CN113674040B - 车辆的报价方法、计算机设备和计算机可读存储介质 - Google Patents
车辆的报价方法、计算机设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113674040B CN113674040B CN202010412463.4A CN202010412463A CN113674040B CN 113674040 B CN113674040 B CN 113674040B CN 202010412463 A CN202010412463 A CN 202010412463A CN 113674040 B CN113674040 B CN 113674040B
- Authority
- CN
- China
- Prior art keywords
- quotation
- vehicle
- quoted
- vehicle type
- schemes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 15
- 238000004904 shortening Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 13
- 230000008901 benefit Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004138 cluster model Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 208000031638 Body Weight Diseases 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种车辆的报价方法、装置和计算机可读存储介质,其中,该车辆的报价方法包括:获取历史成交订单数据和待报价车型的多个报价方案,以及待报价车型的车型信息;从历史成交订单数据、多个报价方案以及车型信息中提取待报价车型的第一特征信息,并将第一特征信息输入到已训练的销量预测模型中,得到已训练的销量预测模型输出的在多个报价方案下的待报价车型的预测销量;基于多个报价方案下的预测销量,对多个报价方案进行评分,从多个报价方案中选择评分最高的报价方案作为最优报价方案。通过本申请,解决了相关技术中车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题,实现了缩短车辆售出时间的技术效果。
Description
技术领域
本申请实施例涉及计算机领域,特别是涉及一种车辆的报价方法、装置、计算机设备和计算机可读存储介质。
背景技术
随着汽车工业的发展,车辆的交易需求越来越大,利用基于网络的车辆交易平台购买车辆,已经成为购买者的重要选择。因此,在车辆交易平台中,如何为车辆进行定价一直是业内的一个难点。
为了更公允的为车辆进行估值定价,市面上涌现了很多车辆交易平台,目前常用的评估车辆价值的方法为基于车辆的成本与平台的成本来评估车辆价值,车辆价值包括平台采购成本、固定成本、可变成本、资金成本以及平台利润空间,这类技术方案忽略了车辆的需求弹性变化,导致无法灵活控制成本以及抑制了车辆的销量和售出时间。该技术方案存在以下技术缺陷:在车辆的售出时间较长的情况下,车辆信息堆积在平台服务器中导致平台服务器负担增大,进而导致平台服务器运行和维护成本增加。
目前针对相关技术中的车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种车辆的报价方法、装置、计算机设备和计算机可读存储介质,以至少解决相关技术中车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题。
第一方面,本申请实施例提供了一种车辆的报价方法,所述方法包括:获取历史成交订单数据和待报价车型的多个报价方案,以及所述待报价车型的车型信息;
从所述历史成交订单数据、所述多个报价方案以及所述车型信息中提取所述待报价车型的第一特征信息,并将所述第一特征信息输入到已训练的销量预测模型中,得到所述已训练的销量预测模型输出的在所述多个报价方案下的所述待报价车型的预测销量;其中,所述已训练的销量预测模型是以车辆的第一特征信息作为输入,以车辆的实际销量作为监督,对机器学习模型进行训练得到的;
基于所述多个报价方案下的预测销量,对所述多个报价方案进行评分,从所述多个报价方案中选择评分最高的报价方案作为最优报价方案。
在其中一个实施例中,获取待报价车型的多个报价方案包括:
获取所述待报价车型的参考价值;其中,所述待报价车型的参考价值包括以下至少之一:市场成交价、消费贷总价;
从所述参考价值以及所述历史成交订单数据中提取所述待报价车型的第二特征信息,并将第二特征信息输入到已训练的差异化价值模型中,得到已训练的差异化价值模型输出的所述待报价车型的差异化价值率;其中,所述已训练的差异化价值模型是以车辆的第二特征信息作为输入,以车辆的实际差异化价值作为监督,对机器学习模型进行训练得到的;
根据所述差异化价值率,确定所述待报价车型的参考报价方案总价;其中,所述差异化价值率为所述待报价车型的差异化价值与所述待报价车型的参考价值的商。
在其中一个实施例中,所述以车辆的实际差异化价值作为监督包括:
根据历史成交订单数据,获取车辆的当前报价方案、所述车辆在当前报价方案下的差异化价值以及上架日均销量;
基于所述当前报价方案以及所述上架日均销量修正所述车辆在当前报价方案下的差异化价值,得到所述实际差异化价值;
以车辆的实际差异化价值作为训练所述机器学习模型的监督。
在其中一个实施例中,所述第二特征信息包括以下至少之一:车维度特征、市场维度特征、上架日均销量特征。
在其中一个实施例中,对多个报价方案进行评分,从多个报价方案中选择评分最高的报价方案作为最优报价方案包括:
根据所述多个报价方案,确定所述待报价车型在多个报价方案下的上架利润;
从所述多个报价方案下的预测销量、所述多个报价方案下的上架利润以及所述历史成交订单数据中提取所述待报价车型在所述多个报价方案下的第三特征信息,其中,所述第三特征信息包括以下至少之一:销量特征、利润特征、风险特征、产品竞争力特征、市场竞争力特征;
基于所述第三特征信息,对多个报价方案进行评分,从所述多个报价方案中选择评分最高的报价方案作为所述最优报价方案。
在其中一个实施例中,所述的第一特征信息包括以下至少之一:时间特征、车型特征、价格特征、优惠特征、替代性特征、市场特征、区域特征。
在其中一个实施例中,所述方法还包括:
根据所述最优报价方案以及待报价车型的参考价值,确定参考价值与最优报价方案的差是否小于预设阈值;
在所述参考价值与所述最优报价方案的差小于预设阈值的情况下,提示所述最优报价方案存在异常。
第二方面,本申请实施例提供了一种车辆的报价装置,所述装置包括:获取模块、与获取模块连接的提取模块以及与提取模块连接的选择模块;其中,
所述获取模块,用于获取历史成交订单数据和待报价车型的多个报价方案,以及所述待报价车型的车型信息;
所述输入模块,用于从所述历史成交订单数据、所述多个报价方案以及所述车型信息中提取所述待报价车型的第一特征信息,并将所述第一特征信息输入到已训练的销量预测模型中,得到所述已训练的销量预测模型输出的在所述多个报价方案下的所述待报价车型的预测销量;其中,所述已训练的销量预测模型是以车辆的第一特征信息作为输入,以车辆的实际销量作为监督,对机器学习模型进行训练得到的;
所述选择模块,用于基于所述多个报价方案下的预测销量,对所述多个报价方案进行评分,从所述多个报价方案中选择评分最高的报价方案作为最优报价方案。
第三方面,本申请实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的车辆的报价方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的车辆的方法。
相比于相关技术,本申请实施例提供的车辆的报价方法、计算机设备和计算机可读存储介质,通过已训练的销售预测模型预测待报价车型的销量,进而刻画待报价车型的需求弹性变化,解决了相关技术中车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题,实现了缩短车辆售出时间的技术效果。
本申请实施例的一个或多个实施例的细节在以下附图和描述中提出,以使本申请实施例的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请实施例的进一步理解,构成本申请实施例的一部分,本申请实施例的示意性实施例及其说明用于解释本申请实施例,并不构成对本申请实施例的不当限定。在附图中:
图1是根据本申请实施例的车辆的报价方法的流程图;
图2是根据本申请实施例的获取待报价车型的多个报价方案的流程图;
图3是根据本申请实施例的选择评分最高的报价方案作为最优报价方案的流程图;
图4是根据本申请实施例的车辆的报价装置的结构框图;
图5是根据本申请实施例的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请实施例的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请实施例进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请实施例,并不用于限定本申请实施例。基于本申请实施例提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请实施例保护的范围。
显而易见地,下面描述中的附图仅仅是本申请实施例的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请实施例应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请实施例公开的内容相关的本领域的普通技术人员而言,在本申请实施例揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请实施例公开的内容不充分。
在本申请实施例中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请实施例的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请实施例所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请实施例所涉及的技术术语或者科学术语应当为本申请实施例所属技术领域内具有一般技能的人士所理解的通常意义。本申请实施例所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请实施例所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请实施例所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请实施例所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请实施例所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本实施例提供了一种车辆的报价方法。图1是根据本申请实施例的车辆的报价方法的流程图,该流程包括如下步骤:
步骤S101,获取历史成交订单数据和待报价车型的多个报价方案,以及待报价车型的车型信息。
在本实施例中,根据报价方案的总价,可以按照分期时间、过户方式、牌照类型多种维度划分为多个报价方案。
报价方案可以为分期报价方案或买断报价方案。例如,分期报价方案可以为四年分期报价方案,其中,四年分期报价方案包括首付金额、12个月的首年月租以及36个月的次三年月供;买断报价方案可以为一年买断报价方案,其中,一年买断报价方案包括首付金额、12个月的首年月租以及尾款金额;历史成交订单数据包括与待报价车型相同车型的成交订单数据。
步骤S102,从历史成交订单数据、多个报价方案以及车型信息中提取待报价车型的第一特征信息,并将第一特征信息输入到已训练的销量预测模型中,得到已训练的销量预测模型输出的在多个报价方案下的待报价车型的预测销量;其中,已训练的销量预测模型是以车辆的第一特征信息作为输入,以车辆的实际销量作为监督,对机器学习模型进行训练得到的。
该步骤是通过已训练的销量预测模型来预测待报价车型在多个报价方案下的销量。在本实施例中,该步骤还可以预测待报价车型在不同区域下的销量以及在不同节日、不同活动期间下的销量,进而刻画待报价车型的需求弹性。
需求弹性即一定时期内产品需求量的相对变动对于该产品价格的相对变动的反应程度,以便在报价阶段考虑待报价车型的需求弹性变化,灵活动态调整待报价车型的价格。
步骤S103,基于多个报价方案下的预测销量,对多个报价方案进行评分,从多个报价方案中选择评分最高的报价方案作为最优报价方案。
基于已训练的销量预测模型,预测待报价车型的在多个报价方案下的销量,以此来刻画待报价车型的需求弹性。
相关技术中的车辆报价方法,往往通过为基于车辆的成本与平台的成本来评估车辆价值,车辆价值包括平台采购成本、固定成本、可变成本、资金成本以及平台利润空间。
这类技术方案忽略了车辆的需求弹性变化,导致无法灵活控制成本以及抑制了车辆的销量和售出时间。
因此,在车辆的售出时间较长的情况下,车辆信息堆积在平台服务器中导致平台服务器负担增大,进而导致平台服务器运行和维护成本增加。
通过上述步骤,通过已训练的销售预测模型预测待报价车型的销量,进而刻画待报价车型的需求弹性,解决了相关技术中车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题,实现了缩短车辆售出时间的技术效果。
同时,通过量化待报价车型的需求弹性,便于在报价阶段考虑待报价车型的需求弹性变化,基于待报价车型的需求弹性灵活动态调整价格。
图2示出了本实施例中获取待报价车型的多个报价方案的流程,如图2所示,在其中一些实施例中,获取待报价车型的多个报价方案的流程包括以下步骤:
步骤S201,获取待报价车型的参考价值;其中,待报价车型的参考价值包括以下至少之一:市场成交价、消费贷总价。
步骤S202,从参考价值以及历史成交订单数据中提取待报价车型的第二特征信息,并将第二特征信息输入到已训练的差异化价值模型中,得到已训练的差异化价值模型输出的待报价车型的差异化价值率;其中,已训练的差异化价值模型是以车辆的第二特征信息作为输入,以车辆的实际差异化价值作为监督,对机器学习模型进行训练得到的。
步骤S203,根据差异化价值率,确定待报价车型的参考报价方案总价;其中,差异化价值率为待报价车型的差异化价值与待报价车型的参考价值的商。
步骤S204,根据参考报价方案总价,确定待报价车型的多个报价方案。
在本实施例中,已训练的差异化价值模型的目标为量化待报价车型的差异化价值率(DVR),其中,差异化价值率为待报价车型的差异化价值与待报价车型的参考价值的商,差异化价值为待报价车型的总价与待报价车型的参考价值的差。
上述的已训练的差异化价值模型是基于第二特征信息,将具有相似差异化价值溢价的车型聚类,并据此判断待报价车型的差异化价值。
因此,在本实施例中,已训练的差异化价值模型包括但不限于以下至少之一:无监督聚类模型、探索层级模型、K_means(K均值)聚类、高斯聚类、概率密度模型。
在其中一个实施例中,由于第二特征信息数据集中分类,切分点划分显著度不高,且内部数据无明显趋势划分,因此选择K_means聚类模型。
上述的K_means聚类模型的基本原理为随机抽取K个初始聚类中心点,迭代选择每个对象距离中心点的距离,并将其分配给距离其最近的中心点,直至局部误差平方和最小。
在其中一个实施例中,以车辆的实际差异化价值作为监督包括:根据历史成交订单数据,获取车辆的当前报价方案、车辆在当前报价方案下的差异化价值以及上架日均销量;基于当前报价方案以及上架日均销量修正车辆在当前报价方案下的差异化价值,得到实际差异化价值;以车辆的实际差异化价值作为训练所述机器学习模型的监督。
在本实施例中,基于历史成交订单数据、车辆的当前报价方案以及车辆在当前报价方案下的上架日均销量,调整车辆的差异化价值。
其中,当前报价方案可以为按照分期时间、过户方式、牌照类型多维度划分的多种报价方案中的其中一个报价方案。
在本实施例中,当前报价方案可以为分期报价方案或买断报价方案。例如,分期报价方案可以为四年分期报价方案,其中,四年分期报价方案包括首付金额、12个月的首年月租以及36个月的次三年月供;买断报价方案可以为一年买断报价方案,其中,一年买断报价方案包括首付金额、12个月的首年月租以及尾款金额。
上架日均销量反映车辆在市场的需求情况,因此,需要修正车辆的差异化价值,基于上架日均销量越高,定价的合理性越高的基础原理,综合考虑上架日均销量和利率情况,设置参数分销量梯度调整上架日均销量值。
修正后车辆的差异化价值相对合理,可用于作为训练K_means聚类模型的监督。
其中,车辆的实际差异化价值为车辆在当前报价方案下的差异化价值与修正系数的乘积,修正系数=车辆上架日均销量排名百分位-((利率-利率区间最小值)/利率区间值),利率包括但不限于以下至少之一:月租利率、月供利率。
在其中一个实施例中,第二特征信息包括但不限于以下至少之一:车维度特征、市场维度特征、上架日均销量特征。
在本实施例中,车维度特征用于描述车型的各类属性,包括但不限于以下至少之一:指导价、采购价、品牌、国别、车系、排量、变速箱类型、上市时间、配置、排放标准、百里油耗、首付比例。
在本实施例中,市场维度特征用于描述车型在市场下的各类属性,包括但不限于以下至少之一:新车市场成交价、车系市场销量、保值率、车型市场评分。
K_means聚类模型基于欧氏距离算法,因此数据整体需要进行归一化,将首付比例、指导价、车系市场销量、保值率以及市场评分作为重要影响指标,增加这些特征的入参权重,提升分类合理性。
在将历史成交订单数据中车辆的差异化价值数据清洗完成后,调用K_means聚类模型进行聚类,基于不同类中车型的上架日均销量以及差异化价值率,加权平均值作为该类的差异化价值率,其中,加权通过不同类中车型的差异化价值率乘以该车型的销量权重。
在本实施例中,已训练的差异化价值模型对车型的聚类结果如表1所示。
表1
相同车辆类型中,车型指导价、首付比例、车系市场销量、品牌、保值率等特征相似度极高,不同车辆类型中差异较大,且上架日均销量及差异化价值率在同类型车型中近似,在不同类型车型中差异较大,因此整体聚类成N类,聚类效果较好。
在本实施例中,N为4,a、b、c、d分别为该第一类车辆、第二类车辆、第三类车辆、第四类车辆的差异化价值率。
图3示出了本实施例中选择评分最高的报价方案作为最优报价方案的流程,如图3所示,在其中一些实施例中,选择评分最高的报价方案作为最优报价方案的流程包括以下步骤:
步骤S301,根据多个报价方案,确定待报价车型在多个报价方案下的上架利润。
在本实施例中,根据每个报价方案,通过预设的财务利润模型,确定待报价车型在每个报价方案下的上架利润。
其中,通过财务利润模型确定每个报价方案的总价格,报价方案可以为分期报价方案或买断报价方案,故报价方案的总价格可以为首付金额、首年月租以及尾款金额或月供的和。
获取历史成交订单数据中的与待报价车型同车型的历史成交订单数据,并通过财务利润模型提取与待报价车型同车型的历史成交订单数据中的平均售出成本,其中,售出成本包括但不限于以下至少之一:平台采购成本、固定成本、可变成本、资金成本。
根据每个报价方案的总价格以及平均售出成本,通过财务利润模型,确定待报价车型在每个报价方案下的上架利润,上架利润为报价方案的总价格减去平均售出成本的差。
步骤S302,从多个报价方案下的预测销量、多个报价方案下的上架利润以及历史成交订单数据中提取待报价车型在多个报价方案下的第三特征信息,其中,第三特征信息包括但不限于以下至少之一:销量特征、利润特征、风险特征、产品竞争力特征、市场竞争力特征。
步骤S303,基于第三特征信息,对多个报价方案进行评分,从多个报价方案中选择评分最高的报价方案作为最优报价方案。
在本实施例中,同一车型不同的报价方案,在销量、利润、风险以及竞争力层面有不同的综合表现,因此可以综合4个层面制定评分指标。
其中,评分指标包括但不限于以下至少之一:销量评分、利润评分、风险评分、产品竞争力评分、市场竞争力评分。
在本实施例中,销量评分是基于销量特征得出,销量特征描述待报价车型预测销量在所有车型中月销量排名的比例,销量评分=(1-待报价车型预测销量在所有车型中月销量排名的比例)*100%。待报价车型预测销量在所有车型中月销量排名越靠前,该比例越低。
在本实施例中,利润评分是基于利润特征得出,利润特征描述基础利润率,基础利润率=max((利润率/利润率目标)*100/2+50,100),基础利润率越高,利润评分越高。
在本实施例中,风险评分是基于风险特征得出,风险特征描述待报价车型风险损失率,待报价车型风险损失率=(1-(风险损失率-风险损失率最小值)/风险损失率最大值)*100,风险损失率越高,风险评分越低。
在本实施例中,产品竞争力评分是基于产品竞争力特征得出,产品竞争力特征描述对客利率,利率越高,产品竞争力评分越高,其中,利率包括但不限于以下至少之一:月租利率、月供利率。
在本实施例中,市场竞争力评分是基于市场竞争力特征得出,市场竞争力特征描述与市场相似产品的竞品评估,在控制待报价车型与市场相似产品的差异在一定范围内的情况下,差异越大,市场竞争力评分越低。
在其中一些实施例中,第一特征信息包括但不限于以下至少之一:时间特征、车型特征、价格特征、优惠特征、替代性特征、市场特征、区域特征。
在本实施例中,通过已训练的销量预测模型预测待报价车型在不同报价方案下的销量,同时预测待报价车型在不同区域下的销量以及在不同节日活动期间的销量。
在本实施例中,通过从历史成交订单数据中按照时间、车型、报价方案、地区统计销量,生成数据集,并从数据集中提取出第一特征信息作为已训练的销量预测模型的输入。
在本实施例中,时间特征用于描述车辆付款时间状况,包括但不限于以下至少之一:prepaid_year(付款时间-年)、prepaid_month(付款时间-月)、prepaid_weekday(付款时间-星期)、prepaid_day_of_year(付款时间-日)。
在本实施例中,时间特征还可用于描述销量随时间整体变化趋势,包括但不限于以下至少之一:周滞后销量值:mrsp_class_week_trend_lag_1(按周按指导价区间滞后一周值)=上周值-上上周值、月滞后销量值:mrsp_class_month_trend_lag_1(按月按指导价区间滞后一月值)=上月值-上上月值、周滞后销量率:mrsp_class_week_trend_rate_lag_1(按周按指导价区间滞后一周值)=(上周值-上上周值)/上上周值、月滞后销量率:mrsp_class_month_trend_rate_lag_1(按月按指导价区间滞后一月值)=(上月值-上上月值)/上上月值、按月平均差异值:msrp_class_label_month_mean_diffrence(按月均值差异)=销量-指导价区间平均销量、按月平均差异率:msrp_class_label_month_mean_diffrence(按月均值差率)=(销量-指导价区间平均销量)/指导价区间平均销量。
在本实施例中,车型特征用于描述车型的各类属性以及车型上市后不同时期的销量变化趋势,包括但不限于以下至少之一:车型名称(采用WordVectors库进行文本编码,共50维数据进行编码)、品牌df_brand_level、车系df_series_level(使用label进行编码)、品牌国别brand_country(国产,美系,德系等,使用label编码)、车型排量volume(连续性变量加入)、车型级别level(分为小型SUV,中型车,小型车等,使用label编码)、排放标准environmental_standards(分为国V,国VI,欧III,新的排放标准销量更好,使用label编码)、百公里油耗fuel_cost、车身长度body_length、轴距body_wheelbase、车型年份model_year(判断车型是哪一年的车型)、车型时间周期model_year_minus_sales(车型年份-售出年份,用来描述车型售出时间差异)、车型上市时间差model_on_market_sales_days(售出时间-上市时间的天数差,描述车型生命周期,差值越大,车款越老,销量越差)。
在本实施例中,价格特征用于描述车型的各类报价方案的价格,包括但不限于以下至少之一:车型指导价guidance_price、指导价区间msrp_class_label、首付金额fp_down_paymnet、首付比例prepaid_rate、实际首付金额actual_prepaid_amount(首付金额-优惠金额,即用户首期实际需要支付金额)、总优惠金额total_discount(优惠会针对首付及月租有不同程度降低)、首年月租installment、尾款月租final_payment_installment(一年后剩余租期的月租)、用户全租期付款总金额four_year_total_amount(报价方案总价)、用户1年买断价first_year_buy_out_amount(用户一年后买断价格)。
本实施例中,优惠特征用于描述车型在节日活动期间销量变化状况,包括但不限于以下至少之一:活动级别promote_level(分为最高级,次一级,其他,不同级别活动,带来销量变化差异显著)、最高级活动预热期promote_level_pre、热销期promote_level_floor(因为不同活动在预热前后销量会有显著的变化趋势,且前后变化不同,因此label编码以两个变量来描述这一特征)、最高级别活动当日特征promote_level_S_importance(通常在活动当日,销量会有极大的增长,因此增加特征,提升预测该日销量)。
在本实施例中,替代性特征用于描述相同车系、相同品牌和相似车型之间存在的销量相互替代关系,包括但不限于以下至少之一:指导价区间的车型数msrp_class_label_counts(统计在不同指导价区间的车型数,防止车型数激增导致销量偏高)、区分不同车系间的高低配model_series_rank(按照高低配指导价20%以内,为低配,大于80%为高配,中间为低配,按照label编码,同车系销量一般集中在某一配置区间)、是否存在及低首付比例方案exist_0,exist_5(存在极低首付比例方案,会导致相同车型销量锐减)。
在本实施例中,市场特征用于描述车型销量与市场环境关系,包括但不限于以下至少之一:车系市场销量series_market_sales_n(描述该车系在市场上的热销程度)、车系平均市场销量series_model_ave_sale(车系市场销量/车系车型数,描述平均车型热销程度)、车系口碑评分(基于车系空间,动力,操控,油耗,舒适性,内饰,外观等8个层面的评分,评估车系在市场上热销程度)、保值率three_year_preservatation_rate_level_score(描述车未来价值,以及二手车销量价值,影响用户决策)、养车费用Car maintenance cost(描述车型未来消耗价值)。
在本实施例中,区域特征用于描述车辆在不同区域的销售情况,包括但不限于以下至少之一:店铺级别Shop_level(依据不同店铺的日均销量分级,进行label编码)、区域分层area_level(根据地域距离及物流仓储情况将全国分为几大区域)、区域门店数area_shaop_counts(区分不同区域的门店数量)。
在本实施例中,已训练的销量预测模型对第一特征信息的特征重要性分布结果如表2所示。
表2
由表2可以看出,可以看出首付比例prepaid_rate、实际首付金额actual_prepaid_amount、车系市场销量series_market_sales_n、平均车型市场销量series_model_ave_sale、优惠金额total_discount、每年年份prepaid_year,车型的生命周期价值model_year_minus_sales、是否存在0首付方案exist_0,为影响车型销量的重要指标。
在本实施例中,基于训练误差以及特征重要性分布结果,选择GBR模型(GradientBoostingRegressor,梯度提升回归)作为建模模型。
在本实施例中,各种模型的训练误差如表3所示。
表3
如表3所示,GBR模型的训练误差最小,因此选择GBR模型作为销量预测模型的建模模型。
GBR模型是基于弱学习器,进行梯度提升迭代,集合形成的预测模型,目标是损失函数最小化,GBR模型的运作流程包括:
步骤1,初始化:f0(x)=arg minγ∑L(yi,hi);
步骤2,确认一个损失函数:L(yi,hi)为损失函数,选取huber损失函数,结合了均方损失和绝对误差损失;
步骤3,每增加一个学习器遍历全部特征,寻找使的分割点损失最小的点作为最优分割点,分裂学习器;
步骤4,反复迭代m个弱学习器,每增加一个学习器使得累计的损失函数最小,第m个弱学习器为:Fm(x)=F(m-1)(x)+arg minγ∑L(yi,F(m-1)(x)+h(x));
步骤5,最终迭代完成得到F(x)=Fm(x)。
在本实施例中,已训练的销量预测模型的模型评估逻辑包括但不限于以下至少之一:基于车型维度评估、基于日/周/月时间维度评估、基于区域维度评估、基于节日维度评估、基于弹性维度评估。
其中,基于车型维度评估为:基于全部车型、新增车型分别评估,按照实际累计销量60%、30%、10%分别计算MAPE(平均绝对误差率)、MAE(平均绝对误差值),销量权重越大的评分占比越高,车型评估最终指标整体平均误差率WMAPE_C=∑销量比例*MAE=15%,整体平均误差值WMAP_C=∑销量比例*MAPE=60台。
基于日/周/月时间维度评估为:计算每日/周/月的MAE,整体平均误差值WMAP_T=avg(MAE)=40台。
基于区域维度评估为:计算每个区域的MAE,整体平均误差值WMAP_A=avg(MAE)=80台。
基于节日维度评估为:节日pre(节日前7天)和floor(节日起后4天)每日平均误差率<20%。
基于弹性维度评估为:首付比例及月租变化趋势符合弹性变化趋势,超过99%符合低首付销量高,月租低销量高的变化趋势,防止价格倒挂。
在其中一些实施例中,车辆的报价方法还包括:根据最优报价方案以及待报价车型的参考价值,确定参考价值与最优报价方案的差是否小于预设阈值;在参考价值与最优报价方案的差小于预设阈值的情况下,提示最优报价方案存在异常。
在本实施例中,通过价格监控来保持报价方案的报价合理性、竞争力以及采购议价优势,价格监控包括但不限于以下至少之一:车型指导价监控、车型市场成交价监控、车型同车系车型价差监控、市场竞争产品价格监控。
其中,车型将指导价监控为:监控待报价车型的指导价是否发生官方变动,要求采购价/指导价小于预设阈值,在采购价/指导价大于预设阈值的情况下,反馈采购部。
车型市场成交价监控为:要求(市场成交价-最优报价方案总价)小于预设阈值,(尾款-市场成交价)小于预设阈值,防止报价过高。
车型同车系车型价差监控为:要求(同车系高配置车型的总价-同车系低配置车型的总价)大于第一预设阈值,小于第二预设阈值。
市场竞争产品价格监控为:要求(竞品价格-最优报价方案总价)/最优报价方案总价小于预设阈值。
在本实施例中,通过动态调价来监控待报价车型的需求弹性变化,实时调整价格,变更营销活动,使得待报价车型的报价方案更具有市场竞争力。
通过已训练的销量预测模型预测待报价车型的销量,对待报价车型进行需求弹性分析,改变待报价车型的价格,评估边际收益变化率(边际收益=单车总收入-总成本),计算价格变动达到盈亏平衡点所需的销量增加值,即价格变动前后收益不变。
基于已训练的销量预测模型预测的销量是否能达到盈亏平衡,同时计算改变价格所带来的损失,即价格调整前后销售差异乘以边际成本。
本实施例还可应用于运营活动需求调价,评估降价及优惠空间,基于监控情况和待报价车型的需求弹性分析综合评估降价空间。
在其中一个实施例中,可以基于热销车型,针对销量排名前60%的车型,运用聚类模型进行分类,分类后筛选爆款车型特征。同时引入市场热销车型,调用已训练的销量预测模型预测其销量,筛选预测销量排名靠前的车型最为市场热销车型,运用报价方法进行车型的报价,并评估其市场竞争力。
在其中一个实施例中,可以通过不同区域车型的销量预测,进行车型备库,提升物流周转效率,降低物流成本。
在本实施例中,可以按比例拆分车辆的销量,分析历史成交订单数据中,不同区域(以省份为主)的每月销量占全国总销量的占比,基于聚类模型对车型进行聚类,确定每一类车型的省份占比情况,基于已训练的销量预测模型,预测在不同区域销量的占比。
在本实施例中,还可以基于区域特征,通过已训练的销量预测模型按照区域预测每个区域在每个月的销售情况。
综上所述,本申请实施例提供的车辆的报价方法,根据已训练的差异化价值模型确定待报价车型的差异化价值率,并基于待报价车型的差异化价值率以及参考价值得出多个报价方案,通过已训练的销量预测模型分别预测待报价车型在多个报价方案下的销量,以此刻画待报价车型需求弹性,并基于待报价车型的预测销量等特征为多个报价方案进行评分,选择评分最高的报价方案作为最优报价方案。相比于相关技术,本申请实施例有以下优势:
(1)本申请实施例以市场价格作为参考价值,并附加差异化价值率为待报价车型制定多个报价方案,更加贴合市场。
(2)本申请实施例基于已训练的销量预测模型量化待报价车型的未来销量变化以及价格弹性,提升价格市场优势性,准确评估车型价值。
(3)本申请实施例解决了相关技术中车辆交易平台由于车辆售出时间较长导致平台服务器负担增加的问题,实现了缩短车辆售出时间的技术效果。
(4)本申请实施例对最优报价方案进行价格监控以及对待报价车型进行动态调价,精准监控市场价格,实时对比反馈价格情况,动态调整待报价车型的价格,评估价格优势性。
本实施例还提供了一种车辆的报价装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本申请实施例的一种车辆的报价装置的结构框图,如图5所示,该装置包括:获取模块40,输入模块41,选择模块42,获取模块40耦接于输入模块41,输入模块41耦接于选择模块42,其中,
获取模块40,用于获取历史成交订单数据和待报价车型的多个报价方案,以及待报价车型的车型信息;
输入模块41,用于从历史成交订单数据、多个报价方案以及车型信息中提取待报价车型的第一特征信息,并将第一特征信息输入到已训练的销量预测模型中,得到已训练的销量预测模型输出的在多个报价方案下的待报价车型的预测销量;其中,已训练的销量预测模型是以车辆的第一特征信息作为输入,以车辆的实际销量作为监督,对机器学习模型进行训练得到的;
选择模块42,用于基于多个报价方案下的预测销量,对多个报价方案进行评分,从多个报价方案中选择评分最高的报价方案作为最优报价方案。
在其中一个实施例中,获取模块40包括第一获取单元、第二获取单元、第一确定单元以及第二确定单元,其中,第一获取单元,用于获取待报价车型的参考价值;其中,待报价车型的参考价值包括以下至少之一:市场成交价、消费贷总价;第二获取单元,用于从参考价值以及历史成交订单数据中提取待报价车型的第二特征信息,并将第二特征信息输入到已训练的差异化价值模型中,得到已训练的差异化价值模型输出的待报价车型的差异化价值率;其中,已训练的差异化价值模型是以车辆的第二特征信息作为输入,以车辆的实际差异化价值作为监督,对机器学习模型进行训练得到的;第一确定单元,用于根据差异化价值率,确定待报价车型的参考报价方案总价;其中,差异化价值率为待报价车型的差异化价值与待报价车型的参考价值的商;第二确定单元,用于根据参考报价方案总价,确定待报价车型的多个报价方案。
在其中一个实施例中,以车辆的实际差异化价值作为监督包括:根据历史成交订单数据,获取车辆的当前报价方案、车辆在当前报价方案下的差异化价值以及上架日均销量;基于当前报价方案以及上架日均销量修正车辆在当前报价方案下的差异化价值,得到实际差异化价值;以车辆的实际差异化价值作为训练机器学习模型的监督。
在其中一个实施例中,第二特征信息包括但不限于以下至少之一:车维度特征、市场维度特征、上架日均销量特征。
在其中一个实施例中,选择模块42包括计算单元、提取单元以及评分单元,其中,计算单元用于根据多个报价方案,确定待报价车型在多个报价方案下的上架利润;提取单元用于从多个报价方案下的预测销量、多个报价方案下的上架利润以及历史成交订单数据中提取待报价车型在多个报价方案下的第三特征信息,其中,第三特征信息包括以下至少之一:销量特征、利润特征、风险特征、产品竞争力特征、市场竞争力特征;评分单元用于基于第三特征信息,对多个报价方案进行评分,从多个报价方案中选择评分最高的报价方案作为最优报价方案。
在其中一个实施例中,的第一特征信息包括以下至少之一:时间特征、车型特征、价格特征、优惠特征、替代性特征、市场特征、区域特征。
在其中一个实施例中,装置还包括耦接于选择模块42的监控模块,监控模块用于根据最优报价方案以及待报价车型的参考价值,确定参考价值与最优报价方案的差是否小于预设阈值;在参考价值与最优报价方案的差小于预设阈值的情况下,提示最优报价方案存在异常。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合图1描述的本申请实施例的车辆的报价方法可以由计算机设备来实现。图5为根据本申请实施例的计算机设备的硬件结构示意图。
计算机设备可以包括存储器52、处理器51以及存储在存储器上并可在处理器上运行的计算机程序。
具体地,上述处理器51可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器52可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器52可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器52可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器52可在数据处理装置的内部或外部。在特定实施例中,存储器52是非易失性(Non-Volatile)存储器。在特定实施例中,存储器52包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-OnlyMemory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器52可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器51所执行的可能的计算机程序指令。
处理器51通过读取并执行存储器52中存储的计算机程序指令,以实现上述实施例中的任意一种车辆的报价方法。
在其中一些实施例中,计算机设备还可包括通信接口53和总线50。其中,如图5所示,处理器51、存储器52、通信接口53通过总线50连接并完成相互间的通信。
通信接口53用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口53还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线50包括硬件、软件或两者,将计算机设备的部件彼此耦接在一起。总线50包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线50可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(Front Side Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、外围组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线50可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请实施例考虑任何合适的总线或互连。
另外,结合上述实施例中的车辆的报价方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种车辆的报价方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请实施例的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请实施例构思的前提下,还可以做出若干变形和改进,这些都属于本申请实施例的保护范围。因此,本申请实施例专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种车辆的报价方法,其特征在于,所述方法包括:
获取历史成交订单数据和待报价车型的多个报价方案,以及所述待报价车型的车型信息;获取待报价车型的多个报价方案包括:获取所述待报价车型的参考价值;其中,所述待报价车型的参考价值包括以下至少之一:市场成交价、消费贷总价;从所述参考价值以及所述历史成交订单数据中提取所述待报价车型的第二特征信息,并将第二特征信息输入到已训练的差异化价值模型中,得到已训练的差异化价值模型输出的所述待报价车型的差异化价值率;其中,所述已训练的差异化价值模型是以车辆的第二特征信息作为输入,以车辆的实际差异化价值作为监督,对机器学习模型进行训练得到的;根据所述差异化价值率,确定所述待报价车型的参考报价方案总价;其中,所述差异化价值率为所述待报价车型的差异化价值与所述待报价车型的参考价值的商;根据所述参考报价方案总价,确定所述待报价车型的多个报价方案;
从所述历史成交订单数据、所述多个报价方案以及所述车型信息中提取所述待报价车型的第一特征信息,并将所述第一特征信息输入到已训练的销量预测模型中,得到所述已训练的销量预测模型输出的在所述多个报价方案下的所述待报价车型的预测销量;其中,所述已训练的销量预测模型是以车辆的第一特征信息作为输入,以车辆的实际销量作为监督,对机器学习模型进行训练得到的;
基于所述多个报价方案下的预测销量,对所述多个报价方案进行评分,从所述多个报价方案中选择评分最高的报价方案作为最优报价方案。
2.根据权利要求1所述的车辆的报价方法,其特征在于,以车辆的实际差异化价值作为监督包括:
根据历史成交订单数据,获取车辆的当前报价方案、车辆在当前报价方案下的差异化价值以及上架日均销量;
基于所述当前报价方案以及所述上架日均销量修正车辆在当前报价方案下的差异化价值,得到所述实际差异化价值;
以车辆的实际差异化价值作为训练所述机器学习模型的监督。
3.根据权利要求1所述的车辆的报价方法,其特征在于,所述第二特征信息包括以下至少之一:车维度特征、市场维度特征、上架日均销量特征。
4.根据权利要求1所述的车辆的报价方法,其特征在于,对多个报价方案进行评分,从多个报价方案中选择评分最高的报价方案作为最优报价方案包括:
根据所述多个报价方案,确定所述待报价车型在多个报价方案下的上架利润;
从所述多个报价方案下的预测销量、所述多个报价方案下的上架利润以及所述历史成交订单数据中提取所述待报价车型在所述多个报价方案下的第三特征信息,其中,所述第三特征信息包括以下至少之一:销量特征、利润特征、风险特征、产品竞争力特征、市场竞争力特征;
基于所述第三特征信息,对多个报价方案进行评分,从所述多个报价方案中选择评分最高的报价方案作为所述最优报价方案。
5.根据权利要求1所述的车辆的报价方法,其特征在于,所述的第一特征信息包括以下至少之一:时间特征、车型特征、价格特征、优惠特征、替代性特征、市场特征、区域特征。
6.根据权利要求1所述的车辆的报价方法,其特征在于,所述方法还包括:
根据所述最优报价方案以及待报价车型的参考价值,确定参考价值与最优报价方案的差是否小于预设阈值;
在所述参考价值与所述最优报价方案的差小于预设阈值的情况下,提示所述最优报价方案存在异常。
7.一种车辆的报价装置,其特征在于,所述装置包括:
获取模块,用于获取历史成交订单数据和待报价车型的多个报价方案,以及所述待报价车型的车型信息;获取待报价车型的多个报价方案包括:获取所述待报价车型的参考价值;其中,所述待报价车型的参考价值包括以下至少之一:市场成交价、消费贷总价;从所述参考价值以及所述历史成交订单数据中提取所述待报价车型的第二特征信息,并将第二特征信息输入到已训练的差异化价值模型中,得到已训练的差异化价值模型输出的所述待报价车型的差异化价值率;其中,所述已训练的差异化价值模型是以车辆的第二特征信息作为输入,以车辆的实际差异化价值作为监督,对机器学习模型进行训练得到的;根据所述差异化价值率,确定所述待报价车型的参考报价方案总价;其中,所述差异化价值率为所述待报价车型的差异化价值与所述待报价车型的参考价值的商;根据所述参考报价方案总价,确定所述待报价车型的多个报价方案;
输入模块,用于从所述历史成交订单数据、所述多个报价方案以及所述车型信息中提取所述待报价车型的第一特征信息,并将所述第一特征信息输入到已训练的销量预测模型中,得到所述已训练的销量预测模型输出的在所述多个报价方案下的所述待报价车型的预测销量;其中,所述已训练的销量预测模型是以车辆的第一特征信息作为输入,以车辆的实际销量作为监督,对机器学习模型进行训练得到的;
选择模块,用于基于所述多个报价方案下的预测销量,对所述多个报价方案进行评分,从所述多个报价方案中选择评分最高的报价方案作为最优报价方案。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的车辆的报价方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一项所述的车辆的报价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412463.4A CN113674040B (zh) | 2020-05-15 | 2020-05-15 | 车辆的报价方法、计算机设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412463.4A CN113674040B (zh) | 2020-05-15 | 2020-05-15 | 车辆的报价方法、计算机设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674040A CN113674040A (zh) | 2021-11-19 |
CN113674040B true CN113674040B (zh) | 2023-11-21 |
Family
ID=78537625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010412463.4A Active CN113674040B (zh) | 2020-05-15 | 2020-05-15 | 车辆的报价方法、计算机设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674040B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912968A (zh) * | 2021-12-10 | 2022-08-16 | 杭州喵智科技有限公司 | 一种汽配供应链供个性化选品方法及系统 |
CN117670382A (zh) * | 2023-12-05 | 2024-03-08 | 广州穗圣信息科技有限公司 | 一种利用大数据进行二手车估值的方法及系统 |
CN117788038B (zh) * | 2024-02-28 | 2024-05-07 | 山东硕为思大数据科技有限公司 | 一种汽车行业平台数据智能监测分析处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1383521A (zh) * | 2000-05-30 | 2002-12-04 | 情报基地株式会社 | 车辆转售价格分析系统 |
JP2005174355A (ja) * | 2004-12-21 | 2005-06-30 | System Location Co Ltd | 車両再販価格分析システム |
US8595079B1 (en) * | 2003-11-26 | 2013-11-26 | Carfax, Inc. | System and method for determining vehicle price values |
CN109191205A (zh) * | 2018-09-03 | 2019-01-11 | 平安科技(深圳)有限公司 | 一种基于预测模型的定价计算方法及终端设备 |
CN110610382A (zh) * | 2019-09-10 | 2019-12-24 | 浙江大搜车软件技术有限公司 | 车辆销售量预测方法、装置、计算机设备和存储介质 |
CN110852772A (zh) * | 2018-08-21 | 2020-02-28 | 北京京东尚科信息技术有限公司 | 动态定价方法、系统、设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050267774A1 (en) * | 2004-06-01 | 2005-12-01 | David Merritt | Method and apparatus for obtaining and using vehicle sales price data in performing vehicle valuations |
US20140039979A1 (en) * | 2012-08-01 | 2014-02-06 | Opera Solutions, Llc | System and Method for Demand Forecasting |
-
2020
- 2020-05-15 CN CN202010412463.4A patent/CN113674040B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1383521A (zh) * | 2000-05-30 | 2002-12-04 | 情报基地株式会社 | 车辆转售价格分析系统 |
US8595079B1 (en) * | 2003-11-26 | 2013-11-26 | Carfax, Inc. | System and method for determining vehicle price values |
JP2005174355A (ja) * | 2004-12-21 | 2005-06-30 | System Location Co Ltd | 車両再販価格分析システム |
CN110852772A (zh) * | 2018-08-21 | 2020-02-28 | 北京京东尚科信息技术有限公司 | 动态定价方法、系统、设备和存储介质 |
CN109191205A (zh) * | 2018-09-03 | 2019-01-11 | 平安科技(深圳)有限公司 | 一种基于预测模型的定价计算方法及终端设备 |
CN110610382A (zh) * | 2019-09-10 | 2019-12-24 | 浙江大搜车软件技术有限公司 | 车辆销售量预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
基于机器学习的二手车价格评估方法;谢杨;温华;张洁;;企业技术开发(第11期);全文 * |
基于聚类分析的二手车保值率预测;成英;施文静;杜峰;;数学的实践与认识(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113674040A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113674040B (zh) | 车辆的报价方法、计算机设备和计算机可读存储介质 | |
US8577736B2 (en) | System and method for the analysis of pricing data including dealer costs for vehicles and other commodities | |
US11455647B2 (en) | Method and system for presenting information for a geographically eligible set of automobile dealerships ranked based on likelihood scores | |
US20070050288A1 (en) | System and method for integrating risk and marketing objectives for making credit offers | |
US20020072958A1 (en) | Residual value forecasting system and method thereof, insurance premium calculation system and method thereof, and computer program product | |
US20150221040A1 (en) | Residual risk analysis system, method and computer program product therefor | |
US20150363855A1 (en) | Systems and Methods for Automatic Popular Configuration Generation | |
KR102089666B1 (ko) | 빅데이터를 활용한 판매자 신용 등급 자동집계 및 평가 방법 및 ai 자동 분류 서버 | |
US9727905B2 (en) | Systems and methods for determining cost of vehicle ownership | |
US20180247325A1 (en) | Determining valuation information for a package of multiple components | |
WO2010123816A1 (en) | Cash flow rating system | |
US11361335B2 (en) | Machine learning engine for demand-based pricing | |
US20140344019A1 (en) | Customer centric system for predicting the demand for purchase loan products | |
US20140344018A1 (en) | Customer centric system for predicting the demand for loan refinancing products | |
CN115147144A (zh) | 数据处理方法及电子设备 | |
US20220164836A1 (en) | Methods and systems an obv buyback program | |
US20210350464A1 (en) | Quantitative customer analysis system and method | |
KR20200020264A (ko) | 고객 유사도를 이용한 종목 추천 시스템 및 방법 | |
CN113674041B (zh) | 车辆报价方法、装置、系统和计算机可读存储介质 | |
US11157928B2 (en) | Systems and methods for using a predictive engine to predict failures in machine-learning trained systems | |
US20240135395A1 (en) | Systems and methods for using a predictive engine to predict failures in machine-learning trained systems | |
US20230385857A1 (en) | Predictive systems and processes for product attribute research and development | |
Brunel | Lifetime PD Analytics for Credit Portfolios: A Survey | |
CN116562932A (zh) | 电子优惠券的处理方法、装置、电子设备及存储介质 | |
US20210117855A1 (en) | Systems and methods for using a predictive engine to predict failures in machine-learning trained systems for display via graphical user interface |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |