Herausforderung
Die Machine Learning Lösung wurde für einen Automobilhersteller aus dem Premiumsegment in einem Build-to-Stock Markt entwickelt. Hier stellen Discounts einen der wirksamsten Kaufanreize dar – insbesondere, da die Käufer keine individuelle Konfiguration der Fahrzeuge und ihrer Ausstattung vornehmen können. Gleichzeitig ist ein suboptimaler Einsatz von Discounts mit signifikanten direkten Gewinneinbußen verbunden. Wir standen vor der Herausforderung, mittels Machine Learning für bestimmte Fahrzeuggruppen bereits fixierte Budgets optimal auf die individuellen Fahrzeuge des aktuellen Bestands zu verteilen. Dabei sollten Funktionalitäten für ein gezieltes Bestandsmanagement entwickelt werden. Ziel war es zunächst, die Anzahl von Verkäufen zu maximieren und den Bestandsaufenthalt über eine bestimmte Maximaldauer zu verhindern.
Ansatz
Zu diesem Zweck haben wir eine Pipeline implementiert, die den kompletten Data Science Prozess automatisiert – von Datenaufbereitung und Feature Building über Backtesting, inklusive Feature-Selektion und Modeltuning, bis hin zur Bereitstellung des finalen Modells als Service. Der generelle Ansatz umfasst zwei ineinandergreifende Algorithmen: Zunächst wird die Verkaufswahrscheinlichkeit eines Fahrzeugs innerhalb eines frei wählbaren Prognosehorizonts vorhergesagt. Das Prognosemodell liefert den Input für den Optimierungsschritt: Für jedes Bestandsfahrzeug wird die Verkaufswahrscheinlichkeit für die gesamte Bandbreite möglicher Discountsätze vorhersagt. Das Allokationsproblem kann dann durch die Überführung in eine ganzzahlige Optimierung gelöst werden. Dadurch wird die Verkaufswahrscheinlichkeit aller Bestandsfahrzeuge den fixen Discount-Budgets gemäß maximiert. Einzelne PKW-Gruppen (zum Beispiel überalterte) können in der Optimierung höher gewichtet werden, sodass sie höhere Discounts binden.
Ergebnis
Unser Kunde wurde in die Lage versetzt, Discount-Budgets basierend auf den modellierten Mustern der Verkaufswahrscheinlichkeit optimal auf einzelne Fahrzeuge zu verteilen. Zusätzlich bietet die Lösung auch die Möglichkeit, die Auswirkungen unterschiedlich hoher Budgets auf die Summe der vorhergesagten Verkäufe (auch in bestimmten Produktsegmenten) zu simulieren. Aktuell dient die Pipeline dem automatisierten datengetriebenen Bestandsmanagement und somit der Maximierung von Verkäufen. Perspektivisch kann die Lösung mit nur minimalem Aufwand auch für die Minimierung oder Maximierung jeder anderen quantifizierbaren Größe (zum Beispiel Marge oder Umsatz) adaptiert werden.