Введение в CARS24 и ценовая дилемма

CARS24 — одна из ведущих мировых онлайн-платформ для продажи подержанных автомобилей, ежемесячно продающая тысячи автомобилей в Индии, на Ближнем Востоке, в Юго-Восточной Азии и Австралии.

Очень значительная часть пути покупателя автомобиля в CARS24, от поиска и открытия до оценки состояния, финансирования и транзакции, происходит полностью онлайн. И для повышения конверсии покупателя в игру вступает множество факторов: идеальный ассортимент, качество автомобилей, простота навигации по продукту, доступность и процентная ставка финансирования, превосходный опыт работы с клиентами, операционная эффективность на местах и ​​так далее.

Однако одним из факторов, который занимает первое место в этом наборе соображений, является цена автомобиля.

В нашем масштабе поддержание привлекательной листинговой цены на все автомобили без ущерба для маржи является одной из самых важных задач для бизнеса. Это особенно актуально для рынка подержанных автомобилей, поскольку, в отличие от большинства других отраслей, здесь нет общепринятой цены на подержанный автомобиль, и могут быть большие колебания цен, связанные с индивидуальными особенностями покупателей и продавцов, различия в состоянии автомобиля и документации, а также стохастический характер рынка. Кроме того, высокий размер квитанции и амортизирующий характер запасов делают ценообразование на автомобили одной из самых важных проблем, которые необходимо решить для предсказуемого и прибыльного роста.

В CARS24 мы решаем эту проблему с помощью массивных данных, полученных в результате более чем 4 млн осмотров подержанных автомобилей, более чем 9 млн аукционов и более чем 750 000 автомобилей, проданных на нашей платформе через аукционы и розничный бизнес с момента создания в 2015 году. Помимо наших внутренних данных, мы также используем классифицированные списки и информацию о ценах на новые автомобили, установленную OEM-производителями в алгоритме ценообразования.

Эти точки данных помогают нам изучить кривые износа от возраста на уровне детализированной модели в разных регионах; влияние различных параметров текущего состояния автомобиля, а также истории обслуживания и документации; и другие внешние факторы, такие как локальный разрыв между спросом и предложением, государственное регулирование, OEM-стратегии и т. д. (дополнительную информацию см. в наших предыдущих блогах, этом и этом)

Однако, несмотря на всю сложность установления «истинной» цены автомобиля, может и всегда будет существовать некоторая разница, когда речь идет об окончательной цене продажи данного автомобиля в данный момент времени, и именно здесь наши динамическая модель ценообразования.

В этой серии блогов мы представим методологию динамического ценообразования автомобилей, которой мы следуем, с намерением продавать их быстрее и при этом получать прибыль.

Цены A-B-C

Давайте начнем с краткого обзора обычных стратегий ценообразования, используемых в разных отраслях для определения прейскурантной цены продукта или услуги.

  1. Ценообразование по принципу «затраты плюс» (экономическое обоснование) — когда цена продукта или услуги устанавливается с надбавкой по сравнению с себестоимостью. В этой парадигме в центре внимания находится маржа или прибыль.
  2. Рыночное ценообразование (управляемое конкуренцией) – цена продукта или услуги определяется исходя из конкурирующих альтернатив на рынке. В этой парадигме основное внимание уделяется проникновению на рынок или общей продаже.
  3. Ценообразование, основанное на ценности (управление спросом и предложением). Когда продукт или услуга оценивается на основе того, что покупатель готов заплатить, исходя из его полезности или ценности для потребителя. В этой парадигме ценность для конечного потребителя находится в центре внимания.

Хотя это элементарные стратегии ценообразования, большинство фирм, продвинувшихся в ценообразовании, придерживаются гибридной стратегии ценообразования.

В CARS24 мы преимущественно придерживаемся ценообразования на основе ценности, при котором мы используем внутренние и внешние данные о ценах для оценки ожидаемых цен покупки и продажи. Но кроме того, мы также накладываем входные данные цена "затраты плюс", чтобы ограничить нашу покупную цену и контролировать маржу листинга. А рыночное ценообразование влияет на первую цену размещения, чтобы контролировать наш коэффициент сквозных продаж на уровне платформы.

Что и зачем нам нужна динамическая листинговая цена?

Как мы поняли из вышеизложенного, существует множество факторов, внутренних и внешних по отношению к автомобилю, которые делают конечную цену продажи автомобиля движущейся целью. Таким образом, даже если у нас есть все данные о ценах продажи аналогичных подержанных автомобилей за прошлые периоды, мы все равно не можем заранее знать спрос на конкретный автомобиль по указанной цене листинга и в определенный момент времени. И, следовательно, нам нужно будет оценить цену объявления о продаже автомобиля и решить изменить ее, если и когда это потребуется. Сам этот процесс систематического изменения листинговых цен называется динамическим пересмотром листинговых цен (LP).

Таким образом, в этом контексте динамическая LP относится к изменениям в объявленной цене автомобиля, в первую очередь основанным на спросе конечного покупателя (на нашей платформе и за ее пределами), чтобы найти оптимальную цену продажи, которая максимизирует некоторые стратегические бизнес-цели, например. общий доход, оборачиваемость запасов и т. д. Следовательно, по замыслу, при правильном выполнении динамическая ревизия LP дает нам следующие рычаги для бизнеса.

  1. Оборачиваемость запасов. Поскольку не существует внутренней и универсально правильной цены на автомобиль, это скорее спектр возможных цен, каждая из которых имеет долю спроса со стороны разных типов покупателей, поиск оптимальной цены продажи подержанного автомобиля в наименьшее время помогает нам снизить затраты на хранение запасов.
  2. Предсказуемость маржи. Возможность найти и отремонтировать автомобиль по цене, соответствующей конечной ожидаемой цене продажи автомобиля, позволяет нам получать запланированную маржу.
  3. Повышение эффективности ценообразования. Возможность экспериментировать с нашими уровнями ценообразования позволяет нам лучше прогнозировать источники и конечную цену продажи с течением времени.

Под капотом

Наш текущий алгоритм работает на предпосылке, что любая неэффективность LP автомобиля повлияет на спрос автомобиля на нашей платформе. И, следовательно, мы можем использовать эту сигнатуру запроса, чтобы исправить эту неэффективность. Проще говоря, автомобиль с относительно более высокой ценой, чем другой аналогичный автомобиль, получит меньший интерес или спрос, если судить по таким ранним показателям, как просмотры автомобилей, заказы, тест-драйвы и т. д. Помня об этом, наша динамическая схема LP пытается изменить LP автомобилей таким образом, чтобы он максимизировал ожидаемую маржу портфеля на уровне или выше целевого показателя сквозной продажи (STR, т. е. % автомобилей, проданных по сравнению с перечисленными за X дней).

Поскольку маржа и уровень сквозной продажи являются противоречивыми целями, способ решения этой проблемы оптимизации заключается в построении кривых ценовой эластичности и попытке найти минимальное изменение цены, которое дает нам максимальное снижение целевого показателя по сравнению с текущим разрывом спроса.

Давайте теперь подробно рассмотрим каждый из шагов, за которыми следует фреймворк.

1) Выбор автомобиля. Перед оценкой LP всех перечисленных автомобилей мы хотим убедиться, что автомобиль получил достаточно внимания. Это сделано для повышения статистической значимости показателей спроса. И это делается путем исключения автомобилей из проверки на основе некоторых пороговых значений воздействия на последнюю цену листинга.

2) Оценка цены на основе текущего и целевого спроса — мы определяем спрос на автомобиль для целей этой оптимизации как вероятность его продажи в ближайшие X дней. Текущий спрос оценивается с помощью модели прогнозирования вероятности продажи, которая использует атрибуты уровня автомобиля и данные о кликах. В то же время целевой спрос определяется на основе общего целевого уровня платформы для различных отпечатков пальцев (статические атрибуты автомобиля, например, марка, вариант модели и т. д.) автомобилей. Используя оба из них, мы рассчитываем дефицит спроса и решаем, нуждается ли автомобиль в доработке.

3) Оптимизация цен — это самый важный модуль всей системы, который выбирает автомобили, отобранные для пересмотра, и использует целевые ограничения STR и маржи для принятия решения о необходимых оптимальных изменениях цен. Этот оптимизатор использует внутреннюю модель эластичности, которая прогнозирует изменение спроса на автомобиль на основе изменения цены, чтобы оценить общую функцию потерь, соответствующую различным возможным изменениям цены, прежде чем окончательно сойтись при оптимальных изменениях цены для каждого автомобиля.

4) Проверка цен — это последний шаг перед отправкой новых цен в производственную систему после проверки изменений. На этом этапе мы внедряем необходимые деловые и рыночные ограничения на окончательный LP автомобиля, например. ограничение ценовой лестницы, то есть автомобиль с более высоким одометром по тому же отпечатку пальца должен иметь более низкую цену, и наоборот.

5) Отслеживание эффективности. Следующие два шага являются частью непрерывной обратной связи для улучшения модели. В этой части мы проводим непрерывное измерение STR уровня когорты автомобилей по сравнению с целевым STR и расчетными и реализованными ограничениями маржи после изменения цены.

6) Корректировка курса. Наконец, на этом этапе мы выполняем регулярную настройку гиперпараметров платформы, например. пороги воздействия, модель эластичности, модель прогнозирования спроса и т. д. на основе ретроспективного анализа.

Влияние динамического ценообразования — реальная статистика

Следующие представления иллюстрируют влияние системы динамического ценообразования на потребность в динамическом LP, о котором мы говорили ранее.

  1. Улучшение STR — увеличение общего количества проданных автомобилей в % по мере устаревания запасов. Пересмотр LP помогает нам быстрее продавать автомобили, застрявшие в инвентаре, и, следовательно, снижает затраты на хранение инвентаря.

2. Контроль маржи — постепенное улучшение STR портфеля с ограничением «Реализованная маржа ≥ Целевая маржа». Продавая автомобили с наименьшим падением цены, подход пересмотра LP улучшает STR портфеля с минимальным негативным влиянием на маржу.

3. Эффективность ценообразования для будущего ценообразования — увеличение процента автомобилей, проданных без пересмотра цены. Со временем, благодаря более быстрому нахождению окончательной цены продажи, подход к пересмотру LP дает нам обратную связь, чтобы скорректировать цены первого листинга и, следовательно, сократить разрыв между ценой первого листинга и окончательной ценой продажи. Это систематически сводит к минимуму необходимость пересмотра, что опять же повышает предсказуемость STR и маржи.

Заключение

Установление оптимальной цены листинга на подержанные автомобили является одной из наиболее важных проблем в области подержанных автомобилей из-за субъективности покупателей и продавцов, а также различий в ценах на подержанные автомобили, зависящих от состояния. Кроме того, существуют структурные ограничения домена с точки зрения большого размера заявки и амортизирующего характера запасов.

В условиях этих проблем и ограничений динамическое ценообразование обеспечивает очень мощный рычаг для предсказуемого роста и прибыли. В CARS24 мы создали динамическую структуру ценообразования, которая использует данные и моделирование машинного обучения, чтобы количественно преобразовать эту проблему в проблему оптимизации над целевой маржей и коэффициентом сквозной продажи.

В следующих частях этой серии мы углубимся в каждый из основных строительных блоков этой структуры, т. е. выбор автомобиля, прогнозирование спроса, оптимизацию цен и постоянное улучшение структуры. Так что следите за обновлениями, увидимся, а пока езжайте осторожно!

Подтверждение

Прежде чем завершить свое выступление, я хотел бы обратиться к настоящим водителям из нашей основной команды DS, которые неустанно работали над тем, чтобы это работало в разных регионах, где мы работаем, — Paridhi, Sachin, Vivek и Sandhya. », и отдельное спасибо Нарешу, Мехулу и ВК за то, что верили в нас и постоянно вели нас к фаре.