Hintajousto
Autojen hinnoittelu
Asiakkaamme tarjoaa omille asiakkailleen (autoliikkeet) palveluna tekoälyn antamia pyyntihinta-arvioita käytetyistä autoista. Liiketoiminnallisesti tässä on taustalla vähentää autoliikkeissä tehtävää manuaalista työtä ja hinnoitteluvirheitä.
Itse ongelman luonne on varsin monimutkainen, koska käytettyjen autojen hintoihin vaikuttavat lukuisat tekijät, eikä vähiten psykologia. Jos meillä on 5 identtistä autoa, yhtä monella omistajalla, niin silloin meillä viisi erilaista pyyntihintaa autolle.
Oman haasteensa koneoppimismallien käytössä tuo myös hintojen jatkuva aleneminen, joka tapahtuu vielä merkki- ja mallikohtaisesti. Niinpä mallin opetusdata mallille on lähtökohtaisesti vanhentunutta.
Mitä teimme?
- rakensimme asiaan sopivan tietovaraston Azureen
- toteutimme useita erilaisia koneoppimismallinnuksia (mm. GBT, neuroverkot)
- tuotannollistimme koko ratkaisun Azureen
- pidimme koulutuksia asiakkaan tiimille koneoppimisesta
- koulutimme asiakkaan oman Data Scientistin ylläpitämään ja jatkokehittämään ratkaisua
Tulokset
Ratkaisu on ollut tuotannossa jo pidemmän aikaa. Useat autoliikkeet ovat oppineet luottamaan tekoälyn antamiin hintoihin niin hyvin, että käyttävät sitä pääasiallisena hinnoittelutyökaluna.
Noin yleisesti hintojen ennustamisen tarkkuus vaihtelee riippuen mm. auton vuosimallista ja merkistä. Mitä vanhempi auto, sitä enemmän hajontaa. Maakohtaisista eroista mainittakoon, että ranskalaisten autojen hintahajonta on suurempaa kuin vaikka saksalaisten.
Olimme myös yllättyneitä, että miten hyvin malli pystyi ennustamaan erittäin harvinaistenkin autojen pyyntihintoja (esim. aiemmin 2 kpl Suomessa).
Segmentointi
Teleoperaattori
Toteutimme isolle teleoperaattorille asiakassegmentoinnin käyttäen ei-ohjattua koneoppimista. Tarkoituksena oli löytää potentiaalisia asiakasryhmiä, joissa poistuma on muita ryhmiä korkeampaa. Lisäksi tavoitteena oli ymmärtää, millaisia asiakasryhmiä ylipäätään on olemassa (esim. millaisia tuote- ja palvelukombinaatioita).
Tuloksena löydettiinkin segmenttejä, joissa poistuma oli korkeamaa kuin muissa. Myös ymmärrys asiakasryhmistä lisääntyi.
Erikoistavarakauppaketju
Projektin tavoitteena oli tunnistaa erilaisia asiakasryhmiä kuittitason dataan perustuen. Mikäli järkeviä asiakasryhmiä tunnistettaisiin, niille voisi optimoida tarjontaa sekä markkinointiviestejä.
Useiden eri iteraatiokierrosten jälkeen löysimme liiketoiminnan kanssa järkevän asiakasryhmittelyn, eli käytännössä 5 asiakassegmenttiä, jotka selvästi poikkesivat toisistaan.
Asiakkaalla oli ollut ”käsitys”, että tällaisia segmenttejä voisi heidän asiakkaissaan olla, mutta vasta tämän projektin jälkeen he pystyivät identifioimaan, mihin ryhmään kukin yksittäinen asiakas kuului.
Vähittäiskauppa
Tässäkin projektissa oli tavoitteena tunnistaa erilaisia asiakasryhmiä kuittitason dataa hyödyntäen. Mikäli järkeviä asiakasryhmiä tunnistettaisiin, voitaisiin niille optimoida kohdennettua tarjontaa ja markkinointia.
Useiden eri iteraatiokierrosten jälkeen löysimme liiketoiminnan kanssa järkevän asiakasryhmittelyn, eli käytännössä 5 asiakassegmenttiä, jotka selvästi poikkesivat toisistaan.
Asiakkaalla oli ollut ”käsitys”, että tällaisia segmenttejä voisi heidän asiakkaissaan olla, mutta vasta tämän projektin jälkeen he pystyivät identifioimaan, mihin ryhmään kukin yksittäinen asiakas kuului.
