

这些数据将会被应用到很广的范围,相当于是汽车行业最新的潜在价值资源。总体来说,这些由数据产生的货币化机会可以在2030年产生相当于7500亿美元的价值。

这些对于车企的机会将会来自对于大数据的变现,同时包括B2B和B2C。汽车数据可以被用来产生定向付费内容或广告,比如说地图中的POI。自动驾驶汽车可以被通过电脑编队行驶,仅仅通过红灯前的提前判断和滑行就可以提高燃油经济性3-5%。而对消费者来说,便利性是最重要的,自动搜索、礼宾服务、预订服务、泊车支付等等都是对于消费者相关的变现机会。

想要同时抓住B2B和B2C的机会,车企们需要辨别究竟哪些模型和方案更加与自己的优势相匹配,同时还需要攻克其他关于数据所有权、使用案例、跨功能执行、定价模型、大数据分析、数据安全等关键的问题。

实行灵活的双速研发

历史上,车企的研发部门使用的是一套线性的、硬件驱动的方法。而随着软件内容的逐渐增加,这种方式也将面临改变。同时,人才的使用也将是一个挑战,因为到2030年的时候,汽车行业所需要的软件工程师将会是现在的3倍。

想要在软件层面可信又可靠,车企需要采取一套更加灵活的软件开发流程,就像那些科技公司一样。更灵活的软件研发意味着研发周期可以由传统的50-60个月大幅减少到6-24个月。同时也可以更清楚地区分刚发布的功能,和OTA或其他方法升级之后的功能的不同。更明显的区分和更强的灵活性可以将软件面临发布平静的风险最小化,并可能获得更灵活的用户体现。

不过尽管更加灵活的方法可以带来显著的效率提升,但却也会产生与传统硬件驱动的研发模型的矛盾。由于根深蒂固的显著不同,车企们需要准备并采取所谓的“双速研发”策略,同时保持硬件驱动和软件驱动这两种非常不同但却又联系紧密的研发线。

想要吸引软件开发人才,车企需要采用一个类似创业公司的雇佣方法。车企更需要重视对人才的观察,让软件经理而不是人力资源去招聘,工作环境或者工作地点也应该同科技公司相比更有吸引力。

最后,车企们也不要忘了软件开发过程中的人工智能和自动化技术,这可以确保有限且宝贵的软件开发时间可以用在最重要和专业的价值上。这可以让软件内容发展的潜力再增加30-50%。

全面采用工业4.0技术

汽车行业同样需要通过应用数字化技术来维持和发展生产、质量、操作的灵活性。汽车工业已经展示过像精益生产(Lean)和六西格玛(Six Sigma)这些技术带给我们的影响,但工业4.0技术可以将生产力继续提高20%,不仅仅是通过工厂内、还有整个供应链上的价值。这些机遇并不只是假设的,它们现在已经开始被应用,而且并不需要过多的资本支出。

举个例子,曾今有某家主机厂发现在用了工业4.0技术之后,使一条原本以为已经最优化的成熟生产线又产生了变革性的影响。通过将更先进的分析和自动化串联质量管理应用到机器上,生产效率提高了30%、废弃率降低了80%、时间缩短了50%。他们装配了电脑数控机器来生产曲轴,并使用了物联网传感器获取和监控其性能数据,并开发了一套算法来实时分析数据,从而优化工具的位置来增加生产量。

当然,目前仍然有许多公司还在努力将概念验证转化为显著的根本上的效果。麦肯锡的调查结果认为全面获得工业4.0的效果需要4个步骤。

第一,方法,对准那些决定性因素,而不是渐进式改进。

第二,目标,专注在根本性改变,专注于减少工作量而不是使其更有效。。

第三,心态,像科技企业一样思考,而不是汽车巨头。

第四,执行,更灵活地向数字化转型,而不是死板地遵循课本。

未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。由互联网进化论作者,计算机博士刘锋与中国科学院虚拟经济与数据科学研究中心石勇、刘颖教授创建。

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

麦肯锡报告:传统车企正面临出行的数字化颠覆相关推荐

  1. 麦肯锡报告:2030年近1亿中国人或面临职业转换,全球将有8亿人被机器人取代!

    近日,麦肯锡全球研究院(McKinsey Global Institute)在周三发布的报告中称,随着科技的进步,未来全球大概有3.75亿人口将面临重新就业,其中中国占1亿. 麦肯锡报告中分了11个行 ...

  2. 郭为重读麦肯锡报告:神州数码转型七年之痒

    郭为重读麦肯锡报告:神州数码转型七年之痒[@more@]七年过去了,神州数码(HK:0861)总裁郭为重新审视七年前的"麦肯锡报告",还是觉得IT服务值得一搏--这应该是神州数码的 ...

  3. 【动态 | 麦肯锡报告:区块链距离商业化应用还有“三到五年”】

    gbcax链交所 [动态 | 麦肯锡报告:区块链距离商业化应用还有"三到五年"] 日前,麦肯锡在一份新的报告中声称,尽管人们颇有兴趣对区块链进行投资,但这项技术距离广泛的商业化应用 ...

  4. 麦肯锡报告翻译:《超越狂欢:区块链的商业战略价值是什么?》

    原文链接:http://t.cn/RDq1sI1 本文约7700字+,阅读(观看)需要44分钟 麦肯锡报告: 区块链战略价值,提出了以下三个关键见解: 区块链不一定要成为一个去中介化的价值生产者,这将 ...

  5. 麦肯锡报告:汽车行业如何依靠AI腾飞?

    人工智能已经是许多产业中的热门话题了,汽车行业的玩家们不仅要注意人工智能能够为他们做什么,也要开始考虑更加具体的几个问题: 机器学习对于整个汽车行业而言,重要性如何? 消费者对于使用了人工智能技术的汽 ...

  6. 麦肯锡报告摘译:未来成功城市的14个特征

    来源:TOP产业办公研究院 [前言]:本文摘译自麦肯锡发布的一份研究报告. 报告来源:McKinsey&Company Report: Thriving amid turbulence: Im ...

  7. AI能让全球车厂每年多赚2150亿美元 | 麦肯锡报告

    唐旭 编译整理 量子位 出品 | 公众号 QbitAI 人人都在谈自动驾驶,而人工智能为汽车行业带来的变化却远不止于此.麦肯锡咨询公司本周发布的一份新报告显示,到2025年,AI将为全球汽车厂商(OE ...

  8. 这篇麦肯锡报告,透露了几个行业秘密...

    ​ 核心词:金融业.制造业.科技创新.低/无代码.技术.全球.中国 全球金融科技正处于一个全新的阶段,在新技术不断进步.创新模式不断涌现.竞争与合作交织并存的背景下蓬勃发展.纵观包括中国.美国.俄罗斯 ...

  9. 惊人的预测——来自2019麦肯锡报告《中国与世界》完整版

    来源:麦肯锡全球研究院 自从中国开始建立与世界各国的经济往来.拥抱市场机制,并积极接纳全球最佳实践以后, 中国经济便迈入了腾飞阶段.如今,中国已凭借其庞大的经济体量跻身全球大国之列.中国在2013年跃 ...

最新文章

  1. 减小程序规模!稀疏数组Sparsearray,数据结构二维数组与稀疏数组转换,Java实现
  2. 前端学习(3114):react-hello-对state的理解
  3. 扎金花游戏 PHP 实现代码之大小比赛
  4. Linux练习(函数调用复制文件)
  5. TZOJ 2099 Sightseeing tour(网络流判混合图欧拉回路)
  6. 『高级篇』docker之开发用户服务EdgeService(13)
  7. 蓝桥杯——输出米字形
  8. 手机学习android,用手机来学习 学生必备6款Android应用软件
  9. python取非_Python:取非矩形区域的GLCM
  10. ORBSLAM3 的改进
  11. 专题:手把手学习硬件基础之手册阅读------TM1620
  12. LM7805:电压调节器的工作原理
  13. 嗖嗖移动大厅之使用场景类
  14. Ubuntu解决外接2K屏分辨率低问题
  15. 数据分析 知识体系 Python篇
  16. Thinkphp6 对接google谷歌第三方登录接口
  17. 北大核心2020_上清华也能选修北大课程?是的!清华北大互相开放部分本科课程...
  18. 九方财富上市一度破发:公司市值80亿港元 9个月营收15亿
  19. vue-qr 二维码 批量 导出
  20. 从知识直播和创新活动中,看搜狐的内容“新”路

热门文章

  1. 清华70余座建筑!数据告诉你供暖前哪最暖和~
  2. 《大数据实践课》开创实践教学新模式:清华大数据能力提升项目特色课程系列报道之一
  3. 《我的Python之路V1.3.pdf》可以下载了,这版pdf更精美!
  4. ResNets首次反超有监督学习!DeepMind用自监督实现逆袭,无需标注
  5. 免费查找AI最优论文神器来啦:一键出结果,分分钟提取论文表格、最新数据...
  6. 刷新ImageNet最高分!谷歌大脑华人研究员发布超强Transformer
  7. 当前人工智能技术都在哪些领域有应用
  8. SAP IDoc E1EDP04 Z8 数据错误之对策
  9. 人脸识别经典算法:特征脸方法(Eigenface)
  10. Python中函数为什么可以当做参数使用?