AI-система для автодилеров (подбор автомобиля, персонализация предложений)

AI-система персонализации рекомендаций в автодилерах

Традиционный подход в автодилере: менеджер угадывает предпочтения клиента по первому разговору. AI-система анализирует историю поиска, финансовый профиль и поведение на сайте, предлагая автомобили с объяснением соответствия конкретным критериям клиента.

Персонализированный подбор автомобиля

import numpy as np
import pandas as pd
from anthropic import Anthropic
import json

class CarRecommendationEngine:
    """Рекомендации автомобилей под профиль покупателя"""

    def __init__(self):
        self.llm = Anthropic()

    def build_buyer_profile(self, search_history: list[dict],
                             explicit_preferences: dict = None) -> dict:
        """Профиль покупателя из истории поиска"""
        if not search_history:
            return explicit_preferences or {}

        # Анализ предпочтений из просматриваемых авто
        viewed_cars = [s for s in search_history if s.get('action') == 'view_detail']

        if not viewed_cars:
            return explicit_preferences or {}

        # Ценовой диапазон
        prices = [c.get('price', 0) for c in viewed_cars if c.get('price')]
        price_range = (min(prices), max(prices)) if prices else (0, float('inf'))

        # Предпочитаемые типы кузова
        bodies = pd.Series([c.get('body_type') for c in viewed_cars]).value_counts()
        preferred_bodies = bodies.head(2).index.tolist()

        # Бренд-предпочтения (если смотрит один бренд >40% времени)
        brands = pd.Series([c.get('brand') for c in viewed_cars]).value_counts(normalize=True)
        preferred_brands = brands[brands > 0.25].index.tolist()

        # Тип топлива (по просмотрам)
        fuels = pd.Series([c.get('fuel_type') for c in viewed_cars]).value_counts(normalize=True)

        profile = {
            'price_min': price_range[0] * 0.85,
            'price_max': price_range[1] * 1.15,
            'preferred_body_types': preferred_bodies,
            'preferred_brands': preferred_brands,
            'preferred_fuel': fuels.index[0] if len(fuels) > 0 else 'any',
            'total_views': len(viewed_cars),
        }

        # Мёржим с явными предпочтениями
        if explicit_preferences:
            profile.update({k: v for k, v in explicit_preferences.items() if v})

        return profile

    def recommend_cars(self, buyer_profile: dict,
                        inventory: pd.DataFrame,
                        top_k: int = 5) -> list[dict]:
        """Топ автомобилей для покупателя"""
        df = inventory.copy()

        # Фильтр по бюджету
        price_min = buyer_profile.get('price_min', 0)
        price_max = buyer_profile.get('price_max', float('inf'))
        df = df[(df['price'] >= price_min) & (df['price'] <= price_max)]

        if df.empty:
            return []

        # Скоринг
        scores = pd.Series(1.0, index=df.index)

        # Тип кузова
        preferred_bodies = buyer_profile.get('preferred_body_types', [])
        if preferred_bodies:
            scores += df['body_type'].isin(preferred_bodies).astype(float) * 0.3

        # Бренд
        preferred_brands = buyer_profile.get('preferred_brands', [])
        if preferred_brands:
            scores += df['brand'].isin(preferred_brands).astype(float) * 0.25

        # Топливо
        preferred_fuel = buyer_profile.get('preferred_fuel', 'any')
        if preferred_fuel != 'any':
            scores += (df.get('fuel_type', 'petrol') == preferred_fuel).astype(float) * 0.15

        # Популярность (time on lot — чем дольше, тем ниже скор)
        if 'days_in_inventory' in df.columns:
            freshness = 1.0 - (df['days_in_inventory'] / 90).clip(0, 1)
            scores += freshness * 0.1

        # Маржа дилера (бизнес-интерес)
        if 'dealer_margin' in df.columns:
            margin_norm = (df['dealer_margin'] - df['dealer_margin'].min()) / (
                df['dealer_margin'].max() - df['dealer_margin'].min() + 1e-9
            )
            scores += margin_norm * 0.20

        df['score'] = scores
        top_cars = df.nlargest(top_k, 'score').to_dict('records')

        # Добавляем персонализированное объяснение
        for car in top_cars:
            car['match_explanation'] = self._explain_match(car, buyer_profile)

        return top_cars

    def _explain_match(self, car: dict, buyer_profile: dict) -> str:
        """Почему этот автомобиль подходит покупателю"""
        reasons = []

        if car.get('body_type') in buyer_profile.get('preferred_body_types', []):
            reasons.append(f"кузов {car['body_type']}, который вас интересует")

        if car.get('brand') in buyer_profile.get('preferred_brands', []):
            reasons.append(f"предпочитаемый бренд {car['brand']}")

        price_mid = (buyer_profile.get('price_min', 0) + buyer_profile.get('price_max', float('inf'))) / 2
        if abs(car.get('price', 0) - price_mid) < price_mid * 0.15:
            reasons.append("соответствует вашему ценовому диапазону")

        if not reasons:
            reasons.append("подбор по вашим критериям")

        return "Подходит, потому что: " + ", ".join(reasons)

    def generate_test_drive_proposal(self, car: dict,
                                      buyer: dict) -> str:
        """Персонализированное предложение тест-драйва"""
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=120,
            messages=[{
                "role": "user",
                "content": f"""Write a personalized test drive invitation in Russian for an auto dealer.

Car: {car.get('year')} {car.get('brand')} {car.get('model')}, {car.get('price', 0):,.0f} руб.
Buyer's interests: {buyer.get('preferred_body_types', [])}
Key match: {car.get('match_explanation', '')}

2-3 sentences. Highlight 1 specific feature of this car that matches their profile. Include a clear call to action."""
            }]
        )
        return response.content[0].text

AI-персонализация в автодилерах сокращает время подбора автомобиля на 30-45% и повышает test-drive conversion rate на 15-20%. Ключевой барьер внедрения — интеграция с DMS (Dealer Management System): данные об инвентаре должны обновляться в реальном времени.