Keskustelimme Senior Advisor Mika Laukkasen kanssa projektista, jossa tähän haasteeseen tartuttiin. Tässä haastattelussa hän kertoo, miten koneoppimismalli selviytyi markkinoiden vaihteluista ja alkuvaiheen epäilyistä ja nousi lopulta korvaamattomaksi työkaluksi myyntityöhön.

Kuka olet ja mitä teet?

Olen Mika Laukkanen ja toimin Data Designilla Senior Advisor nimikkeellä. Käytännössä osallistun erilaisiin data- ja tekoälyprojekteihin.

‍

Sinulla on pitkä kokemus koneoppimisen ja tekoälyn hyödyntämisestä. Onko jokin projekti, joka on jäänyt hyvin mieleen? 

Vaikea kysymys, vuosien aikana on ollut aika paljon projekteja. Ehkäpä autojen hinnoittelu koneoppimisen avulla on yksi parhaiten mieleen jääneistä.

‍

Miksi?

Se oli aikaa jolloin tällaiset ratkaisut tekivät vasta tuloaan ja varsin harvat aloitetut projektit päätyivät tuotantokäyttöön. Tämä oli yksi niistä, jotka päätyivät. 

‍

Mistä projektissa oli kyse?

Tavoitteena oli hyödyntää koneoppimista käytettyjen autojen hinnoitteluun. Ideana että se säästäisi myyjien aikaa, yhtenäistäsi hinnoittelua, vähentäisi hinnoitteluvirheitä ja parantaisi myynnin tehokkuutta. Lisäoptiona oli, että ennustettujen hintojen perusteella pystyttiin estimoimaan varaston arvo ja sen kehitys. 

‍

‍

Millaiseen ratkaisuun päädyttiin?

Projektissa toteutettiin siis ennustemalli perustuen historiallisiin hintoihin ja autoista saataviin tietoihin. Lopputuloksena sovellus, johon myyjä antaa rekisterinumeron ja sovellus palauttaa arvioidun myyntihinnan ja esimerkiksi ennustetun myyntiajan. 

‍

Millainen vastaanotto ratkaisulle oli?

Voidaan sanoa, että aluksi vastaanotto oli vaihteleva myyjien keskuudessa. Esimerkiksi he huomasivat nopeasti jos malli palautti selvästi vääristyneitä ennusteita, joka oli hyvää palautetta mallin kehittämiseksi. 

Tässä tuli myös hyvin selville, että objektiivisesti oikeaa hintaa ei edes ole olemassa, eli sama auto voidaan hinnoitella eri tavoin. Ja viime kädessä tämä voi riippua myös myyjän omasta kokemuksesta ja näkemyksestä. 

Joka tapauksessa sovelluksen käyttö kuitenkin on tullut arkipäiväiseksi työkaluksi. 

‍

Millaisia haasteita projektissa ilmeni?

Ehkä parhaiten jäi mieleen, että autojen hinnat muuttuvat nopeasti. Opetusdataa oli kuitenkin pitkältä ajalta, jolloin vanhat hinnat eivät olleet enää vertailukelpoisia nykyhetken kanssa. Tähän piti hakea ja testata ratkaisuja. 

‍

Muita mielenkiintoisia havaintoja?

Automerkkien välillä oli selvää hajontaa ennustetarkkuudessa. Sanotaanko näin, että ns. laatumerkeille ennusteet toimivat pienemmällä virheellä. Lisäksi uudemmille autoille tulee tarkempia ennusteita kuin vanhoille, joka varsin ennalta arvattava ominaisuus. 

‍

Voisiko samaa ratkaisukonseptia soveltaa muualle?

Kyllä varmasti. Uskoisin että vaikka asuntojen ja monien tuotteiden hinnoittelussa voi soveltaa vastaavaa konseptia. Pääasia että meillä on riittävän laadukasta dataa tarpeeksi paljon. 

‍

Mikä oli parasta?

Se että tulokset menivät tuotantokäyttöön ja jatkokehitykseen. Silloin tietää että jotain on mennyt oikein.