Sobre redes neurais, os últimos três anos foram escritos e disseram muito. Pensando, também decidimos contar como usamos a “inteligência artificial” no trabalho diário. Além disso, ele lida com muitas operações de rotina muito melhores que as pessoas.
Nas vendas de carros, todas as principais operações estão tradicionalmente ligadas às pessoas - emocionais e, em diferentes graus, confiáveis. O CarPrice realiza até 150 mil leilões por ano, o que significa que terabytes de estatísticas para cada modelo de carro são acumulados nas entranhas da empresa, desde o seu estado atual até a dinâmica dos preços, dependendo do local da venda e da hora do dia. É possível, analisando matrizes de informações, aumentar a conversão em venda? É possível e necessário!
Primeiro, queríamos criar uma ferramenta que ajudasse o gerente em seu trabalho. Mas durante o processo de teste, eles estavam convencidos de que a rede neural está razoavelmente bem sem uma pessoa. Mas as primeiras coisas primeiro.
Então, a seguir, falaremos sobre várias ferramentas criadas com base em redes neurais que nos permitem aumentar a eficiência do trabalho. Todos eles trabalham constantemente, online.
Margem inteligente
A margem inteligente é uma das principais ferramentas para aumentar a lucratividade. O sistema sabe quanto podemos vender cada carro, levando em consideração idade, quilometragem, equipamento, danos, hora do dia, cor, dia da semana e até o sexo do vendedor. Existem muitos desses parâmetros, cerca de 600.
Entendendo quanto os revendedores darão pelo carro e quanto provavelmente se adequará ao vendedor, a rede neural calcula independentemente o tamanho ideal da margem do leilão. A margem inteligente é configurada para criar as condições sob as quais a probabilidade de vender um carro seria máxima. Às vezes, para uma venda garantida, a rede neural atribui a menor margem possível, porque a máquina é altamente líquida, em boas condições e o vendedor a venderá rapidamente em outro lugar. Para outro carro, a margem será maior, porque não é confiável e caro consertar, o que significa que há mais riscos para o CarPrice.
Você pode dizer algo no espírito de "apenas reduzir a margem, para que as vendas cresçam" e ... você se enganará. Existem carros cujos proprietários não venderão o carro, mesmo se pagarmos extra. Existem carros cujos proprietários geralmente não são sensíveis ao preço - o serviço e a segurança da transação são muito mais importantes para eles. Portanto, simplesmente reduzir a margem na maioria dos casos significa que não receberemos receita. Repito, a principal tarefa desta ferramenta é criar condições para que o carro seja vendido. Se, por exemplo, se a margem for reduzida em uma determinada porcentagem, a probabilidade de vender um carro aumentar em 2 a 3 vezes, faremos isso. Como resultado, devido ao aumento acentuado da conversão em vendas, as receitas da empresa aumentam.
Aqui estão algumas estatísticas. Antes da implementação, realizamos testes A / B. Abaixo está um exemplo de gráfico de margem.
A linha preta é um grupo de teste com uma margem inteligente. Verde é um grupo de controle, sem margem inteligente. Pode-se observar que, de acordo com as recomendações da rede neural, a marginalidade é menor.
E este é um gráfico do estado dos veículos comprados, que refletimos nas "estrelas". Acontece que, com a consideração correta de todos os fatores da rede neural, resgatamos mais carros bons do que sem a rede neural. Melhor carro - menos reclamações.
Gráfico de conversão. Para um grupo de teste com uma margem inteligente, é maior:
Preço mais alto e médio do carro adquirido. Ou seja, o produto do leilão também é maior:
E, finalmente, compare o retorno médio entre os grupos como um todo. Com o uso da margem inteligente, ela se mostra várias dezenas de por cento mais alta simplesmente porque a conversão está crescendo. Devido à redução "inteligente" nas margens de certos carros, obtemos uma conversão maior em vendas, o que, obviamente, aumenta acentuadamente as receitas da empresa.
A rede neural está errada ao determinar a margem ideal? Hoje, quase nenhum, mas na fase de testes, os erros saíam constantemente.
O que é "sob o capô" da margem inteligenteAo desenvolver um modelo de margem inteligente, é usado o algoritmo de aprendizado de máquina MultiLayer Feedforward Perceptron. A rede neural obtida como resultado da aplicação desse algoritmo em nosso caso é a seguinte:
X
1 , X
2 , ..., X
n é um conjunto de dados de entrada que conhecemos:
1) sobre o cliente:
- sexo
- idade
- canal de marketing de onde o cliente acessou o site CarPrice (off-line, chamadas, CPA, contexto, etc.);
- de qual distrito da cidade o cliente chegou.
2) seu carro:
- marca;
- modelo
- ano de fabricação;
- modificação;
- quilometragem
- condição do carro (carroçaria, interior, equipamento).
3) sobre o ponto de venda CarPrice onde o cliente chegou:
- experiência profissional de um funcionário da CarPrice que trabalha com um cliente;
- indicadores gerais do ponto de venda CarPrice de onde o cliente chegou.
4) o preço que os concessionários dão em um leilão para um determinado carro.
O conjunto de entradas da rede neural inclui o dia da semana e a hora em que o leilão foi iniciado, bem como a porcentagem de margem obtida pelo CarPrice.
Na saída (saídas), a rede neural fornece a probabilidade do consentimento do cliente em nos vender seu carro. Como resultado, a tarefa é reduzida para maximizar o critério da margem absoluta esperada:
<dealer price>*<margin>*<purchase probability>
- preço do revendedor - o preço máximo que os revendedores dão aos carros em leilão
- margem - porcentagem da margem obtida pelo CarPrice
- probabilidade de compra - a probabilidade do consentimento do cliente em vender seu carro
A margem inteligente funciona como um serviço WebAPI separado, que recebe o conjunto de dados de entrada listados acima. Como resultado, a porcentagem da margem é retornada na qual a margem absoluta esperada atinge o máximo.
Compatibilidade inteligente
Suponha que contratamos um inspetor de veículos. Ele trabalhou por vários meses e realizou várias centenas de leilões. A rede neural analisa os resultados de seu trabalho e descobre com que tipo de carro ou cliente ele funciona melhor. Por exemplo, alguém compra perfeitamente carros de garotas com iPhones. E o outro lida perfeitamente com a linha de modelos da Volkswagen. Alguém especial no "japonês", e alguém compra perfeitamente tudo em sequência, mas apenas na segunda ou sexta-feira.
Tais padrões são monitorados pela rede neural. Carros baratos ou caros, "alemães" ou "coreanos" - quem quer que venha até nós, o sistema sabe qual funcionário fornecerá a melhor conversão. Ao se registrar no site e deixar dados sobre o carro, a rede neural indica um funcionário que irá lidar melhor do que qualquer outro. Como no primeiro caso, muitos parâmetros são levados em consideração, incluindo o modelo de telefone do cliente (se o registro for através da versão móvel do site).
Após a introdução da compatibilidade inteligente, a conversão nos leilões, onde o inspetor foi recomendado, foi 2-5 pontos percentuais a mais do que nos leilões sem recomendação. E a margem média do leilão é 10-15% maior. Isso é muito, especialmente quando você considera que esse aumento na eficiência não exige custos.
O que é "sob o capô" em compatibilidade inteligenteNo processo de análise de dados, conseguimos identificar diferenças nas habilidades dos gerentes ao comprar carros. Esse insight formou a base de uma rede neural que usa o seguinte conjunto de parâmetros de entrada:
- conversão de gerente por faixas de preço de carro
- conversão de gerente por preço - ano de produção do carro
- gerente de conversão por marcas - modelos de automóveis
- conversão de gerente por sexo / idade do cliente
- conversão de gerente nos últimos 7 dias
- conversão do gerente por canais de marketing, de onde o cliente veio
Na saída de uma rede neural, a probabilidade de uma compra é considerada. O critério otimizado aqui é:
<Probability to purchase>
Para cada cliente que chega ao ponto de venda, a rede neural seleciona um gerente que provavelmente comprará um carro.
Entalhe inteligente
Essa é uma rede neural mais complicada. Ao se inscrever para uma venda de carro, o cliente determina o endereço e a hora. Como eu disse, entendemos antecipadamente qual é a probabilidade de o proprietário vender o carro através de nós. Na fase de distribuição dos slots, damos um tempo de prioridade mais alto a um par de clientes / carros no qual a margem ou conversão potencial será maior.
Como é na prática? Se, de acordo com a análise, a probabilidade de conversão de um cliente for muito alta, todos os slots estarão disponíveis para ele durante a gravação. Não quero escolher. E se o proprietário de um carro chegar com um conjunto de características que historicamente não foram bem convertidas conosco, apenas os slots não reclamados estarão disponíveis para seleção. Por exemplo, tarde da noite. Como se você der o tempo solicitado a um cliente com baixa probabilidade de conversão, um cliente com maior probabilidade de conversão não poderá se inscrever e vender um carro. Se, no entanto, um concorrente líquido aparecer em um espaço ocupado por um carro não tão líquido, transferiremos o primeiro carro para horários menos populares, usando os recursos do call center.
Também é importante considerar que nem todo cliente chegará ao nosso escritório. Por exemplo, estamos surpresos que as mulheres sejam duas vezes mais obrigatórias que os homens. E as pessoas com iPhones atingem o CarPrice 30% melhor do que as pessoas com telefones Android. Levamos isso em conta e muito mais quando damos ao cliente a oportunidade de escolher o melhor horário.
Abaixo estão as estatísticas tradicionais. Dividimos os carros em três grupos de acordo com a probabilidade de chegada, estimada pela rede neural - verde, amarela e vermelha. Assim que essa ferramenta começou a funcionar, o número de visitas de carros verdes começou a crescer. Como você pode ver, o sistema não se enganou.
E esta é a conversão da chegada do resgate. Pode-se ver que o volume de carros "verdes" também está crescendo.
Nossos ganhos em pontos com slots inteligentes agora são 27% mais altos do que em pontos sem eles. E novamente, sem nenhum custo. Exceto pelos custos de algoritmos e programação, é claro.
O que é "sob o capô" no slot inteligenteO algoritmo básico de rede neural aqui é o mesmo MLP, para o qual os parâmetros de entrada são:
- marca / modelo / ano de fabricação do carro
- canal de marketing a partir do qual o cliente acessou o site CarPrice
- modelo de dispositivo usado por um cliente para avaliar um carro em um site
- dia da semana / horas do dia em que o cliente visitou o site
De acordo com o conjunto desses parâmetros, a rede neural considera a probabilidade de um evento comprar um carro de um cliente ou, em outras palavras, a conversão de ponta a ponta prevista de um pedido de compra.
Dependendo do valor calculado da probabilidade de recompra e da margem esperada que a empresa obterá, os clientes são divididos em 3 grupos por valor. O critério para dividir em grupos é o seguinte:
<ProbabilityAppointment To Purchase>*<Expected Margin>
Os clientes com o valor mais alto desse critério pertencem ao primeiro grupo, com o menor - ao terceiro. É importante para nós que haja mais registros de clientes do primeiro grupo de valor, pois ganhamos muito mais com eles. Portanto, à medida que os slots são formados, oferecemos mais opções para escolher um slot conveniente para o primeiro grupo, um pouco menos para o segundo e significativamente menor para o terceiro grupo.
Para planejar a ocupação de slots e evitar filas nos pontos de venda, foi desenvolvido um modelo preditivo baseado em uma árvore de decisão que calcula a probabilidade de um cliente chegar a um ponto. Aqui está uma das regras para calcular a probabilidade de chegada de um 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
Aqui, as variáveis cr_ são conversões de acordo com os parâmetros do cliente. Por exemplo, cr_apcon2m_source_chan é a conversão média de clientes provenientes do mesmo canal de marketing. Se as condições acima forem atendidas, a probabilidade estimada de chegada do cliente é de 0,14.
Fita inteligente
Cada revendedor que compra carros conosco tem certas preferências. Alguém adora modelos caros, alguém só compra “Logans” e “Solaris” ... Os revendedores olham para muitos carros e, se você levar em consideração as preferências de compra deles ao formar um feed de leilão, poderá aumentar drasticamente a conversão. Parece ser óbvio? No entanto, tudo é um pouco mais complicado.
As preferências do revendedor são inconsistentes. As preferências dos negócios e dos clientes estão mudando, para que eles possam passar de um segmento para outro. A rede neural para cliques, transações e transações determina isso e reconfigura o feed automático. Suponha que, ao longo de dezembro, um revendedor em Ivanov, de Vologda, tenha comprado "truques" por 300-500 mil rublos. Mas, de repente, em janeiro, ele começou a comprar SUVs caros pelo preço de um milhão e meio a dois milhões. A fita é reconstruída imediatamente, oferecendo-lhe os carros mais relevantes. Além disso, o próprio sistema envia notificações, reagindo com sensibilidade à reação.
Abaixo estão alguns perfis típicos de revendedores. Quem compra carros baratos, em regra, nunca compra carros caros. Por que então eles deveriam mostrá-los?
Este é o filtro mais fácil. Ao formar uma fita de leilão pessoal, uma rede neural analisa simultaneamente centenas desses atributos.
Ao formar um feed de leilão individualmente, obtemos taxas de leilão mais altas. Um negociante que, por exemplo, precisa de um "Logan" de três anos tem mais chances de lutar por ele e provavelmente apostará mais alto do que outros. Apenas mostrando aos clientes os carros nos quais eles estão mais interessados, obtemos um aumento na conversão para recompra e um aumento na margem média do leilão.
Qual é o resultado?
Obviamente, estamos desenvolvendo outros neuroinstrumentos, alguns dos quais estão em estado próximo à implementação hoje. Por que isso é tão importante? Primeiro, a rede neural nos permite ganhar mais com o fluxo existente de clientes. Ou seja, para aumentar a receita, você não precisa aumentar os custos de marketing. Em segundo lugar, a rede neural oferece aos clientes mais satisfeitos - quanto mais pessoas vendem carros através do CarPrice, maior o NPS. E, a longo prazo, isso talvez seja muito mais importante que a receita.
Para quem prefere o formato de vídeo, oferecemos uma
apresentação de Denis Dolmatov, CEO da CarPrice, dedicado às nossas redes neurais.
E, finalmente, sobre as vagas. Agora, estamos procurando o administrador do DevOps / Linux em Moscou na equipe de leilão de carros, bem como o desenvolvedor sênior de PHP na equipe de serviços internos. Estamos ansiosos pelo seu currículo.