Сервисы аренды сталкиваются с чувствительными барьерами защиты собственности арендодателя и интересов арендатора. Пользователи сервиса хотят защитить имущество и ответственность сторон от мошенничества , уменьшить возможный ущерб или исключить его при помощи страхования.

Наш сервис на базе машинного обучения, используя внешние базы данных, способен выявлять пользователей с высоким/низким рейтингом надежности, как клиента так и арендодателя и предотвратить или предупредить о возможных негативных последствиях сделки. Все пользователи сервиса получат свой «кредитный скоринг», который защитит от проблем и повысит доверие к сервису.
Для решения этой задачи используются модели машиного обучения по классификации данных, например random forest).

Тарифицируемые услуги, стоимость которых можно рассчитать по тарифу за км в реальном времени, решают задачу поиска оптимальной цены или динамического ценообразования.

Это позволяет сервису быстрее находить оптимальную точку спроса и предложения, что делает его эффективнее и позволяет выигрывать у конкурентов по скорости работы и условиям для всех участников сделки.

Задача динамического ценообразования состоит в том, чтобы определить оптимальный уровень тарифа для различных параметров сделки:
- километраж
- время в пути
- расход топлива
- коэффициент спроса и др.

Задача решается при помощи модели машинного обучения, которая позволяет найти оптимальный уровень цены для текущих параметров сделки.

Большие каталоги, как правило, сталкиваются с проблемой выбора той информации, которая будет наиболее интересна пользователю.
Одновременно все показать невозможно, так как внимание пользователя и место для размещения информации ограничено, поэтому нужно выбрать именно то, что будет более всего соответствовать интересам пользователя. Это стандартная задача, которую по-разному решают контент проекты.

Данную задачу можно решить при помощи технологий машинного обучения. Существует 3 основных подхода ее решения:
1. Контентный
Пользователю показывается контент, который по характеристикам похож на тот, что предпочитает пользователь.
2. Сегментный
Пользователю показывается контент, который ранее понравился пользователем, похожим на него по соц-дем или гео характеристикам.
3. Поведеньческий
Данный подход учитывает историю пользовательских действий и предпочтений и предлагает то, что в аналогичных историях вызывало наибольшую заинтересованность.

Можно выделить 2 основные темы:

1. Организация поддержки клиентов. Быстрый ответ на вопросы клиента.

• где мои бонусы?
• как использовать баллы?
• как и где зарегистрироваться?
• выиграл ли я приз?
• когда розыгрыш?
• кто победил и почему?
• как и где забрать свои призы и подарки?и т.п.

2. Определение инструментов программы лояльности, которые работают (имеют экономическую эффективность).

1. Организация поддержки клиентов. На все стандартные вопросы пользователя можно легко и быстрый получить четкий ответ при помощи робота-консультанта. Цифровой помощник - это обученный на списке ваших вопросов и ответов робот, который отвечает на свободно сформулированные вопросы пользователя быстро и точно. Робот-консультант увеличит количество участников и их активность.

2. Инструменты программы. Выбрать элементы программы, мероприятия и активности, которые оказали наибольшее влияние на лояльность клиентов можно используя модели классификации. Они помогут определить оптимальные параметры программы, при которых достигается лучший индекс лояльности клиентов.

Наиболее актуальная задача онлайн продажи билетов - это поиск оптимальной цены, при которой будут достигнут максимальный объем продаж.

Задача динамического ценообразования состоит в том, чтобы определить уровень эластичности спроса по цене для различных вводных параметров сделки. Задача решается при помощи модели машинного обучения в 2 этапа.

1. На первом этапе нужно найти уровень цены при котором возможен максимальный объем продаж. Для этого используется регрессионная модель.

2. На втором этапе при помощи модели классификации (например random forest) можно найти оптимальное сочетание параметров сделки, таких как: соц-дем пользователя, скидка, дата, время, гео, девайс и других, при которых вероятность покупки будет максимальной.

1. Много типовые информационных вопросов на которые можно дать простой и быстрый ответ, типа:
контакты (адреса и телефоны), как найти, кому как позвонить, направить
вопросы по продукту/сервису/стоимость
вопросы по конкретной проблеме/теме

2. Много запросов на действие (записаться, вызвать, направить, сообщить, изменить, подтвердить, скачать, получить и т.п.). Данные запросы, как правило требуют авторизации клиента и реализации функциональных операций в информационной системе.

На большую часть обращений клиентов можно дать четкий и быстрый ответ при помощи робота-консультанта. Цифровой помощник - это обученный на диалогах робот, который отвечает на свободно сформулированные вопросы пользователя так, как операторы контакт-центра делали это раньше. Для решения мы используем модели машинного обучения и искусственного интеллекта по классификации текстовых сообщений, поиска правильного ответа или самостоятельного обучения робота по итогам диалога с пользователей. Аналогичным образом мы выявляем намерение клиента совершить определенное сервисное действие и запускаем последовательный процесс идентификации клиента или реализации функционала поддержки.