Применение ML в digital продуктах на примере кейсов CarPrice

Коротко про дизайн гипотез:

Результат мы измеряем, сравнивая контрольную группу (без использования системы) и тестовую группу (с учётом рекомендаций нейросетей) - самый, что ни на есть A/B-тест.

Когда Carprice покупает машину у человека, и продаёт её дилеру, то маржа – это наценка, которую мы делаем между покупкой и продажей. Изначально маржа была фиксирована – некий процент от стоимости машины.

С течением времени пришло понимание – работать с фиксированной маржой – неудобно, и на разные машины маржа должна быть разная, в зависимости от состояния, цены, города и других факторов, для того, чтобы мы могли достигать наилучших общих показателей по маржинальности и конверсии.

Сначала пытались задавать маржу некоторыми фиксированными значениями для разных сегментов, потом поняли, что этих сегментов получается очень много, и сделали административный интерфейс, где можно было создавать сложные правила, редактировать их, вести учет, логирование этих правил, и в итоге пришли к тому, что управлять вручную всем этим – достаточно тяжело, а отслеживать результаты - ещё тяжелее, и внедрили туда нейросеть, которая стала управлять этими правилами, сегментами и факторами

Нейросеть анализирует параметры каждой из уже совершённых сделок: тип и состояние авто, город, время, клиент, результаты аналогичных сделок за большой период и конверсию по ним - и на основании этих данных позволяет выбрать гибкий процент маржи для будущих сделок. В индивидуальном порядке снижается маржа на определённые авто - это приводит к росту конверсии – и благодаря этому получаем рост доходности в целом.

В результате:

доход выше на 20%
состояние машин лучше на 15%
выкупаемость машин выше на 2%
их средняя цена выше на 11,1%

Были сложности? Не особо, ведь мы шли к этому долгое время, у нас были интерфейсы и алгоритмы, которые этим управляли, и момент внедрения был отточен: как тестировать, как измерять, какие KPI смотреть – уже была работающая аналитика, поэтому процесс здесь происходил итерационно, и на каждые итерации сложности возникали, но как результат, эта штука работает очень хорошо

Есть локации по всей стране, которых уже больше сотни, на этих локациях находятся инспекторы, и люди приезжают на своих машинах для того, чтобы их продать. Инспекторы рассматривают машины, оценивают их, запускают аукционы, и далее их покупают у этих людей.

В чём была сложность? В том, что все люди хотят ехать в одно и то же время, например, в 12:00, в субботу. При этом, статистика показывает, что разные машины выкупаются с разной вероятностью, в разное время едут машины в разном состоянии, и компания может оптимизировать данный поток - распределять его более равномерно , чтобы люди меньше стояли в очередях, машины были более качественными, а конверсия и маржинальность были выше, и самое, главное, чтобы определённые машины приезжали к инспекторам, которые лучше в этих машинах разбираются.

До этого пытались управлять процессом в ручном режиме: были различные интерфейсы, которые помогали это делать, график инспекторов, который определялся исходя из нагрузки, но, естественно, в ручном режиме, на таком объёме, при потоке в тысячи машин, когда столько локаций – очень трудно этим управлять, и внедрение МЛ вывело всё на новый уровень.

Как только клиент оставляет заявку – система уже владеет информацией об авто (марка, модель, год), устройстве клиента (тип и модель), канал, по которому пришёл клиент, его город и точка, на которую он записался. Также, уже накоплена статистическая информация о том, когда и какая машина лучше и выгоднее продаётся. Сопоставив эти данные, система выдаёт рекомендацию для лучшего времени продажи конкретного авто вплоть до дня недели и часа.

В результате получаем:

в тестовой группе заработок выше на 27%

Система была внедрена одной из первых, и сейчас является одной из основных, работает она очень круто

Это уже В2В-история, где между собой торгуются дилеры: идёт поток машин, и они между собой делают ставки, выбирают машины, для них это завод по производству авто с пробегом, чтобы они могли массово выкупать машины и потом их перепродавать.

Один из основных инструментов в этом аукционе – это лента машин, которая исторически формировалась просто по хронологии, допустим, человек приехал на локацию – запустился аукцион, приехал следующий – запустился следующий аукцион, и в ленте они показываются по мере появления, т.е. чем меньше времени остаётся до окончания аукциона (а он длится полчаса), тем выше он показывается в ленте. Дилеры это смотрели в виде сплошной ленты.

В какой-то момент стало понятно, что разные дилеры торгуются за разные автомобили, но в целом, время дилера и его энергия – ограничены, он за день может посмотреть какое-то определённое количество машин, поэтому нужно делать такую ленту, чтобы дилер успевал посмотреть, поторговаться за большее количество машин, на которые он будет делать выше ставку, т.е., которые ему более интересны.

Система анализирует поведение покупателей, и каждый видит в ленте аукциона максимально релевантные для него варианты. К слову проектировать такие интерфейсы мы учим на курсе UI/UX-дизайна. Когда предпочтения меняются – перестраивается и лента аукциона.

В итоге:
ставки на аукцион выше на 2%
средняя маржинальность на аукцион выше на 15,5%

При этом дилер получает не более 3 рекомендаций в день.

Штука супер-выстрелила

Старый вид ленты тоже остался - по переключалке можно вернуть на хронологию, однако, большинство дилеров предпочитают показ по рекомендательной системе. Кроме того, система шлёт дилерам SMSки, если дилер не онлайн, и появилась машина, похожая на ту, которую он выигрывал или торговался, то он видит смс: "иди посмотри поторгуйся, появилась классная машина".