Warum nutzt CarPrice künstliche Intelligenz?

    Über neuronale Netze wurde in den letzten drei Jahren viel geschrieben und gesagt. Wir haben darüber nachgedacht, Ihnen zu sagen, wie wir „künstliche Intelligenz“ in unserer täglichen Arbeit einsetzen. Darüber hinaus ist er bei vielen Routineoperationen viel besser als Menschen.



    Beim Autoverkauf sind traditionell alle wichtigen Vorgänge an Menschen gebunden - emotional und in unterschiedlichem Maße zuverlässig. CarPrice führt jedes Jahr bis zu 150.000 Auktionen durch. Dies bedeutet, dass sich Terabytes an Statistiken für jedes Fahrzeugmodell vom tatsächlichen Zustand bis hin zur Preisdynamik je nach Verkaufsort und Tageszeit in den Tiefen des Unternehmens ansammeln. Ist es möglich, durch die Analyse von Informationsfeldern die Umwandlung in den Verkauf zu steigern? Kann und soll sein!

    Zunächst wollten wir ein Tool erstellen, das den Manager bei der Arbeit unterstützt. Im Test waren wir jedoch überzeugt, dass das neuronale Netzwerk ohne eine Person völlig erträglich ist. Aber zuerst die ersten Dinge.

    Im Folgenden werden wir über verschiedene Werkzeuge sprechen, die auf der Grundlage neuronaler Netze erstellt wurden, um die Arbeitseffizienz zu steigern. Alle arbeiten ständig online.

    Smart Margin


    Smart Margin ist eines der wichtigsten Instrumente zur Steigerung der Rentabilität. Das System weiß, um wie viel wir jedes Auto verkaufen können, unter Berücksichtigung von Alter, Kilometerstand, Ausrüstung, Schäden, Tageszeit, Farbe, Wochentag und sogar dem Boden des Verkäufers. Es gibt viele solcher Parameter, etwa 600. 

    Das neuronale Netzwerk versteht, wie viel Händler für ein Auto zahlen werden und welcher Betrag am wahrscheinlichsten für den Verkäufer geeignet ist. Es berechnet unabhängig die optimale Höhe der Auktionsspanne. Smart Margin wird geschaffen, um Bedingungen zu schaffen, unter denen die Wahrscheinlichkeit des Verkaufs eines Autos maximal ist. Für einen garantierten Verkauf weist das neuronale Netzwerk manchmal die geringstmögliche Marge zu, da die Maschine sehr flüssig ist und sich in gutem Zustand befindet und der Verkäufer sie schnell anderswo verkaufen wird. Bei einem anderen Fahrzeug ist die Marge höher, da die Reparatur unzuverlässig und teuer ist, was für CarPrice mehr Risiken bedeutet.

    Sie können etwas im Sinne von "nur die Marge minimieren, dann wird der Umsatz wachsen" sagen und ... einen Fehler machen. Es gibt Autos, deren Besitzer ihr Auto nicht verkaufen, auch wenn wir extra zahlen. Es gibt Autos, deren Besitzer für den Preis überhaupt nicht anfällig sind - Service und Sicherheit eines Deals sind für sie wichtiger. Daher bedeutet eine Reduzierung der Margen in den meisten Fällen weniger Umsatz. Hauptaufgabe dieses Tools ist es wiederum, die Bedingungen für das zu verkaufende Auto zu schaffen. Wenn zum Beispiel die Marge um einen bestimmten Prozentsatz verringert wird, steigt die Wahrscheinlichkeit, dass ein Auto verkauft wird, um den Faktor 2-3, dann werden wir es tun. Infolgedessen steigen die Umsatzerlöse des Unternehmens aufgrund einer stark gestiegenen Umsatzkonvertierung.

    Hier sind einige Statistiken. Vor der Implementierung haben wir A / B-Tests durchgeführt. Nachfolgend finden Sie ein ungefähres Margin Chart. Die schwarze Linie ist eine Testgruppe mit einem intelligenten Rand. Grün - Kontrollgruppe, ohne intelligente Marge.  Es ist ersichtlich, dass nach den Empfehlungen des neuronalen Netzwerks die Marginalität geringer ist.



    Und dies ist eine Grafik des Zustands der gekauften Autos, die sich in unseren „Stars“ widerspiegelt. Es stellt sich heraus, dass wir, wenn alle Faktoren vom neuronalen Netzwerk richtig berücksichtigt werden, mehr gute Maschinen zurückkaufen als ohne ein neuronales Netzwerk. Besseres Auto - weniger Beschwerden.



    Umrechnungstabelle. Die Testgruppe mit einer intelligenten Marge ist höher:



    Höher und der Durchschnittspreis der gekauften Maschine. Das ist höher und das Auktionsvolumen läuft weiter:



    Schließlich vergleichen wir die durchschnittlichen Renditen für Gruppen als Ganzes. Durch die Anwendung von Smart Margin ist der Umsatz um einige Dutzend Prozent höher, einfach weil der Umsatz steigt. Aufgrund der „intelligenten“ Margenreduzierung bei bestimmten Fahrzeugen erzielen wir eine höhere Umsatzkonvertierung, was natürlich die Einnahmen des Unternehmens dramatisch steigert.

    Ist das neuronale Netzwerk bei der Bestimmung der optimalen Marge falsch? Heute gibt es fast keine, aber bei der Testphase sind Fehler ständig herausgekommen.

    Was ist "unter der Haube" einer smarten Marge

    Bei der Entwicklung eines Smart-Margin-Modells wird der maschinelle Lernalgorithmus MultiLayer Feedforward Perceptron verwendet. Das durch die Anwendung dieses Algorithmus erhaltene neuronale Netzwerk sieht in unserem Fall folgendermaßen aus:



    X 1 , X 2 , ..., X n  ist eine Menge von Eingangsdaten, die wir kennen:

    1) über den Client:

    • Boden;
    • Alter;
    • маркетинговый канал, откуда пришел клиент на сайт CarPrice (Offline, Calls, CPA, Context и пр.);
    • из какого района города приехал клиент.

    2) его машине:

    • марка;
    • модель;
    • год выпуска;
    • модификация;
    • пробег;
    • состояние авто (кузов, салон, техника).

    3) о точке продаж CarPrice, куда приехал клиент:

    • профессиональный опыт сотрудника CarPrice, который работает с клиентом;
    • общие показатели точки продаж CarPrice, куда приехал клиент.

    4) о цене, которую на аукционе дают дилеры за данную машину.

    В набор входных данных нейросети входит день недели и время запуска аукциона, а также процент маржи, зарабатываемый CarPrice.

    На выходе (outputs) нейросеть выдает вероятность согласия клиента продать нам свое авто. В итоге задача сводится к максимизации критерия ожидаемой абсолютной маржи:

    <dealer price>*<margin>*<purchase probability> 


    • dealer price — максимальная цена, которую дают за авто на аукционе дилеры
    • margin — процент маржи, зарабатываемый CarPrice
    • purchase probability — вероятность согласия клиента продать своё авто

    Смарт-маржа работает как отдельный WebAPI сервис, в который поступает набор входных данных, перечисленных выше. В качестве результата возвращается процент маржи, при котором ожидаемая абсолютная маржа достигает максимума.


    Intelligente Kompatibilität


    Angenommen, wir haben einen Inspektor angeheuert, um Autos zu inspizieren. Er arbeitete mehrere Monate und verbrachte mehrere hundert Auktionen. Das neuronale Netzwerk analysiert die Ergebnisse seiner Arbeit und findet heraus, mit welchem ​​Autotyp oder Kunden es am besten funktioniert. Zum Beispiel, man kauft schön Autos von Mädchen mit iPhones. Und die andere kommt mit der Modellpalette von Volkswagen zurecht. Jemand Besonderes auf "Japanisch", und jemand kauft alles perfekt, aber nur am Montag oder Freitag.

    Solche Muster werden vom neuronalen Netzwerk überwacht. Budgetautos oder teure "Deutsche" oder "Koreaner" - wer zu uns kommt, das System weiß, welcher Mitarbeiter die beste Umstellung bewirkt. Nachdem das neuronale Netzwerk sich auf der Website registriert und Daten im Auto hinterlassen hat, wird der Mitarbeiter benannt, der besser als jedes andere zurechtkommt. Wie im ersten Fall werden viele Parameter berücksichtigt, einschließlich des Telefonmodells des Kunden (falls der Eintrag über die mobile Version der Website erfolgte).

    Nach der Einführung der intelligenten Kompatibilität war die Konvertierung bei Auktionen, bei denen der Inspektor empfohlen wurde, um 2 bis 5 Prozentpunkte höher als bei Auktionen ohne Empfehlung. Und die durchschnittliche Marge der Auktion ist um 10-15% höher. Dies ist viel, vor allem wenn man bedenkt, dass eine solche Effizienzsteigerung keine Kosten verursacht.

    Was ist "unter der Haube" in intelligenter Kompatibilität
    В процессе анализа данных нам удалось выявить различия в навыках менеджеров при выкупе машин.  Этот инсайт лёг в основу нейросети, которая использует следующий набор входных параметров:
    • конверсия менеджера в разрезе ценовых диапазонов авто
    • конверсия менеджера в разрезе цены – года выпуска авто
    • конверсия менеджера в разрезе марок – моделей авто
    • конверсия менеджера в разрезе пола/возраста клиента
    • конверсия менеджера за последние 7 дней
    • конверсия менеджера в разрезе маркетинговых каналов, откуда пришел клиент

    На выходе нейросети считается вероятность выкупа машины. Оптимизируемым критерием здесь является:

    <Probability to purchase> 

    Для каждого клиента, приехавшего на точку продаж, нейросеть выбирает менеджера, который выкупит авто с наибольшей вероятностью.

    Smart Slotting


    Dies ist ein intelligenteres neuronales Netzwerk. Durch die Anmeldung für einen Autoverkauf bestimmt der Kunde die Adresse und die Uhrzeit. Wie ich bereits sagte, wissen wir im Voraus, wie wahrscheinlich es ist, dass der Eigentümer das Auto über uns verkauft. Bei der Zuweisung der Zeitnischen geben wir einem solchen Kunden- / Fahrzeugpaar eine höhere Prioritätszeit, dessen potenzielle Marginalität oder Konversion höher ist.

    Wie sieht es in der Praxis aus? Wenn laut Analyse die Wahrscheinlichkeit einer Clientkonvertierung sehr hoch ist, sind ihm bei der Aufnahme alle Zeitnischen frei - ich möchte nicht wählen. Und wenn der Besitzer eines Autos mit einer Reihe von Eigenschaften ankommt, die in unserem Land in der Vergangenheit schlecht konvertiert wurden, stehen nur noch nicht beanspruchte Plätze zur Auswahl zur Verfügung. Zum Beispiel am späten Abend. Denn wenn Sie einem Kunden Zeit mit einer geringen Umstellungswahrscheinlichkeit geben, kann der Kunde mit einer höheren Umstellungswahrscheinlichkeit das Fahrzeug nicht anmelden und verkaufen. Wenn an einem Slot, der mit einem nicht zu flüssigen Auto besetzt ist, ein flüssiger Wettbewerber erscheint, dann übertragen wir das erste Auto mit den Ressourcen des Call-Centers auf eine weniger beliebte Uhr.

    Dabei ist es auch wichtig zu berücksichtigen, dass nicht jeder Kunde irgendwann in unser Büro kommt. Zum Beispiel sind wir überrascht, dass Frauen doppelt so obligatorisch sind wie Männer. Und Menschen mit iPhone erreichen CarPrice um 30% besser als Menschen mit Handys auf Android. Dies und mehr berücksichtigen wir, wenn wir einem Kunden die Möglichkeit geben, die beste Zeit zu wählen.

    Nachfolgend finden Sie die traditionellen Statistiken. Wir haben die Autos in drei Gruppen eingeteilt, nach der Wahrscheinlichkeit ihrer Ankunft, geschätzt durch das neuronale Netz - grün, gelb und rot. Sobald dieses Werkzeug verdient war, wuchs die Zahl der Besuche "grüner" Autos. Wie Sie sehen, hat sich das System nicht geirrt.



    Und dies ist die Umwandlung der Ankunft in Erlösung. Es ist zu sehen, dass das Volumen "grüner" Autos ebenfalls wächst.



    Unsere Punkte in Punkten mit Smart Slots sind jetzt um 27% höher als in Punkten ohne diese. Und wieder kostenlos. Abgesehen von den Kosten für Algorithmen und Programmierung natürlich.

    Was ist "unter der Haube" in smart slotirovaniya
    Базовым алгоритмом нейросети здесь является тот же MLP, входными параметрами для которого являются:

    • марка/модель/год выпуска авто
    • маркетинговый канал, с которого зашёл клиент на сайт CarPrice
    • модель устройства, используемое клиентом для оценки авто на сайте
    • день недели/часы суток когда клиент зашел на сайт

    По набору этих параметров нейросеть считает вероятность события выкупа авто у клиента или, другими словами, прогнозируемую сквозную конверсию из заявки в выкуп.

    В зависимости от рассчитанной величины вероятности выкупа и ожидаемой маржи, которую заработает компания, клиенты разделяются на 3 группы по ценности. Критерий разделения на группы выглядит следующим образом:

    <ProbabilityAppointment To Purchase>*<Expected Margin>

    Клиенты с самой высокой величиной этого критерия относятся к первой группе, с самой низкой – к третьей. Нам важно, чтобы было больше записей клиентов первой группы ценности, так как зарабатываем мы на них гораздо больше. Поэтому по мере формирования слотов мы даем больше опций по выбору удобного слота для первой группы, чуть меньше для второй и значительно меньше для третьей группы.

    Для планирования заполненности слотов и во избежание очередей на точках продаж разработана предсказательная модель на основе дерева решений, которая вычисляет вероятность приезда клиента на точку. Вот как выглядит одно из правил расчета вероятности приезда клиента:

    cr_apcon2m_source_chan <= 0.5672744316784764 AND cr_apcon2m_weekday_conf > 0.5210736783538652 AND cr_apcon2m_hour_conf > 0.5068323664539807 AND cr_apcon2m_source_chan > 0.4755808440018966 AND cr_apcon2m_brand_model > 0.037602487984167376 AND cr_apcon2m_brand_model <= 0.1464285714285714 AND cr_apcon2m_hour_conf > 0.14705882352941177


    Здесь переменные cr_ — конверсии по параметрам клиента. Например  cr_apcon2m_source_chan — это средняя конверсия клиентов, пришедших с того же маркетингового канала. При выполнении условий выше расчётная вероятность приезда клиента равна 0.14.

    Intelligentes Band


    Jeder Händler, der bei uns Autos kauft, hat bestimmte Vorlieben. Jemand liebt teure Modelle, jemand kauft nur "Logans" und "Solaris" ... Händler sehen viele Autos an und wenn Sie ihre Konsumentenpräferenzen beim Erstellen des Auktions-Feeds berücksichtigen, können Sie die Konversion drastisch steigern. Es scheint offensichtlich zu sein. Alles ist jedoch etwas komplizierter.

    Händlerpräferenzen sind variabel. Geschäfts- und Kundenpräferenzen ändern sich, sodass sie von einem Segment zum anderen wechseln können. Das neuronale Netzwerk für Klicks, Transaktionen und Transaktionen bestimmt dies und konfiguriert das Autoband neu. Im Dezember kaufte beispielsweise ein Händler Ivanov aus Vologda "Tricks" für 300 bis 500 Tausend Rubel. Aber plötzlich, im Januar, begann er, teure Geländewagen zu kaufen, deren Preise von anderthalb bis zwei Millionen lagen. Das Band wurde sofort wieder aufgebaut und bot ihm die relevantesten Autos. Darüber hinaus sendet das System selbst Benachrichtigungen an das System und reagiert empfindlich auf die Reaktion.

    Nachfolgend finden Sie einige typische Händlerprofile. Wer billige Autos kauft, kauft in der Regel niemals teure Autos. Warum zeigen sie sie dann?



    Dies ist der einfachste Filter. Während ein neuronales Netzwerk einen personalisierten Auktions-Feed bildet, werden gleichzeitig Hunderte ähnlicher Attribute analysiert.

    Durch das individuelle Bilden des Auktionsbandes erhalten wir höhere Auktionsraten. Ein Händler, der beispielsweise einen drei Jahre alten "Logan" benötigt, kämpft eher für ihn und wird höchstwahrscheinlich höher setzen als andere. Indem wir den Käufern die Autos zeigen, an denen sie am meisten interessiert sind, erhöhen wir die Umstellung auf Buy-Out und die durchschnittliche Marge für die Auktion.

    Was ist das ergebnis


    Natürlich entwickeln wir andere Neurotools, von denen sich einige heute in einem Umsetzungszustand befinden. Warum ist das so wichtig? Erstens können wir mit dem neuronalen Netzwerk mehr aus dem bestehenden Kundenstrom gewinnen. Das heißt, um den Umsatz zu steigern, müssen Sie die Marketingkosten nicht erhöhen. Zweitens bietet das neuronale Netz zufriedenere Kunden - je mehr Menschen Autos über CarPrice verkauften, desto höher der NPS. Und auf lange Sicht ist dies wahrscheinlich viel wichtiger als der Umsatz.
     
    Für diejenigen, die das Videoformat bevorzugen, bieten wir eine Präsentation von Denis Dolmatov, dem Generaldirektor von CarPrice, an, der unseren neuronalen Netzwerken gewidmet ist.

    Und schließlich über freie Stellen. Jetzt suchen wir nach DevOps / Linux-Administratoren in Moskauan das Auto-Auktionsteam, sowie erfahrene PHP-Entwickler an das interne Serviceteam. Wir freuen uns auf Ihren Lebenslauf.
     

    Jetzt auch beliebt: