Nasz klient jest wiodącym pośrednikiem w zakresie produktów finansowych dla samochodów i pojazdów użytkowych oraz członkiem jednej z największych grup medialnych w Polsce. Klient zamieszczał regularnie kilka tysięcy ofert na najpopularniejszej platformie eCommerce do sprzedaży samochodów, co wymagało wielu ręcznych czynności przygotowawczych, skutkując wysokim kosztem. Wraz ze wzrostem liczby ofert monitorowanie i utrzymanie efektywności stało się poważnym wyzwaniem operacyjnym.
Optymalizacja kosztów eCommerce
Wyzwanie
Rozwiązanie
Zarekomendowaliśmy użycie danych zgromadzonych w data lake w celu trenowania modeli uczenia maszynowego, które pozwoliłyby przewidzieć wydajność każdej z publikowanych ofert.
Dane i środowisko klienta były dobrze znane naszemu zespołowi, ponieważ ściśle ze sobą współpracowaliśmy i już wcześniej pomogliśmy klientowi stać się firmą bardziej zorientowaną na danych (więcej na ten temat można przeczytać tutaj). W rezultacie najbardziej pracochłonna część, tzn. zrozumienie i analiza danych, mogła zostać znacząco zredukowana lub wręcz pominięta, co skutkowało znacznie krótszym czasem na przygotowanie projektu.
Nasi specjaliści data science wykorzystali kilka milionów punktów danych z historii ofert klientów, aby opracować model przewidujący liczbę kliknięć określonej oferty po 3 i po 7 dniach. Dane wejściowe wykorzystywane do prognozowania obejmowały podstawowe cechy przedmiotu oferty, takie jak marka i model samochodu, a także bardziej ogólne okoliczności, takie jak dzień tygodnia czy dokładna godzina publikacji. Projekt został zrealizowany przy użyciu oprogramowania BRAINHINT AI Farm zainstalowanego na chmurze Azure.
Liczba potencjalnych kombinacji parametrów wejściowych została ograniczona do kilkudziesięciu tysięcy, w ten sposób predykcje były wykonywane dla każdej kombinacji parametrów po każdej sesji trenowania modelu. Wyniki zostały zapisane w bazie danych i przedstawione w postaci interaktywnego raportu w Microsoft Power BI.
Rezultaty
W wyniku realizacji projektu specjaliści odpowiedzialni za zamieszczanie ofert skorzystali z możliwości sprawdzenia oczekiwanej efektywności oferty i rozważenia, czy konfiguracja danego ogłoszenia jest optymalna.
W modelu tym zastosowano klasyfikację wieloklasową, co dało wyniki w postaci kilku grup. Średnia dokładność wyników wynosiła powyżej 70%.
Zdolność specjalistów do efektywnego wykorzystania nowej wiedzy zaowocowała obniżeniem kosztu kliknięcia o 7% w ciągu 3 miesięcy od wdrożenia systemu.
-
7%
niższy koszt kliknięcia w ciągu 3 miesięcy
-
+70%
dokładność modelu klasyfikacji
Skontaktuj się z nami
Odezwiemy się w ciągu 24 godzin