这是星河互联合伙人王磊做的一张图，我做了一点小改动，这里给大家分享一下。

首先，纵轴是我们对汽车可能产生的一些数据进行分类，越往下越偏向「车的属性」，是静态的公共数据，比如车辆配件数据、车型的配置数据、还有出厂数据和车辆交易数据。越往上是偏向「人的属性」，是动态产生的数据，偏向于个体化，包括维修数据、驾驶轨迹、驾驶行为，从而推出个人信用数据。

汽车产业链的各个环节包括生产、交易、后服务、汽车金融等都会产生和应用这些数据。我们做了一些罗列，其实远不止这些，后面应该有个省略号。

横轴的关键词有定型、监控、评级、定价——前面两个很简单，定型是我们知道这是什么车，监控就是对车进行实时监控，包括轨迹，包括维修保养，也包括保险出险的数据。后面的评级和定价：比如看这个人能不能贷款？贷多少款？以什么利率来贷款？这些就是数据的高级应用了。

整个图表解释起来可能比较复杂一点，所以我单独用一个例子：

比如车抵贷。我现在做一个车抵贷，需要去金融机构做抵押，首先确定这个车是什么车？可能牵扯到车辆的出厂数据、配置数据？哪年款？是高配还是低配的？车定型之后，我们需要进行综合的评级，包括车辆的交易数据，车辆的维保数据，人的信用数据，把钱贷出去能不能收回来，能贷多少？这是涉及评级。

后面是定价，这个人的整体信用什么样？如果这个人整体信用很好，那么我们利率上可以有一个让步。如果这个人本身信用水平很低，那么我们定价的时候会定比较高的利率来对冲这个风险。放贷后我们需要做车辆监控，比如装GPS，来管控车的位置和实时行为，这个是风险管控。这是车抵贷的整个流程。

什么产品或服务需要大数据的支持呢？我们觉得「越是非标准化的产品，越是需要个性化定价的产品，越需要数据。」所以基于大数据的汽车金融及其他需要个性化定价的服务，将是未来的一个机会。

这是我们看到的第一个机会，就是汽车市场的数据服务。

第二个分享的机会是在万亿级别的汽车后市场。

前面加了一个词是纠结，不只是我纠结，包括创业者也是——大家怎么切入市场，从洗车切入还是维修保养切入？选择什么模式，是轻模式还是重模式？从哪个渠道入手，4S店还是独立汽修厂？他们也很纠结，甚至包括消费者去什么地方修车、去什么地方做保养，是去4S店还是去独立的维修厂还是维修连锁？也很纠结。我们投资人也会产生一些纠结，所以我们对整个领域进行了比较细致的分析。

我想在这里先对中国和美国市场进行一个比较。

这是2015年的数据，但是总体趋势还是可以反映出来，首先从汽车保有量来看，中国是一个追赶期，已经很接近美国，这块没什么可说的。但是第二个数据——「每千人保有量」，美国是中国的近6倍，在这块我们有很大的发展空间。

从汽车销量来看，我国已经远远超过美国，这需要说明一下，美国不是说现在的新车销量降低了，那么整个汽车的销量就降低了，而是美国二手车交易十分活跃，所以更多买车需求是被二手车交易消化掉的，而中国主要是靠新车拉动。

第四是平均车龄对比，中国是3.6年，美国是11.6年，美国的车辆基本都是保修期以外。随着车龄增加，故障率会提升，维修保养频次也会提高，所以这就是为什么汽车保有量基本相似的情况下，我们中国的后市规模和美国相比，却相差甚远的一个主要原因。

这张图是后市服务格局。前面是4S店，中国有26000家，后面是独立的汽修店/厂，这两个大头就占了整个市场的90%以上，中间是汽修连锁，它的市场份额比较少，有种夹缝中求生存的局面。

这个是我们针对互联网后市维保商业模式的一个归纳，从轻到重，每个模式都有代表性公司，简单说一下轻模式和重模式。