关于神经网络，最近三年已经写了很多话。 思考时，我们还决定告诉我们在日常工作中如何使用“人工智能”。 而且，他应付许多例行手术的能力远胜于人。
在汽车销售中，所有主要业务传统上都是与人相关联的-情感上的以及在不同程度上可靠的。 CarPrice每年最多进行15万次拍卖，这意味着每种车型的TB级统计数据都存储在公司的肠道中，从其实际状态到价格动态（取决于销售地点和一天中的时间）。 通过分析信息数组，是否有可能增加销售转化率？ 这是可能且必要的！
首先，我们想创建一个可以帮助经理工作的工具。 但是在测试过程中，他们坚信没有人，神经网络可以容忍的很好。 但是首先是第一件事。
因此，下面我们将讨论基于神经网络创建的几种工具，这些工具可以提高工作效率。 他们都在线上持续工作。
智能保证金
智能保证金是提高盈利能力的关键工具之一。 系统会根据其年龄，行驶里程，设备，损坏，一天中的时间，颜色，星期几，甚至卖家的性别，来知道我们可以出售多少辆汽车。 此类参数很多，大约为600。
神经网络了解了经销商会为这辆车付出多少，以及可能适合卖方多少，神经网络会独立计算出拍卖保证金的最佳规模。 设置智能保证金是为了创造条件，在这种条件下，售车的可能性最大。 有时，对于有保证的销售，神经网络会分配尽可能小的利润，因为机器的流动性很高，状况良好，卖方会很快将其出售给其他地方。 对于另一辆汽车，保证金将更高，因为它不可靠且维修昂贵，这意味着CarPrice面临更多风险。
您可以本着“只要将利润降低到最低限度，然后销售就会增长”的精神说些什么……您将被误解。 有些车主即使我们支付额外费用也不会出售他们的车。 有些汽车的所有者通常对价格不敏感-交易的服务和安全性对他们而言更为重要。 因此，在大多数情况下，仅减少利润就意味着我们将不会获得收入。 我再说一遍，该工具的主要任务是为要出售的汽车创造条件。 例如，如果保证金降低了一定百分比，那么售车的可能性增加了2-3倍，那么我们就会做到。 结果，由于转换为销售量的急剧增加，公司的收入增加了。
这是一些统计数据。 在实施之前，我们进行了A / B测试。 以下是示例保证金图表。
黑线是一个边距不错的测试组。 格林是一个对照组，没有聪明的边缘。 可以看出，根据神经网络的建议，边际性较低。
这是我们已在“星级”中反映的购车状态的图表。 事实证明，在通过神经网络正确考虑所有因素的情况下，与没有神经网络的情况相比，我们可以兑换更多的优质汽车。 更好的汽车-更少的投诉。
转换表。 对于具有智能余量的测试组，该值更高：
购买的汽车的较高和平均价格。 也就是说，拍卖收益也更高：
最后，比较整个群体的平均回报。 使用智能保证金后，事实证明，由于转换率不断提高，因此提高了百分之几十。 由于某些汽车的利润率“智能”下降，我们获得了更高的销售转化率，当然，这极大地增加了公司的收入。
在确定最佳裕度时，神经网络是否错误？ 今天，几乎没有，但在测试阶段，错误不断出现。
什么是智能保证金的“幕后”在开发智能边距模型时，将使用多层前馈感知器机器学习算法。 在我们的案例中，由于应用此算法而获得的神经网络如下：
X
1 ，X
2 ，...，X
n是我们知道的一组输入数据：
1）关于客户：
- 性别
- 年龄
- 客户来自其进入CarPrice网站的营销渠道（离线，通话，CPA，上下文等）；
- 客户来自城市的哪个地区。
2）他的车：
- 品牌
- 型号
- 生产年份；
- 修改
- 行驶里程
- 汽车的状况（车身，内饰，设备）。
3）关于客户到达的CarPrice销售点：
- 与客户一起工作的CarPrice员工的专业经验；
- 客户到达的CarPrice销售点的一般指标。
4）经销商在拍卖中给定汽车的价格。
神经网络输入集包括星期几和拍卖开始的时间，以及CarPrice赚取的保证金百分比。
在输出（输出）处，神经网络给出了客户同意向我们出售汽车的概率。 结果，任务被简化为最大化预期绝对余量的标准：
<dealer price>*<margin>*<purchase probability>
- 经销商价格-经销商在拍卖中为汽车提供的最高价格
- 保证金-CarPrice赚取的保证金百分比
- 购买概率-客户同意出售其汽车的概率
智能边距用作单独的WebAPI服务，该服务接收上面列出的一组输入数据。 结果，返回保证金百分比，在该百分比处期望的绝对保证金达到最大值。
智能兼容性
假设我们已经雇用了车辆检查员。 他工作了几个月，并举行了数百次拍卖。 神经网络分析其工作结果，并找出哪种类型的汽车或客户更好地工作。 例如，一个人完美地从装有iPhone的女孩那里购买汽车。 另一个完美地处理了大众汽车的产品线。 某人特别喜欢“日语”，有人完美地连续购买了所有东西，但仅限于星期一或星期五。
这种模式由神经网络监控。 廉价汽车或昂贵的“德国人”或“韩国人”-无论有谁来找我们，系统都知道哪个员工将提供最佳转换。 通过在站点上注册并留下有关汽车的数据，神经网络可以任命一名比其他任何人都更好的雇员。 与第一种情况一样，要考虑很多参数，包括客户的电话型号（如果记录是通过网站的移动版本进行的）。
引入智能兼容性后，推荐检查员的拍卖转化率比没有推荐的拍卖高2-5个百分点。 拍卖的平均利润率提高了10-15％。 这很多，尤其是当您认为效率的提高不需要任何成本时。
什么是智能兼容性的“内幕”在数据分析过程中，我们能够确定购买汽车时经理人员的技能差异。 这种见解构成了使用以下输入参数集的神经网络的基础：
- 经理按汽车价格范围换算
- 经理按价格换算-汽车生产年份
- 经理按品牌转换-车型
- 按性别/客户年龄划分的经理人转换
- 最近7天的经理转化
- 客户通过营销渠道进行经理转化的方式
在神经网络的输出中，考虑了买断的可能性。 这里的优化标准是：
<Probability to purchase>
对于到达销售点的每个客户，神经网络都会选择一个最有可能购买汽车的经理。
智能插槽
这是一个棘手的神经网络。 通过注册汽车销售，客户可以确定地址和时间。 正如我所说，我们事先了解车主通过我们出售汽车的可能性。 在分配广告位的阶段，我们为这样的客户/汽车对提供了更高的优先级时间，在这些客户/汽车中，潜在利润或转化率会更高。
在实践中看起来像什么？ 根据分析，如果客户转换的可能性很高，那么在录制时，所有空位都可以留给他使用-我不想选择。 而且，如果汽车的拥有者到达时具有一系列过去无法与我们很好地转换的特征，则只有无人认领的插槽可供选择。 例如，傍晚。 因为如果您将请求的时间分配给转换可能性较低的客户，那么转换可能性较高的客户将无法注册和出售汽车。 但是，如果在不那么液体的汽车占用的插槽中出现液体竞争者，那么我们将使用呼叫中心的资源将第一部汽车转移到不太受欢迎的时间。
同样重要的是要考虑到并非每个客户最终都会来我们的办公室。 例如，令我们惊讶的是，女性的强制性义务是男性的两倍。 配备iPhone的用户比配备Android手机的用户获得30％的CarPrice。 当我们给客户提供选择最佳时间的机会时，我们会考虑到这一点。
以下是传统统计数据。 根据神经网络估计的到达概率，我们将汽车分为三类：绿色，黄色和红色。 该工具开始起作用后，绿色汽车的访问量开始增加。 如您所见，系统没有弄错。
这就是赎金的到来。 可以看出，“绿色”汽车的数量也在增长。
现在，我们使用智能老虎机的收入比不使用智能老虎机的收入高27％。 再一次，不收费。 当然，除了算法和编程的费用。
智能老虎机的“内幕”是什么这里的基本神经网络算法是相同的MLP，其输入参数为：
- 汽车的制造/型号/制造年份
- 客户访问CarPrice网站的营销渠道
- 客户用来评估站点上的汽车的设备模型
- 客户访问网站的一周中的一天/一天中的小时
根据这些参数的集合，神经网络会考虑事件从客户那里购买汽车的可能性，或者换句话说，就是从订单到购买的预计端到端转换。
根据回购概率的计算值和公司将获得的预期利润，按价值将客户分为3组。 分组的标准如下：
<ProbabilityAppointment To Purchase>*<Expected Margin>
具有最高标准的客户属于第一组，而最低的则属于第三组。 对我们而言，重要的是，有更多的第一价值客户群记录，因为我们从中获得了更多收益。 因此，随着槽的形成，我们为第一组提供了更多的选择方便的槽的选择，第二组则少一些，第三组则少得多。
为了计划插槽的占用并避免在销售点排队，已经开发了基于决策树的预测模型，该模型计算客户到达某个点的概率。 这是计算客户到达可能性的规则之一：
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
此处的cr_变量是根据客户端参数进行的转换。 例如，cr_apcon2m_source_chan是来自同一营销渠道的客户的平均转化。 如果满足上述条件，则客户到达的估计概率为0.14。
智能磁带
每个向我们购买汽车的经销商都有一定的偏好。 有人喜欢昂贵的模型，有人只购买“ Logans”和“ Solaris” ...经销商看了很多汽车，并且如果在形成拍卖摘要时考虑了他们的购买偏好，则可以大大提高转化率。 看来很明显吗？ 但是，一切都有些复杂。
经销商的偏好不一致。 业务和客户偏好正在发生变化，因此它们可以从一个细分市场转移到另一个细分市场。 点击，交易和交易的神经网络确定了这一点，并重新配置了自动供稿。 假设整个12月，伊洛诺夫的一位商人从沃洛格达州以300-500万卢布的价格购买了“技巧”。 但是在一月份突然间，他开始以一百五十万到两百万的价格购买昂贵的SUV。 磁带立即被重建，为他提供了最相关的汽车。 此外，系统本身还会向他发送通知，对通知做出敏感的反应。
以下是一些典型的经销商资料。 通常，那些购买廉价汽车的人永远不会购买昂贵的汽车。 他们为什么要给他们看？
这是最简单的过滤器。 当形成个人拍卖磁带时，神经网络会同时分析数百种此类属性。
通过单独形成拍卖摘要，我们可以获得更高的拍卖率。 例如，需要三年“ Logan”的经销商更有可能为他而战，并且可能比其他人押宝更高。 仅仅向客户展示他们最感兴趣的汽车，我们就能增加回购的转化率，并提高拍卖的平均利润率。
结果如何？
当然，我们正在开发其他神经仪器，其中一些处于今天已接近实施的状态。 为什么这这么重要？ 首先，神经网络使我们能够从现有客户流中获得更多收益。 也就是说，为了增加收入，您不需要增加营销成本。 其次，神经网络提供了更满意的客户-通过CarPrice出售汽车的人越多，NPS越高。 从长远来看，这可能比收入重要得多。
对于那些喜欢视频格式的人，我们提供CarPrice首席执行官Denis Dolmatov的
演讲 ，专门介绍我们的神经网络。
最后是关于空缺的信息。 现在，我们正在寻找汽车拍卖团队在莫斯科的DevOps / Linux管理员 ，以及内部服务团队的高级PHP开发人员 。 我们期待着您的简历。