Zákazník
AAA AUTO je jedním z největších prodejců ojetých vozů ve střední Evropě, který má více než 30 let zkušeností s ojetými vozy, působí v 5 zemích a má více než 2000 odborně vyškolených zaměstnanců. Ročně prodají přes 70 000 vozů a podstatná část těchto obchodů vzniká na jejich webových stránkách.
"Dlouhodobě nás trápila prodejní konverze uživatelů, kteří navštěvují nás online portál pro prodej ojetých vozidel. Zároveň jsme potřebovali zkrátit dobu prodeje méně atraktivních modelů. Inovativní řešení, které na základě poznání chování potenciálního zákazníka dokáže nabídnout individuální cenu na míru, významně zvýšilo počty návštěvníků se zájmem o fyzickou prohlídku nabídnutých vozidel."
Důvody realizace
Webový portál pro prezentaci nabízených vozidel byl vytvořen primárně pro generování nových leadů pro jednotlivé pobočky v regionu, vytvořil zájem se na konkrétní vůz přijet fyzicky podívat a rozhodnout se o nákupu vybraného či obdobného vozidla v rámci hledaných kritérií. I přes vysokou návštěvnost, optimalizované stránky a detailní analýzu chování jednotlivých uživatelů portál nepřinášel očekáváné množství nových leadů pro prodej. Druhou výzvou bylo zvýšení pravděpodobnosti prodeje naskladněných vozidel o který byl dlouhodobě nižší zájem.
Návrh řešení
Celé řešení vychází z vytvořeného statistického modelu vyhodnocující pravděpodobnost leadu u každého návštěvníka, který web navštíví (tzv. „Propensity to Lead model“. Zlepšení této pravděpodobnosti bylo klíčové KPI celého projektu. Model předpovídá pravděpodobnost zaslání poptávky každého návštěvníka v určitém časovém období. Cílovou skupinou návštěvníků byli ti, kteří by jinak lead neposlali a později by web opustili. Návštěvníkům v této skupině je okamžitě nabídnuta jedinečná nabídka, časově omezený slevový poukaz na určité vozy, který nevyžaduje žádné další smlouvání s prodejci na místě. Tato sleva je garantována, pokud ji využije stejná osoba na vybraný vůz. Vozy, které mají nárok na tento typ slevy, jsou pečlivě vybírány druhým statistickým modelem. Cílem bylo podporovat především ty modely, které nemají žádnou nebo velmi nízkou návštěvnost, nebo ty, které v určitém časovém rámci nasbírají minimum leadů.
Technické provedení
Analýza a zpracování dat, plánování úloh, trénování a obsluhu modelu ML/AI byl použit Python; Redis pro ukládání klíčových hodnot v paměti v reálném čase; Exponea/Matomo + CosmosDB + Azure Storage Queue, Synapse pro sledování návštěvnosti webových stránek a agregaci statistik návštěvníků; PowerBI pro reporting a sledování výsledků.
Přínosy projektu
Při implementaci řešení personalizovaných slev bylo dosaženo řady přínosů. Přímým důsledkem nabízených voucherů je, že více lidí má tendenci odesílat rezervační formuláře. V současné době je každý měsíc o 50 % více leadů, než měl klient předtím. Protože zákazníci se slevovými poukazy jsou odhodláni je využít, je jejich konverze na obchod je výrazně vyšší než u standardních zákazníků. Řešení pomáhá zvýšit míru konverze z leadů na smlouvu o 38 %, čímž se výrazně šetří i čas agentů call centra.
