Мы собрали обезличенные данные пользователей в отдельном месте — в DWH на Google BigQuery. Затем очистили их, привели к единому стандарту и объединили в аналитические группы. Эти данные помогли нам обучить ML-модели прогнозировать спрос на автомобили, высчитывать выручку и дарить скидки пользователям..

Все данные из CDP отображаются на дашбордах, поэтому бизнес всегда знает статус по всем пользователям и машинам. Маркетологи могут проанализировать поведение пользователей на графиках, придумать и реализовать маркетинговую акцию.

Когда маркетинг формулирует очередную акцию, мы с помощью ML-модели выбираем те сегменты пользователей, которые подходят под нее.

Например, у бизнеса возникает задача сбалансировать спрос и предложение для машин в определенной локации. Когда потенциальный водитель открывает приложение, его запрос проходит через CDP. В этот момент модель машинного обучения пытается предсказать, куда планирует поехать пользователь.

Если водитель, по нашим прогнозам, завершит поездку в локации, где на автомобиль большой спрос, цена для него будет более выгодной, чтобы он с большей вероятностью воспользовался сервисом. Такой пользователь увозит машину из локации с маленьким спросом в локацию с большим спросом и, как следствие, низким простоем.