Next best offer - Welcher Preis sollte dem Kunden angeboten werden?

changing discounts
Automobil
-
Data Science
-
Optimierung

Die Herausforderung

Während des Verkaufsprozesses ist es üblich, den Kunden Rabatte zu gewähren, um den Verkauf zu fördern. Aber wie hoch sollte der ideale Rabatt sein? Ein strategischer Ansatz des Automobilunternehmens, um seine Gewinne zu maximieren, bestand darin, ebendiese Frage zu optimieren. Vormals forderten die Händler einen individuellen Preisnachlass manuell bei der Landeszentrale an. Diese Strategie war arbeitsintensiv und barg das Risiko, dass die Rabatte höher als nötig ausfallen, da sie auf Bauchgefühl und nicht auf Daten beruhen. Die Herausforderung bestand nun darin, ein intelligentes Preisempfehlungstool zu entwickeln. Dieses musste in der Lage sein, für jedes Fahrzeug automatisch eine Balance zwischen dem Rabatt (möglichst niedrig) und der Verkaufswahrscheinlichkeit (möglichst hoch) herzustellen. Vom Unternehmen definierten Beschränkungen müssen dabei beachtet werden.

Unsere Lösung

Contiamo schuf eine intelligente Lösung, die aus zwei aufeinander aufbauenden Komponenten bestand: einem Machine-Learning-Modell und einem Optimizer für die rabattabhängige Verkaufswahrscheinlichkeit. Die entwickelte Data-Science-Pipeline verarbeitet tägliche Datenlieferungen zu Snapshots. Der täglich generierte Output - Preisempfehlungen - werden dann in die Systeme der Kunden eingespeist. Die Erstellung eines erklärbaren, transparenten Modells war bei diesem Projekt besonders wichtig, um die Akzeptanz durch die Händler und Etablierung der Lösung sicherzustellen.

Tech-Stack

Jupyter
CatBoost
SHAP

Das Projekt

Pilotierung

Die ersten Schritte bestanden in der Datenexploration und der gemeinsamen Definition der zu berücksichtigenden Aspekte, wie z. B. Geschäftsziele, ethische Fragen im Umgang mit demografischen Daten und der Balancierung der Erklärbarkeit. 

Während der Modellierung identifizierten wir eine gestapelte, zwei-komponentige Lösung als ideale Konstruktion für optimale Preisempfehlungen. Zunächst werden die Verkaufswahrscheinlichkeiten für jedes Auto mithilfe eines Gradient-Boosted-Tree-Modells vorhergesagt. Im zweiten Schritt erwiesen sich Preiselastizitätskurven als geeignetste und effizienteste Methode. Mit ihnen lässt sich sehr gut darzustellen, wie die Verkaufswahrscheinlichkeit vom angebotenen Rabatt abhängt. Basierend auf diesen Erkenntnissen und vorgegebenen Optimierungsregeln werden die idealen Rabatte von der KI ausgewählt.

Erklärungen zum Modelloutput (basierend auf der SHAP-Library) werden in das Outputformat der Preisempfehlungen integriert. Dies war der Schlüssel, um mehr Vertrauen in das Modell zu erzeugen und ermöglichte es den Businessnutzern, die Empfehlungen für bestimmte Fahrzeuge bei Bedarf zu überprüfen.

Deployment

Während der initialen Pilotierung und Verprobung stellten wir täglich Rabattempfehlungen bereit, wobei die Daten über ein sicheres File-Sharing-System ausgetauscht wurden. Nach der erfolgreichen Einführung halfen wir dem Kunden, die Pipeline in seiner Infrastruktur zu hosten. Dank unseres flexiblen docker-basierten Frameworks lief das Deployment zügig und unkompliziert. 

Später erneuerte seine Datenumgebung grundlegend und führte ein komplettes Redesign durch. Die Pipeline wurde entsprechend von der alten Umgebung auf die neue Cloud-Plattform übertragen. Auch hier ermöglichte die docker-basierte Lösung eine flexible und einfache Übertragung in die neu geschaffene DevOps-Pipeline.

Kontinuierliche Verbesserung

Das von uns etablierte konstante Monitoring half dabei, Probleme mit der Datenintegrität bei den täglichen Datenlieferungen sowie Grenzfälle im Modell zu erkennen. Außerdem unterstützten wir den Kunden bei der strategischen Neudefinition von Rabattkomponenten in seinen Systemen, was sich sowohl auf den Input als auch auf den Output des Modells auswirkte.

Erzielte Ergebnisse

tick mark

Optimierte Rabatte für > 30.000 Anfragen auf Autos

tick mark

Verkaufserfolg um 25% gesteigert

tick mark

Freisetzung von Kapazitäten durch automatische Preisempfehlungen

Ziel war es, die Gewinne des Kunden zu steigern, indem der Verkaufserfolg maximiert und gleichzeitig die angebotenen Rabatte minimiert werden. Contiamo konstruierte eine Data-Science-Pipeline, die tägliche Datenlieferungen aufnimmt und zwei aufeinander aufbauende Algorithmen anwendet, um Preisempfehlungen für alle auf Lager befindlichen Fahrzeuge zu generieren. Die Lösung wurde erfolgreich im Markt implementiert und optimierte über drei Jahre hinweg die täglichen Rabatte für mehr als 30.000 Fahrzeuge. Sie soll auf weitere Märkte übertragen werden. Durch die mitgelieferten Erklärungen beim Output haben wir das Vertrauen der Subunternehmer in unsere Rabattempfehlungen gestärkt. Sie haben so außerdem die Möglichkeit, die Empfehlungen für bestimmte Fahrzeuge bei Bedarf zu überprüfen.

← zurück zu den Success-Stories
Sie sind interessiert an weiteren Informationen?
Lassen Sie uns über Ihre aktuellen Themen und Fragestellungen sprechen!
kontakt