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.
.png)
.png){kind=small}
.png)
.png)