本讲座选自瓜子二手车新零售产品负责人、清华电子系校友周洲于近期在清华大数据“应用•创新”系列讲座上所做的题为《如何玩转AI赋能下的新零售》的演讲。
 

周洲：首先介绍一下我们新零售的情况，然后会深度探讨如何利用AI在新零售行业落地。

中国整体二手车市场的情况。此前我对二手车行业进行了走访调研，深度调研后发现这个市场其实很复杂。这里先介绍一下柠檬市场。
 

这位是乔治教授，2001年诺贝尔经济学奖得主，得奖的核心理论就是柠檬市场理论（The Market for Lemons）：典型的信息不对称市场中，当产品的卖方对产品质量比买方有更多的信息时，低质量产品将会驱逐高质量商品，从而使市场上的产品质量持续下降。另一个常听说的理论叫：劣币驱逐良币，指的是在传统贵重金属作为货币的市场里面，不同的机构发售的银币的银含量不一样。发行方知道一个银币里面的准确含量，从而带来信息不对称。如果分别流通99.9%和95%两种银含量的银币，99.9%的银币很快就在市场逐渐消失了。因为知道这个信息的玩家或者发行机构就会把99.9%的银币收藏起来，更多的拿95%的银币在市面上流通，因为这样更有利可图。这也是典型信息不对称的残次品理论。柠檬市场就解释了这样的市场。乔治教授提出柠檬市场背后的核心是美国二手车市场，因为二手车市场是一个典型的信息不对称市场。
 

在中美二手车市场里，美国整体汽车消费依然比中国领先很多，中美的汽车普及率相差也很多。美国去年二手车成交量接近四千万台，新车1700万台。中国恰好相反。这说明：

第一，中国在二手车市场上存在非常大的机遇。主要因为这个行业之前发展的不够快，需要很多积累，这种行业会在中国未来有一些捷径可走。
第二，如何抓住机会。二手车市场的信息不对称导致了今天的低效和信息不透明，可以通过互联网来解决这些问题。
 

瓜子具体做了哪些事呢？首先是把信息规范化、透明化。我们定义了二手车行业的标准，车况的检测评判标准，把一车一况的非标品通过规范化的定义转化成标品。在此基础上，还需要解决行业传统陋习问题，也就是业务员为了拿到个人好处费，让买家和卖家跳过平台成交，行话俗称“飞单”。通过智能云评估，评估师上门评估时将车的检验项目通过智能眼镜实时传回总部，通过总部运营巡检的人员可以规避飞单的情况。

由于二手车市场的信息不对称导致大家对价格没有准确的判断，所以定价是整个二手车交易的核心。传统的定价方式通常是对车和市场行情比较了解的车商，根据经验给出定价。这样的模式基于个人的判断稳定性，无法实现可扩展和平台的规模化。
 

我们主要通过AI机器学习来解决定价问题，上图是整个定价模型的大概系统框架。我们通过评估师执行检测标准，将车况信息作为输入，通过机器学习模型计算得到评估价格。除了通过机器学习来做定价，瓜子还在模式定价能力的基础上做新零售。传统的瓜子帮助个人卖家卖给个人买家，没有中间商赚差价，但这个模式的问题在于效率非常低。与二手房选房地址相对确定相比，二手车目标不明确。而且一个社区可能就有很多套房源，而瓜子线上车源平台上的某款车源可能分别在石景山、顺义、大兴，这会导致过程非常低效且买家卖家体验都不好。为了解决这个问题，我们在新零售阶段开了严选直卖店，希望将4S店标品化的车、服务以及体验的理念拿到二手车行业上来。今年我们在全国近100个城市开大面积的店，一次性为买家提供足够多的车选择，自然能很好的解决效率问题。对于车主提高了体验，平台的效率也得到极大的提升。
 

前面是模式上的改变，我们还希望通过互联网+二手车，做一些技术赋能来解决这个行业的低效不透明。上图左侧是一个智能钥匙柜，大家可以想象成蜂巢无人值守的收快递货柜。中间是一个智能摄像头，主要用来预判库里的车位。我们的卖场有两千台车，一天卖掉几百辆后中间就会空下来，当天还会有新进来的车又要停放到合适的车位里。同时为了买家的带看效率，需要将同类车更多的停在一起。这种背景下，两千台车每天需要不停的去做排列组合，依靠人工很难去做这样的决策和调度。我们通过摄像头扫描车的挡风玻璃上的二维码得到车的信息，通过车位上的二维码来识别车位信息。这样将车和车位信息输入到系统里，通过算法实现调度，通过与第三方合作的挪车机器人来实现运输。
 

2017年我们为卖家多卖了15亿，为买家节省了6亿。这两个数据来源于计算卖家在瓜子个人和个人的成交价，相比卖给车商的差价，以及反过来买家在瓜子买的价格，相比从二手车商购买的差价。下面跟大家分享下瓜子如何实现落地和应用。
 

AI在改革传统行业落地的三部曲。

首先是线上化，例如通过摄像头如何挪车和车位信息线上化，否则计算机根本没有处理的基础。

第二个是数据化，将线上化的信息在每一个对应的环境中都进行数据存储，为后面的机器学习所使用。

完成前面两个，机器学习就可以进行智能化的工作。分别看一下这三个环节瓜子主要的工作，供大家参考。
 

线上化期间我调研了美国最大的在线二手车交易商CarMax。加州的CarMax的每台车上有一个小钥匙盒，所有的钥匙盒子都由同一把万能钥匙打开。每个销售可以通过万能钥匙拿到每台车的钥匙，不需要回到总部重新换钥匙，很便捷。但这种方式的问题在于，这家老企业丢失了用户的购买意向。大家到二手车市场去看车时，选择是会变化的，用户在选择中的决策路线在这种传统方式下将完全丢失，这也就失去了利用这些信息去做决策和优化的机会。所以我们设计了智能钥匙柜来改造和提升行业效率。

左下角这个图的小柜子里面放着某台车的钥匙。每个销售带看客户的时候，他先通过工作手机到钥匙柜前取钥匙，然后带这个客户去看那台车。这带来的好处是我们对消费者整个的购买决策路径非常清晰，并且连他决策的时长都很清晰，这些数据可以在未来实现很好的优化。我们通过对记录的购买决策路线进行线上优化，把车和钥匙柜分区摆放，解决取钥匙的便捷性并提升了效率。

第二步就是如何实现数据化。当业务需求很明确的时候，核心的数据很容易定义出来。但如果只聚焦结果，可能会导致只记录和结果最相关的那些数据。我们之前的一个痛点就是，只记录目标相关的数据，但当机器学习模型决策出一些不可解释的结果，在前面数据记录的不够充分情况下，要去复盘分析原因就会非常困难。所以在今天的存储成本下，我们的经验是只要你犹豫是否记录的数据，就先记下来，很可能很快就会用到这个数据。
 

智能化分为四块。首先是定目标，先界定问题。接下来选特征对机器学习很重要。特征选好后，最重要的是数据。
 

特征方面，比如二手车，影响价格的最主要因素对建模非常关键。所以从技术方面来讲，如果我们要在传统行业把机器学习的知识用好，深入理解这个行业的特点特别重要。

第三是筛数据。如何获取高质量有效的数据源，会对结果产生非常大的影响。
 

判定结果这部分具有很大挑战性。机器学习的技术指标好并不代表业务落地就好，最关键的是从业务上如何判断模型的结果好坏。UBI和OBI是我们对于定价模型给出结果的衡量指标。UBI表示低估了车价指数；OBI表示高估了车价指数。左侧红线是低估的深度，这个曲线在一开始是相对往下走，说明我们的模型在不断改进。橘色是每台低估车的车价相对比例。这个曲线相对往上走，说明我们模型给出的价格比较好。18年5月橘色的曲线在翘头，意味着模型给出的价格出现更多的偏低。通过这样一些业务指标，我们能够更好的判断模型的结果，并且指引模型怎么样在下一步做优化。

以上是使用AI落地赋能二手车的实践。二手车行业确实是非常的低效不透明，经历着美国非常早期的阶段。因此我们还有机会和后发优势，希望通过AI和技术手段来改造这个行业。