toggle toggle

Händlertools – OptimizerPrice

zurück arrière

The Innovator

Ziel des Projekts ist es, die aktuelle Preisempfehlung von AutoScout24 auf der Basis von Ausstattungsmerkmalen und weiteren Attributen feiner zu justieren. Im Zentrum steht dabei die Frage, welche Attribute unter welchen Umständen einen effektiven Einfluss auf die Preisfindung haben. Als Endziel sollen Aussagen zum Verkauf getroffen werden können, wie beispielsweise: «Bei diesem Fahrzeug lässt sich im Durchschnitt durch eine Preissenkung um x CHF ein um y Tage schnellerer Verkauf erzielen». Dies soll mithilfe eines auf „Machine Learning“ (ML) basierenden Pricing-Modells erreicht werden, welches aufgrund von Fahrzeug-Attributen einen Angebotspreis berechnet.


Zu Projektbeginn wurde dem Fahrzeughändler ein Vorschlag basierend auf Mittelwerten von vergleichbaren Angeboten errechnet und angezeigt. Sobald eine genügende Menge von Angeboten zur Verfügung stand, erhielt der Händler somit einen valablen Vergleichspreis. Hier wird ein Vergleich jedoch dann schwierig, wenn wenig Angebote zur Verfügung stehen oder das angebotene Objekt durch Alter und Kilometerstand nicht in den Bereich der Abfrage passt.

 

Deshalb war AutoScout24 der Überzeugung, dass für die zukünftige Preisfindung maschinelles Lernen zum Einsatz kommen soll. Konkret sollen aus der aktuellen Datenbank von über 150’000 Fahrzeug-Angeboten Muster und Gesetzmässigkeiten erkannt werden. Dieses Wissen soll in der Folge bei neuen Fahrzeugangeboten mit jeweils eigener Laufleistung, eigenem Alter und Fahrzeugmodell angewendet werden. Das System sollte jedoch auch in der Lage sein, Angebote mit unbekannten, resp. anormalen Angaben entsprechend zu vermerken.

 

Da das Know-How im Bereich “Machine Learning” im AutoScout24-Team nicht vorhanden war, wurde ein Partner evaluiert. Das Team der Sqooba AG in Bern erhielt schliesslich den Zuschlag.

 

Nach der Evaluation wurde die Zusammenarbeit, Kommunikation und das Vorgehen innerhalb des interdisziplinären Projekt-Teams besprochen und definiert. Sqooba übernahm hierzu die Rollen Scrum Master, Data Engineer und Data Scientist. AutoScout24 die Rollen Product Owner, Domain Expert, Data Engineer sowie Development und Operation. Gewählt wurde ein agiles Modell über sechs Sprints.

 

Bei der Umsetzung erkannte das Team, dass beim Lernen neue Erkenntnisse zu Tage kamen. Sogenannte Ausreisser, resp. Outliers, haben zu Beginn dazu geführt, dass das Modell noch zu ungenau war. Alle mathematischen Modelle sind eine Vereinfachung der realen Welt. Es können deshalb nicht alle Möglichkeiten modelliert werden, die in der realen Welt vorhanden sind. Wenn wir in das Vorhersagemodell nun Daten eingeben, die sich wesentlich von den zu erwartenden Daten unterscheiden, d.h. zum Beispiel fehlerhaft sind oder zu einer Klasse gehören, die wir nicht berücksichtigen, wird das Modell nicht die richtigen Parameter lernen und falsche Vorhersagen treffen.

 

Das System muss deshalb lernen, mit falschen Daten umzugehen und die bewusste Berücksichtigung oder Nichtberücksichtigung der Outliers war in der Folge ein herausforderndes und zugleich höchst spannendes Thema, welches in den Meetings oft besprochen wurde.

 

Das Resultat dieses Learning war ein sorgfältiger und sinnvoller Ausschluss von entsprechenden Fahrzeugangeboten für das Training. Der jeweils neue Algorithmus lieferte dadurch beträchtlich bessere Ergebnisse. Das Team hat in der Folge sogenannte Outliers- und Error-Codes definiert. Diese Art von algorithmischen Anomalie-Erkennung kann in Zukunft auch auf verschiedene Anwendungsfälle angewendet werden, wie zum Beispiel die automatische Erkennung von falschen oder gefälschten Angeboten.

 

Durch die Verbesserung des Modells haben sich dann die wesentlichen Merkmale eines Fahrzeugangebotes herauskristallisiert, welche aus unserer Erkenntnis für eine Bepreisung relevant sind. Die Laufleistung hat sich als sehr wichtiger Bestandteil erwiesen. Weitere wichtige Bestandteile sind das Alter, der ehemaligen Neupreis, die Leistung sowie Marke und Modell. Gelernt wurde auch, dass andere Eigenschaften, wie Aufbau- und Antriebsart, einen weniger grossen oder sogar keinen nachweisbaren Einfluss auf das Berechnungsmodell haben.

 

Derzeit besteht nun eine Lösung, welche es ermöglicht, tagtäglich für alle Angebote im Bereich Personenwagen die Preisfindung durchzuführen. Dabei wird zusätzlich zum Preis ausgewiesen, wie zuverlässig die Angabe ist. Fahrzeugangebote, welche nicht berechnet werden können, erhalten einen Fehlercode, welcher dem Fahrzeughändler in verständlicher Form angezeigt wird und in Zukunft gegebenenfalls auch Massnahmen zur Korrektur aufzeigen kann. Neu erfasste Angebote erhalten ebenso einen Preisvorschlag sowie eine Beurteilung.

 

Zurzeit analysiert das Team wöchentlich den Mechanismus und zieht daraus Erkenntnisse, um das Modell stetig zu verbessern. An dieser Stelle kann erwähnt werden, dass mittels einer tieferen Fahrzeugmodell-Unterteilung die Vorhersage weiter präzisiert werden kann und sich je nach Zeitalter des Modells präzisere Vorhersagen modellieren lassen.

 

Das Projekt hat gezeigt, dass wir mit „Machine Learning“ auf gutem Weg sind. Das Team weiss aber auch, dass wir uns zum jetzigen Zeitpunkt noch am Beginn dieses Weges befinden. Wir haben jedoch unterdessen eine Ahnung, was uns im weiteren Verlauf erwarten wird und wie diese Herausforderungen angegangen werden können.

 

Dieses Projekt ist ein Anwärter auf den Award, weil es ein gutes Beispiel dafür ist, wie ein in unterschiedlichen Disziplinen und in zwei Firmen beheimatetes Projekt-Team dank einer gemeinsamen Vision und klaren Rollenverteilung erfolgsversprechend auf dasselbe Ziel hinarbeitet. Jede und jeder hat seinen Teil beigetragen und durch die gemeinsam getragene Verantwortung resultierte eine angenehme Arbeitsatmosphäre. Natürlich gab es auch Konflikte – diese betrafen jedoch vor allem die Sache selbst. Unterschiedliche Perspektiven, respektvoll kommuniziert, führten immer zu einem nächsten Innovationsschritt.

 

Das Team freut sich daher jetzt schon, das Projekt für den Award einreichen zu dürfen.

Dauer Start bis Abschluss Projekt:

Mai bis Oktober 2018

 

Namen der Projekt-Mitarbeitenden:

Sqooba:

Theus Hossmann, Marta Martinez-Camara, Kristina Satara, Adriano Pagano

 

AutoScout24:

Frank Elsner, Angelika Renggli, Daniel Schweingruber, Eric Sagarra

 

Scout24:

Danijel Marjanovic, Andreas von Ballmoos

 

Abteilung:

AutoScout24

 

Firma/Firmen:

Scout24 Schweiz AG in Unterstützung von Sqooba (Schweiz) AG