Sobre las redes neuronales se han escrito y dicho mucho los últimos tres años. Pensando, también decidimos contar cómo usamos la "inteligencia artificial" en el trabajo diario. Además, él hace frente a muchas operaciones de rutina mucho mejor que las personas.
En la venta de automóviles, todas las operaciones principales están tradicionalmente vinculadas a las personas: emocionales y, en diversos grados, confiables. CarPrice realiza hasta 150 mil subastas cada año, lo que significa que terabytes de estadísticas para cada modelo de automóvil se acumulan en las entrañas de la compañía, desde su estado actual hasta la dinámica de precios, según el lugar de venta y la hora del día. ¿Es posible, mediante el análisis de matrices de información, aumentar la conversión a la venta? ¡Es posible y necesario!
Primero, queríamos crear una herramienta que ayudara al gerente en su trabajo. Pero durante el proceso de prueba, estaban convencidos de que la red neuronal funciona bastante bien sin una persona. Pero lo primero es lo primero.
Entonces, a continuación hablaremos de varias herramientas creadas sobre la base de redes neuronales que nos permiten aumentar la eficiencia del trabajo. Todos ellos trabajan constantemente, en línea.
Margen inteligente
El margen inteligente es una de las herramientas clave para aumentar la rentabilidad. El sistema sabe por cuánto podemos vender cada automóvil, teniendo en cuenta su edad, kilometraje, equipo, daños, hora del día, color, día de la semana e incluso el género del vendedor. Hay muchos de esos parámetros, alrededor de 600.
Al comprender cuánto darán los concesionarios por el automóvil y cuánto es probable que se adapte al vendedor, la red neuronal calcula de forma independiente el tamaño óptimo del margen de la subasta. El margen inteligente se configura para crear las condiciones bajo las cuales la probabilidad de vender un automóvil sería máxima. A veces, para una venta garantizada, la red neuronal asigna el margen más bajo posible, porque la máquina es altamente líquida, está en buenas condiciones y el vendedor la venderá rápidamente en otro lugar. Para otro automóvil, el margen será mayor, porque no es confiable y costoso de reparar, lo que significa que hay más riesgos para CarPrice.
Puedes decir algo en el espíritu de "solo haz que el margen sea mínimo, entonces las ventas crecerán" y ... te equivocarás. Hay automóviles cuyos propietarios no venderán su automóvil, incluso si pagamos más. Hay automóviles cuyos propietarios generalmente no son sensibles al precio: el servicio y la seguridad de la transacción son mucho más importantes para ellos. Por lo tanto, simplemente reducir el margen en la mayoría de los casos significa que no recibiremos ingresos. Repito, la tarea principal de esta herramienta es crear condiciones para la venta del automóvil. Si, por ejemplo, si el margen se reduce en un cierto porcentaje, la probabilidad de vender un automóvil aumenta en 2-3 veces, entonces lo haremos. Como resultado, debido al fuerte aumento en la conversión a ventas, los ingresos de la compañía aumentan.
Aquí hay algunas estadísticas. Antes de la implementación, realizamos pruebas A / B. A continuación se muestra un gráfico de margen de ejemplo.
La línea negra es un grupo de prueba con un margen inteligente. Green es un grupo de control, sin margen inteligente. Se puede ver que según las recomendaciones de la red neuronal, la marginalidad es menor.
Y este es un gráfico del estado de los vehículos comprados, que hemos reflejado en las "estrellas". Resulta que con la correcta consideración de todos los factores por la red neuronal, redimimos más autos buenos que sin la red neuronal. Mejor auto: menos quejas.
Tabla de conversión. Para un grupo de prueba con un margen inteligente, es mayor:
Precio más alto y promedio del auto comprado. Es decir, los ingresos de la subasta también son más altos:
Y finalmente, compare el rendimiento promedio entre los grupos en su conjunto. Con el uso del margen inteligente, resulta ser varias decenas de por ciento mayor simplemente porque la conversión está creciendo. Debido a la reducción "inteligente" de los márgenes en ciertos automóviles, obtenemos una mayor conversión en ventas, lo que, por supuesto, aumenta drásticamente los ingresos de la compañía.
¿Está mal la red neuronal al determinar el margen óptimo? Hoy, casi ninguno, pero en la etapa de prueba, los errores salían constantemente.
¿Qué es "debajo del capó" del margen inteligenteAl desarrollar un modelo de margen inteligente, se utiliza el algoritmo de aprendizaje automático Perceptron de alimentación múltiple de capas múltiples. La red neuronal obtenida como resultado de aplicar este algoritmo en nuestro caso es la siguiente:
X
1 , X
2 , ..., X
n es un conjunto de datos de entrada que conocemos:
1) sobre el cliente:
- género
- edad
- canal de comercialización desde donde el cliente llegó al sitio web de CarPrice (fuera de línea, llamadas, CPA, contexto, etc.);
- de qué distrito de la ciudad llegó el cliente.
2) su auto:
- marca
- modelo
- año de fabricación;
- modificación
- kilometraje
- estado del automóvil (carrocería, interior, equipamiento).
3) sobre el punto de venta CarPrice donde llegó el cliente:
- experiencia profesional de un empleado de CarPrice que trabaja con un cliente;
- Indicadores generales del punto de venta CarPrice donde llegó el cliente
4) el precio que los concesionarios dan en una subasta por un automóvil determinado.
El conjunto de entrada de la red neuronal incluye el día de la semana y la hora en que comenzó la subasta, así como el porcentaje de margen ganado por CarPrice.
En la salida (salidas), la red neuronal da la probabilidad del consentimiento del cliente para vendernos su automóvil. Como resultado, la tarea se reduce a maximizar el criterio del margen absoluto esperado:
<dealer price>*<margin>*<purchase probability>
- precio del concesionario: el precio máximo que los concesionarios otorgan por los automóviles en una subasta
- margen - porcentaje del margen ganado por CarPrice
- probabilidad de compra: la probabilidad del consentimiento del cliente para vender su automóvil
El margen inteligente funciona como un servicio WebAPI separado, que recibe el conjunto de datos de entrada enumerados anteriormente. Como resultado, se devuelve el porcentaje de margen en el que el margen absoluto esperado alcanza su máximo.
Compatibilidad inteligente
Supongamos que hemos contratado a un inspector de vehículos. Trabajó durante varios meses y realizó varios cientos de subastas. La red neuronal analiza los resultados de su trabajo y descubre con qué tipo de automóvil o clientes funciona mejor. Por ejemplo, uno compra perfectamente autos de niñas con iPhones. Y el otro hace frente a la línea del modelo Volkswagen perfectamente. Alguien especial en el "japonés", y alguien compra perfectamente todo en una fila, pero solo los lunes o viernes.
Dichos patrones son monitoreados por la red neuronal. Autos económicos o caros, “alemanes” o “coreanos”: quienquiera que venga a nosotros, el sistema sabe qué empleado proporcionará la mejor conversión. Al registrarse en el sitio y dejar datos sobre el automóvil, la red neuronal designa a un empleado que se las arreglará mejor que cualquier otro. Como en el primer caso, se tienen en cuenta muchos parámetros, incluido el modelo de teléfono del cliente (si el registro se realizó a través de la versión móvil del sitio).
Después de la introducción de la compatibilidad inteligente, la conversión en las subastas, donde se recomendó al inspector, fue 2-5 puntos porcentuales más alta que en las subastas sin una recomendación. Y el margen promedio de la subasta es 10-15% mayor. Esto es mucho, especialmente cuando considera que tal aumento en la eficiencia no requiere ningún costo.
¿Qué es "bajo el capó" en compatibilidad inteligenteEn el proceso de análisis de datos, pudimos identificar diferencias en las habilidades de los gerentes al comprar autos. Esta información formó la base de una red neuronal que utiliza el siguiente conjunto de parámetros de entrada:
- conversión de gerente por rangos de precios de automóviles
- conversión del gerente por precio - año de producción del automóvil
- conversión de gerente por marcas - modelos de automóviles
- conversión del gerente por género / edad del cliente
- conversión de gerente en los últimos 7 días
- conversión del gerente por canales de comercialización, de donde proviene el cliente
En la salida de una red neuronal, se considera la probabilidad de una compra. El criterio optimizado aquí es:
<Probability to purchase>
Para cada cliente que llega al punto de venta, la red neuronal selecciona un gerente que probablemente comprará un automóvil.
Ranurado inteligente
Esta es una red neuronal más complicada. Al registrarse para la venta de un automóvil, el cliente determina la dirección y la hora. Como dije, entendemos de antemano cuál es la probabilidad de que el propietario venda el automóvil a través de nosotros. En la etapa de distribución de las máquinas tragamonedas, otorgamos un tiempo de mayor prioridad a ese par cliente / automóvil en el que el margen o conversión potencial será mayor.
¿Cómo se ve en la práctica? Si, según el análisis, la probabilidad de conversión de un cliente es muy alta, entonces todos los espacios son gratuitos para él al grabar, no quiero elegir. Y si el propietario de un automóvil llega con un conjunto de características que históricamente no se han convertido bien con nosotros, entonces solo habrá espacios disponibles para reclamar. Por ejemplo, tarde en la noche. Porque si le da el tiempo solicitado a un cliente con una baja probabilidad de conversión, un cliente con una mayor probabilidad de conversión no podrá registrarse y vender un automóvil. Sin embargo, si un competidor líquido aparece en una ranura ocupada por un automóvil no tan líquido, entonces transferimos el primer automóvil a horarios menos populares utilizando los recursos del centro de atención telefónica.
También es importante tener en cuenta que no todos los clientes llegarán a nuestra oficina. Por ejemplo, nos sorprende que las mujeres sean dos veces más obligatorias que los hombres. Y las personas con iPhones alcanzan CarPrice un 30% mejor que las personas con teléfonos Android. Tomamos esto en cuenta y mucho más cuando le damos al cliente la oportunidad de elegir el mejor momento.
A continuación se presentan las estadísticas tradicionales. Dividimos los autos en tres grupos de acuerdo con la probabilidad de su llegada, estimada por la red neuronal: verde, amarillo y rojo. Tan pronto como esta herramienta comenzó a funcionar, el número de visitas de autos ecológicos comenzó a crecer. Como puede ver, el sistema no se equivocó.
Y esta es la conversión de la llegada del rescate. Se puede ver que el volumen de automóviles "verdes" también está creciendo.
Nuestras ganancias en puntos con máquinas tragamonedas inteligentes ahora son un 27% más altas que en puntos sin ellas. Y de nuevo, sin costo. Excepto por los costos de algoritmos y programación, por supuesto.
¿Qué es "debajo del capó" en la ranura inteligenteEl algoritmo básico de la red neuronal aquí es el mismo MLP, para el cual los parámetros de entrada son:
- marca / modelo / año de fabricación de un automóvil
- canal de comercialización desde el cual el cliente fue al sitio web de CarPrice
- modelo de dispositivo utilizado por un cliente para evaluar un automóvil en un sitio
- día de la semana / horas del día en que el cliente visitó el sitio
Según el conjunto de estos parámetros, la red neuronal considera la probabilidad de un evento de comprar un automóvil a un cliente o, en otras palabras, la conversión prevista de extremo a extremo de una orden de compra.
Según el valor calculado de la probabilidad de recompra y el margen esperado que ganará la empresa, los clientes se dividen en 3 grupos por valor. El criterio para dividir en grupos es el siguiente:
<ProbabilityAppointment To Purchase>*<Expected Margin>
Los clientes con el valor más alto de este criterio pertenecen al primer grupo, con el más bajo, al tercero. Es importante para nosotros que haya más registros de clientes del primer grupo de valor, ya que ganamos mucho más con ellos. Por lo tanto, a medida que se forman las ranuras, ofrecemos más opciones para elegir una ranura conveniente para el primer grupo, un poco menos para el segundo y significativamente menos para el tercer grupo.
Para planificar la ocupación de las máquinas tragamonedas y evitar las colas en los puntos de venta, se ha desarrollado un modelo predictivo basado en un árbol de decisión que calcula la probabilidad de que un cliente llegue a un punto. Aquí está una de las reglas para calcular la probabilidad de la llegada de un cliente:
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
Aquí las variables cr_ son conversiones según los parámetros del cliente. Por ejemplo, cr_apcon2m_source_chan es la conversión promedio de clientes que provienen del mismo canal de comercialización. Si se cumplen las condiciones anteriores, la probabilidad estimada de que el cliente llegue es 0.14.
Cinta inteligente
Cada concesionario que nos compra autos tiene ciertas preferencias. A alguien le encantan los modelos caros, alguien solo compra "Logans" y "Solaris" ... Los concesionarios miran muchos autos, y si tienes en cuenta sus preferencias de compra al formar un feed de subasta, puedes aumentar drásticamente la conversión. Parece ser obvio? Sin embargo, todo es un poco más complicado.
Las preferencias del concesionario son inconsistentes. Las preferencias comerciales y de los clientes están cambiando, por lo que pueden pasar de un segmento a otro. La red neuronal para clics, transacciones y transacciones determina esto y reconfigura la alimentación automática. Supongamos que, a lo largo de diciembre, un distribuidor en Ivanov de Vologda compró "trucos" por 300-500 mil rublos. Pero de repente, en enero, comenzó a comprar SUV caros a un precio de uno y medio a dos millones. La cinta se reconstruye de inmediato, ofreciéndole los autos más relevantes. Además, el sistema mismo le envía notificaciones, reaccionando de manera sensible a la reacción.
A continuación se presentan algunos perfiles de distribuidor típicos. Los que compran autos baratos, por regla general, nunca compran autos caros. ¿Por qué entonces deberían mostrarles?
Este es el filtro más fácil. Al formar una cinta de subasta personal, una red neuronal analiza simultáneamente cientos de tales atributos.
Al formar un feed de subasta individualmente, obtenemos tasas de subasta más altas. Un distribuidor que, por ejemplo, necesita un "Logan" de tres años tiene más probabilidades de luchar por él y de apostar más que otros. Simplemente mostrando a los clientes los automóviles que más les interesan, obtenemos un aumento en la conversión a recompra y un aumento en el margen promedio para la subasta.
Cual es el resultado?
Por supuesto, estamos desarrollando otros neuroinstrumentos, algunos de los cuales están en un estado cercano a la implementación hoy. ¿Por qué es esto tan importante? Primero, la red neuronal nos permite ganar más del flujo existente de clientes. Es decir, para aumentar los ingresos, no necesita aumentar los costos de comercialización. En segundo lugar, la red neuronal proporciona clientes más satisfechos: cuantas más personas venden autos a través de CarPrice, mayor es el NPS. Y a la larga, esto es quizás mucho más importante que los ingresos.
Para aquellos que prefieren el formato de video, ofrecemos una
presentación de Denis Dolmatov, CEO de CarPrice, dedicada a nuestras redes neuronales.
Y finalmente sobre las vacantes. Ahora estamos buscando al administrador de DevOps / Linux en Moscú en el equipo de subastas de automóviles, así como al desarrollador senior de PHP en el equipo de servicios internos. Esperamos su currículum.