企业官网建设流程全解析

简介：《2023麦肯锡中国汽车行业CEO特刊——驶向2030：汽车行业竞速赛》面向车企管理者、战略与咨询从业者、投资研究人员及汽车产业关注者，围绕智能电动汽车引发的深度变革，梳理中国汽车市场的趋势判断、竞争格局与价值创造路径。压缩包内为1个PDF文件，约8.18MB，收录整册特刊，内容覆盖市场洞见、CEO访谈、卓越产品、卓越营销、卓越运营与低碳之路等板块，既有消费者洞察、乘用车出口、新能源轻型商用车和零部件机遇分析，也讨论电动汽车盈利瓶颈、软件卓越、DTC客户运营、韧性供应链及减碳路径。已有153人学习，适合用于战略研判、行业研究与案例参考，帮助读者把握电驱动替代、软件体验成为胜负手、盈利模式向全生命周期价值管理演进这三条主线。

1. 行业特刊不是拿来读完的，是拿来拆的

把一份两百多页的行业特刊塞进网盘，然后一年都不打开——这事我干过不止一次。直到某次做产品规划，要给三年后的车型定 EV 渗透率假设，翻遍手头资料，最后能用的还是这份《驶向 2030：汽车行业竞速赛》CEO 特刊里的那几张图。它真正的价值在于把「中国汽车市场还剩多少量、新能源电动化的节奏在城市之间怎么传导、价值创造从哪里被重新分配」这三个问题，拆成了可以抄进自己模型的口径和参数，而不是读完就完的读物。战略、产品规划、市场研究、供应链规划这几个岗的人拿到它，最该做的是先拆骨架、再取数据、最后对一遍口径，而不是从卷首语一路读到致谢。

2. 拆骨架：五大板块对应到四类岗位的抽取路径

拿到一份结构复杂的行业合集，最常见的浪费是把时间平均分配——每一篇都读三页，结果每一篇都没读透。这份特刊的组织方式其实很规整：卷首语给判断，然后分「市场洞见 / 卓越产品 / 卓越营销 / 卓越运营 / 低碳之路」五个板块，中间夹两篇车企掌门人的访谈。卷首语里那四条主线（技术重塑、品牌定位重塑、价值创造变革、减碳）不是装饰，它是后面每一篇的索引标签，读任何一页都能反查它到底在补哪条主线的证据。

2.1 从目录结构反推它想回答的四个问题

把目录摊平看，这本合集实际在回应四个层层递进的问题，每个问题都对应一组可量化的锚点，而不是纯观点。

这张表的用法很直接：先确认自己这季度要交付的判断属于哪一行，然后只精读那一行对应的篇目，其余当索引留着。比如做车型规划的，第三行只翻「电动化盈利瓶颈」和「软件卓越」两篇就够；做渠道的，第四行的经销商转型那一篇比前面所有市场数据都值钱。

2.2 四条主线怎么串起全书

卷首语把变革拆成三层——动力系统从内燃机转向电驱动、核心胜负手从硬件性能转向软件体验、盈利模式从一次性售卖转向全生命周期价值管理。这三层不是并列关系，而是有先后依赖的：动力系统变了，才让软件体验成为可能；软件体验成为差异点，才让「卖完车还能持续变现」这套逻辑立得住。

所以读到任何一篇，先问它落在哪一层：讲电驱动成本与平台效率的，补的是第一层；讲电子电气架构、软件自研与功能发布的，补的是第二层；讲用户运营、售后价值池、DTC 体系的，补的是第三层。第四层减碳是横切面，跟三层都有关但不属于同一条因果链。我一般会在自己的笔记里给每条结论打一个层级标签，写方案的时候按层级归类，避免把「某款车降价」这种第一层的现象，硬拗成第三层的商业模式结论——这是最常见的逻辑跳跃。

顺带说一句，卷首语明确提了一个判断：靠不断试错来摸方向的做法，生存空间会被压缩，因为行业估值逻辑变了，时间的代价比钱更贵。这个判断对读报告的人同样成立——把两百页平均分配的「试错式阅读」，效率远不如按岗位定向抽取。

2.3 三条必须先抄下来的基线数字

在展开任何分析之前，先把三个基线数抄到自己的表头，后面所有推演都围着它们转：

第一，EV 渗透率从 2016 年的 1% 提升到 2022 年前三季度的 24%。这个数字是分水岭，它意味着新能源电动化已经从政策与牌照驱动，转为真实需求驱动。

第二，中长期年销规模的上限大约在 2800 万台上下。口径是每千人 5 年新车销量可能攀升到 100 台左右，也就是每千人年购新车 20 台，按 14 亿人口折算。这个数要当成天花板用，不是当成预测值用。

第三，近 1.2 亿台车的置换与报废需求构成中期支撑，其中约 1 亿台处在置换高峰期，2000 余万台逼近报废阶段。它解释了为什么在首购人群萎缩的情况下，大盘还能稳住。

提示：这三个数字的统计口径不一样，前两个是市场总量口径，第三个是保有量车龄结构口径。混在同一张表里对比时一定要标注单位，否则很容易算出「置换池比年销量还大所以市场必涨」这种错误结论——置换池是跨多年释放的存量，不是单年增量。

三组数抄完，你就可以开始判断别人给的结论是不是靠谱了：任何一份材料如果声称 2030 年中国年销能到 4000 万台，先拿 2800 万这条上限去卡它，看它到底改了哪个假设。

3. 渗透率曲线：从 1% 到 24%，城市线级 4/6/7 个季度滞后怎么用

24% 这个全国平均数，是这份特刊里最容易被误用的一个数。它太平滑了，平滑到让人以为全国是一个节奏。实际上把渗透率按城市线级拆开之后，能看到一个非常稳定的传导结构：二线城市的 EV 渗透率大约落后一线城市 4 个季度，三线落后约 6 个季度，四线及以下落后约 7 个季度。这个滞后不是随口给的定性描述，它是一条可以直接写进排期模型的参数。

3.1 1% 到 24% 这条曲线该怎么读

教科书上的技术扩散曲线是标准的 S 形，但这份特刊给出的这条曲线不太一样——它不是全国统一爬坡，而是由高线级城市先启动、逐级向下传导。2016 年全国 1% 的时候，一线城市已经明显高于这个水平；到 2022 年前三季度全国 24% 的时候，二三四线各自处在不同的爬坡位置上。

更关键的一个反直觉结论：中低线城市的渗透率增长，主要来源并不是小、微型电动车。特刊里明确做了这个拆分——中低线城市在小微型细分上的 EV 渗透率并没有显著高于一线城市，真正在快速抬升的是紧凑型、中型、中大型及大型这些细分。虽然起点低，但这些细分在中低线城市的表现跟高线城市之间已经不存在质的区别。

这个结论的价值在于它会改你的产品定义。如果你按「低线城市只买小车」这个刻板印象去配产品和渠道，就会在紧凑型和中型这两个正在起量的池子里缺位。我见过不止一个团队在这上面翻车，把区域资源全压在 A00 级上，结果眼睁睁看着别人在中型 SUV 上把量吃走。

3.2 4/6/7 个季度滞后怎么变成排期参数

把滞后关系用起来，第一步是把「滞后」翻译成时间轴上的映射：某条线级今天所处的阶段，等于一线城市 4 到 7 个季度之前的阶段。这条映射至少能支撑三件事——区域投放的排期、产能与库存的前置布局、以及渠道改造的先后顺序。

下面这段代码是用一线城市的渗透率序列去反推各线级的当期水平，并顺着同一斜率外推四个季度。它不是我拍脑袋写的，是把特刊里那张分线级渗透率图的读法固定成了一个可复算的流程。

import numpy as np # 一线城市近 8 个季度的 EV 渗透率（%），按季度升序排列 # 实际使用时替换为国家或地方的上险量统计结果，不要用示意值下结论 tier1 = np.array([8.0, 9.6, 11.2, 13.1, 15.0, 17.2, 19.4, 21.0]) # 各线级相对一线的滞后季度数，来自特刊的分线级渗透率比较结论 lag = {"二线": 4, "三线": 6, "四线及以下": 7} # 用最近 4 个季度的平均环比增量作为斜率，避免单季促销把斜率带偏 slope = np.diff(tier1)[-4:].mean() for tier, q in lag.items(): now = tier1[-q] # 滞后 q 个季度 => 对应当前一线 q 个季度之前的水平 nxt = now + slope * 4 # 按同一斜率外推 4 个季度 print(f"{tier}: 当期约 {now:.1f}%，四个季度后约 {nxt:.1f}%（斜率 {slope:.2f} pct/季）")

逻辑上是三步：先确定滞后季数，再把一线序列往前平移得到当期值，最后用同一斜率外推。参数上有两个地方要改：tier1数组必须换成你自己拉的上险量口径数据，长度至少覆盖最长滞后期（这里是 7），否则tier1[-7]会越界；lag字典里的 4/6/7 是特刊给出的比较结论，如果你做的是更细的城市分级，这个字典要按你实际的分级重算，不能直接套。斜率用最后四季差分均值而不是固定值，是因为季度数据受补贴退坡、季末冲量影响很大，单点算斜率会失真；如果某几季波动特别剧烈，把mean()换成np.median()更稳。

还有一层要注意：这个外推只在「一线保持同一斜率」的前提下成立。一旦一线增速自己开始放缓，下游线级不会自动跟着放缓——它们的绝对值低、空间大，往往还能维持甚至加速几个季度。所以这个模型适合做十二个月内的短中期排期，不适合拿来推 2030 年。

3.3 细分车型的分层读法

只按城市线级拆还不够，第二刀要按车型细分拆。全国 24% 是紧凑型、中型、中大型及大型、微型及小型这几个池子加权出来的结果，各池子的渗透率差异很大，用平均数去做单车型判断必然偏。

这张表的用法是配产品节奏：微型及小型用来判断存量替换的天花板，紧凑型用来定性大盘，中型看竞争格局，中大型看品牌溢价还能守多久。四类问题的答案来源不一样，别用同一张图回答四个问题。

提示：分线级和分车型这两刀要交叉着切。只看线级会漏掉结构，只看车型会漏掉区域节奏，交叉之后才能回答「哪个价位在哪个层级先起量」这种真正指导排产的问题。

4. 销量天花板：2800 万台与 1.2 亿台置换池，口径差一步结论就偏

渗透率回答的是结构问题，销量上限回答的是规模问题。这两个数经常被混着用，导致方案里出现「渗透率涨到 40%，所以总量也会跟着涨」这类错误——渗透率是结构占比，它可以在总量停滞的情况下继续上升，两者不是同向关系。

4.1 千人销量上限法的三个输入与两个假设

特刊用的方法不是简单的人均保有量类比，而是画了一条「人均 GDP—千人五年新车销量」的上限弧线：横轴是人均 GDP，纵轴是每千人五年内的新车销量，把多个国家在四个五年区间（2002~2006、2007~2011、2012~2016、2017~2021）的落点画在一起，然后拟合出一条没有任何国家能越过的上边界。中国在相近人均 GDP 水平下的落点，已经逼近甚至贴住这条上边界。

这个方法吃三个输入：人均 GDP、千人五年销量、人口规模。吃两个假设：一是人均 GDP 的增速假设，二是人口结构假设。第二个假设是这条曲线在中国最特殊的地方——弧线的斜率会随着人均 GDP 提升而减小甚至转负，反映的是保有量水平提高之后对新车购置热情的抑制；而中国同时还叠加了老龄化与年轻人口规模缩减，所以直接照搬高发达国家的千人保有量去推上限，会明显高估。

我一般会把这套方法固定成一个四步流程：

第一步，取中国近五年的人均 GDP 和千人五年新车销量，在弧线图上定位当前落点；第二步，按保守与中性两档设定未来五年的人均 GDP 增速；第三步，在弧线上读取对应人均 GDP 位置的千人五年销量上限值；第四步，乘人口数得到年销上限，然后往下打折——打这个折的理由就是人口结构，不是经济增速。

4.2 2800 万台是怎么推出来的

口径很直白：每千人五年新车销量攀升到 100 台左右，等价于每千人年购新车 20 台上下，14 亿人口乘以 20 台/千人，得到约 2800 万台/年。这个数不是某一年的预测值，是中长期规模中枢的上沿，特刊的原话是「新车销量规模将在该水平上下适度震荡」。

这里有两个容易出错的点。一是单位。「千人五年 100 台」和「千人年 20 台」是同一个数的两种表达，不要当成两个独立指标去交叉验证，否则会得出「两个口径互相印证」的假结论。二是「震荡」这个词。中枢上下震荡意味着单年可能明显高于或低于 2800 万，做年度预算时用中枢值、做产能规划时用中枢减一档，是比较稳的做法。

下面这张敏感性表是我常用的形式，行是经济增速假设，列是千人年购车量假设，格子里是折算出来的年销规模（万台），用 14 亿人口口径。

表格本身没什么技术含量，价值在于它逼你把假设显式化。当你把「人口 14 亿、千人 20 台」这一格当成基准，旁边那几格就是你的风险区间；如果某个方案只在 22 台那一格才成立，那它本质上是在赌人口结构不恶化，这个赌注要写进风险提示里。

4.3 1.2 亿台置换报废池的口径陷阱

置换池是这份特刊里最容易被读者拿去当利好的一个数：近 1.2 亿台车的置换与报废需求，其中约 1 亿台处于置换高峰期、2000 余万台逼近报废阶段。但它是按车龄结构分解出来的存量，不是未来某一年的销量。

口径上有三处要抠。第一，置换和报废是两个不同的行为：报废对应的是车辆退出，置换对应的是车主换购，一台车的报废可能对应零次或一次新车购买，取决于车主是否继续拥车。第二，这个池子的释放节奏跟经济环境强相关，特刊明确说了要让这近 1.2 亿台的理论量顺利转为新车需求，经济需要在中长期保持一定发展水平。第三，车龄分布是按保有量分解的，保有量里包含营运车辆和单位车辆，这部分换购决策逻辑跟私人用户完全不同，做乘用车零售预测时要剔除或单列。

我见过最典型的一次误用，是把 1.2 亿台直接除以某个年限，得出「每年有 X 千万台刚性置换需求」，然后把这个数当成市场底。这么算等于假设置换周期均匀分布，而实际车龄分布是明显堆积的——堆在换购高峰那几年的量会集中释放，前后年份反而稀疏。均匀除法的结果既不反映峰值也不反映谷值，只能算个平均数，用它做年度排产会踩空。

4.4 把两个口径对上：结构涨、总量平

把第 3 章和第 4 章合起来看，才能得到完整判断：总量在 2800 万台上下震荡，EV 渗透率继续爬升。这意味着燃油车的绝对量在持续收缩，而且收缩速度快于总量变化速度。

这个判断对方案的杀伤力很大。任何一份还按「总量增长 + 燃油车保有一定份额」双重假设做的五年规划，基本都要重做。我一般会在方案首页就写死这两条：总量用中枢值不加增长，EV 份额按线级滞后模型分区域给。这样后面所有测算都建立在同一个地基上，不会出现前面对总量乐观、后面对份额保守的自相矛盾。

5. 排查清单：这份特刊最容易被用错的五个地方

这类行业合集有个共同特点——结论写得漂亮，但成立条件埋在正文里。直接摘结论去用，十个里有六七个会翻车。下面五条是我和周围人真实踩过的，按现象、原因、解决三层拆开写，遇到对应场景直接对号。

5.1 五条高频误用与处置

第一条：拿 24% 的全国平均渗透率去评估某个三线城市的新店

现象：区域方案里所有城市用同一个渗透率假设，结果三线城市的销量预测普遍偏高，实际达成率长期在六成上下。

原因：全国 24% 是加权平均，三线城市的实际水平落后一线约 6 个季度，四线及以下落后约 7 个季度。用平均值等于给低线级城市提前预支了一年半的渗透进度。

解决：按线级套滞后季数折算当期水平，再用 3.2 节那段代码外推。更稳一点的做法是把线级再细分到省份，因为同一个线级内部差异也很大，但至少要先把线级这一层做对。

第二条：把各家公布的 2025、2030 年电动车销量目标加总，当成市场规模

现象：做市场容量测算时，直接汇总公开的销量目标，得到一个远超全球总量的数，然后开始怀疑自己的其他数据是不是错了。

原因：卷首语里专门点了这件事——简单汇总诸多车企宣布的 2025 及 2030 年电动汽车销量目标，其总和甚至接近全球总量。目标不等于可实现销量，它是各家在竞争压力下的表态。

解决：用第 4 章的销量上限法做交叉验证，任何目标加总只要越过 2800 万台这条线，就说明里面混了大量不可实现部分，必须按企业逐个打折后再汇总，而不是先加总再打折。

第三条：用发达国家千人保有量倒推中国的销量天花板

现象：测算出中国年销还有很大增长空间，据此建议扩产，结果产能利用率一路下滑。

原因：这个推法忽略了两个东西。一是保有量水平提高本身会抑制新车购置热情，特刊那条上限弧线在高人均 GDP 区间的斜率是减小甚至转负的；二是中国叠加了老龄化与年轻人口缩减，购车适龄人群规模在萎缩。

解决：改用「人均 GDP—千人五年销量」的上限弧线定位，再叠加人口结构修正。人口结构这一项不能省，它是国内跟其他市场最大的差异点。

第四条：把减碳理解成上屋顶光伏加储能

现象：减碳路线图做完，外部核查时被指出范围三排放几乎空白，方案被退回。

原因：减碳是系统性工程，既要对自身运营做多维度优化甚至重塑，也要穿透式追溯上游供应链，还要跟不同梯级的业务伙伴协作推进。只做自家厂区的能源替换，覆盖的只是范围一和范围二的一部分。

解决：按零碳工厂、零碳供应链两层分开做路线图，供应链那层要落到具体梯级的供应商；同时把内部碳定价机制建起来，让每个业务单元在决策时把碳成本算进去，否则减碳永远停在宣传层面。

第五条：把「以客户为中心」直接落成会员体系和社群运营

现象：投入不小，用户活跃度短期上来了，但复购和转介绍没动，一线门店还抱怨流程更繁琐了。

原因：从 2B 基因进化到 2C 基因，卡点往往不在前台动作，而在 IT 架构与流程。客户体验管理、用户运营、IT 架构与流程这三件事是有先后依赖的，前两件做得再热闹，底层系统不支撑，数据打不通，用户体验就是断的。

解决：先动 IT 架构与流程，把客户数据的唯一性和触点的贯通做掉，再谈运营动作。顺序反了就是白花钱，这条血泪经验值得写在方案第一页。

5.2 开读前的自检清单

在把任何一条结论搬进自己的方案之前，过一遍下面这张表，比事后返工便宜得多。

这张表的第五项是最容易被忽略的。一份材料的价值，很大程度上取决于它有没有给你留下可复算的路径——参数在哪、假设是什么、换个输入结论会怎么变。留不下路径的结论，只能当观点看，不能进模型。

6. 进阶用法：把两百页压成一张季度跟踪表

读到第二遍的时候，我就不再按页读了，改成按字段读——把整本特刊拆成一张可以按季度更新的跟踪表。字段设计大概是这个样子：渗透率（分线级、分车型两列）、年销规模中枢、置换池释放进度、EV 细分市场份额、出口占比、单车盈利、供应链价格指数、碳成本。每个字段配三样东西：当前值、来源口径、下一次更新时间。

关键在「来源口径」这一列，它决定了这张表三个月后还能不能用。比如渗透率那一行要写清楚是上险量口径还是批发口径，是累计值还是单季值；置换池那一行要写清楚车龄分布的统计截止点。我吃过一次亏：同一张表里混用了两种口径的渗透率，做出了一条看起来在下降的曲线，差点据此调整区域策略，后来逐行核对才发现是两个统计源的时间窗错位了一个季度——从那以后我每次建跟踪表，都强制先把口径列填满再填数值，宁可空着也不混着。

验证这张表有没有建对，有个简单的办法：拿特刊里已有的结论去回测。用你的字段和口径重算一遍 2022 年前三季度 24% 这个数，如果算出来在 23%~25% 之间，说明口径基本对上了；如果差出三四个点，多半是把营运车辆算进去了，或者用了批发而非上险。这个回测花不了半小时，但能省掉后面反复解释数据打架的时间。

最后一件事，别把这张表做成只进不出的档案。每个季度更新完，挑一个字段写三句话：变了多少、为什么变、对我的方案意味着什么。三句话写不出来，说明这个字段对你没用，删掉，别让它占着位置。跟踪表的价值不在全，在于每个字段都能推到行动上。希望帮到你。

本文还有配套的精品资源，点击获取