Herausforderung

Verbesserung der Wiederkaufquote im Leasing-Bereich eines Automobilherstellers. Einzelne Händler erfassen Wiedermotorisierungszeitpunkt manuell und oftmals fehlerhaft, dadurch laufen Marketing-Maßnahmen ins Leere.

Vorgehen

  • Daten aus Gewährleistung, Diagnose und CRM werden für Vorhersage unter Anwendung von PyTorch analysiert
  • Mustererkennung von unplausiblen Händlereingaben
  • Einsatz von Microsoft Azure DSVMs für On-Premise Machine Learning

Ergebnis

  • 30% der fehlerhaften Händlereingaben werden erkannt
  • Wiedermotorisierung kann um 40% genauer eingeschätzt werden,
    wodurch Folgeaufträge bei Bestandskunden um 20% erhöht wurden


Nutzen

  • Reduzierung von fehlerhaften Händlereingaben
  • Erhöhung von Folgeaufträgen
  • Bessere Schätzungsgenauigkeit von Wiedermotorisierungen

Daten

  • Wiederkauf
  • Wiedermotorisierung
  • Trenddaten

Technologien

  • Python
  • PyTorch
  • Microsoft Azure