基于LightGBM 和隨機(jī)森林算法的二手車估價(jià)

代金輝，仲璇，王夢(mèng)恩

（山東工商學(xué)院 統(tǒng)計(jì)學(xué)院，山東 煙臺(tái) 264005）

據(jù)二手車業(yè)內(nèi)人士分析，二手車的大眾接受度之所以逐漸得到提升，主要是因?yàn)槭艿叫酒倘薄⒍周囋龆悳p少等利好政策和經(jīng)濟(jì)下行的影響，二手車低成本、高性價(jià)比的優(yōu)勢(shì)越來越得以凸顯.數(shù)據(jù)顯示，近年來，我國(guó)的二手車交易量持續(xù)增長(zhǎng)，從2000 年的25.17 萬輛增長(zhǎng)到2019 年的1 492.3 萬輛.在新冠疫情爆發(fā)后，雖然二手車的銷售量受到疫情的沖擊，但2021 年二手車銷量增幅仍創(chuàng)新高，相較于2020 年，二手車交易量增幅高達(dá)22.62%.二手車市場(chǎng)之所以呈現(xiàn)出如此迅猛發(fā)展的態(tài)勢(shì)，究其原因，一方面，人們受新冠肺炎疫情的影響，對(duì)私家車的需求有所增加；另一方面，由于疫情對(duì)經(jīng)濟(jì)發(fā)展產(chǎn)生了一定的影響，這使得人們降低消費(fèi)預(yù)期轉(zhuǎn)而著眼于擁有更高性價(jià)比的二手車.

雖然二手車市場(chǎng)在疫情的沖擊中展現(xiàn)了其強(qiáng)大的韌性，并且在現(xiàn)在乃至將來存在著巨大的發(fā)展?jié)摿?，然而，二手車市?chǎng)的問題也隨著其繁榮發(fā)展逐漸顯露.二手車“一車一況”的特性決定了其交易的復(fù)雜性，二手車品牌眾多，不同品牌車系復(fù)雜，損壞程度也不同，其價(jià)格受多方面因素的影響，價(jià)值難以準(zhǔn)確估計(jì)和設(shè)定.同時(shí)，在二手車交易市場(chǎng)中，買賣雙方的信息不對(duì)稱無疑增加了二手車價(jià)格評(píng)定的難度.再加上國(guó)家尚未出臺(tái)二手車評(píng)估的統(tǒng)一標(biāo)準(zhǔn)，因此，亟需建立一套合理的估價(jià)體系，采用更科學(xué)準(zhǔn)確的估價(jià)模型來幫助規(guī)范二手車市場(chǎng)的定價(jià)業(yè)務(wù)，完善二手車市場(chǎng)的信用體系，以保證二手車實(shí)現(xiàn)順利交易.

1 數(shù)據(jù)來源及算法介紹

1.1 數(shù)據(jù)來源

數(shù)據(jù)來源于2021 年MathorCup 高校數(shù)學(xué)建模挑戰(zhàn)賽大數(shù)據(jù)競(jìng)賽賽道A[1]，包含4 個(gè)附件：（1）附件1為估價(jià)訓(xùn)練數(shù)據(jù)，給出了30 000 條數(shù)據(jù)，主要數(shù)據(jù)有車輛id、展銷時(shí)間、品牌、車系id、車型id、里程、顏色、車輛所在城市id、國(guó)標(biāo)碼、過戶次數(shù)、載客人數(shù)、注冊(cè)日期、上牌日期、國(guó)別、廠商類型、年款、排量、變速箱、燃油類型、新車價(jià)、匿名特征1～15、二手車交易價(jià)格等，共計(jì)36 列；（2）附件2 為估價(jià)驗(yàn)證數(shù)據(jù)，給出了5 000 條數(shù)據(jù)，與附件1 數(shù)據(jù)相同，但缺少二手車交易價(jià)格數(shù)據(jù)；（3）附件3 存放估價(jià)模型結(jié)果；（4）附件4 為門店交易訓(xùn)練數(shù)據(jù)，給出了10 000 條數(shù)據(jù)，包括6 個(gè)字段，分別為車輛id、上架時(shí)間、上架價(jià)格、價(jià)格調(diào)整時(shí)間及調(diào)整后價(jià)格、下架時(shí)間、成交時(shí)間.

1.2 算法介紹

1.2.1 LightGBM算法 GBDT（Gradient Boosting Decision Tree）是一種基于決策樹的集成算法，其主要思想是利用弱分類器（決策樹）迭代訓(xùn)練以得到最優(yōu)模型.LightGBM（Light Gradient Boosting Machine）是實(shí)現(xiàn)GBDT算法的框架，該算法有高效的訓(xùn)練效果，并具有更快的訓(xùn)練速度、更高的精確度、更好的準(zhǔn)確率，具有高效處理海量數(shù)據(jù)等優(yōu)點(diǎn).相對(duì)于XGBoost算法，LightGBM主要對(duì)特征數(shù)量、分裂點(diǎn)的數(shù)量和樣本的數(shù)量3個(gè)因素分別優(yōu)化[2].

1.2.2 隨機(jī)森林算法 隨機(jī)森林是以決策樹為基學(xué)習(xí)器的集成學(xué)習(xí)算法，可以處理多類型的變量[3]，在對(duì)特征重要性評(píng)估上有較好的表現(xiàn).隨機(jī)森林算法是由多個(gè)決策樹加權(quán)集合構(gòu)成的，采用多個(gè)決策樹的投票機(jī)制來改善決策樹容易過擬合的特點(diǎn).隨機(jī)森林對(duì)特征重要性評(píng)估的思想就是看每個(gè)特征在隨機(jī)森林中做了多大的貢獻(xiàn)，特征選擇的準(zhǔn)則主要有信息增益、信息增益率和基尼指數(shù)[4].

2 模型假設(shè)及符號(hào)說明

為簡(jiǎn)便起見，假設(shè)：（1）樣本缺失值較多的數(shù)據(jù)能為有效預(yù)測(cè)提供的必要信息較少；（2）二手車未來年限內(nèi)能夠正常使用；（3）二手車交易市場(chǎng)車源充足，信息公開；（4）影響二手車價(jià)格變動(dòng)的宏觀因素相同.文中相關(guān)符號(hào)及含義見表1.

表1 符號(hào)說明

在軟件處理中，由于相關(guān)軟件只識(shí)別英文字母，故采用英文字母進(jìn)行相關(guān)數(shù)據(jù)分析，即carid（車輛id）、tradeTime（展銷時(shí)間）、brand（品牌）、serial（車系id）、model（車型id）、mileage（里程）、color（顏色）、cityId（車輛所在城市id）、carCode（國(guó)標(biāo)碼）、transferCount（過戶次數(shù)）、seatings（載客人數(shù)）、registerDate（注冊(cè)日期）、licenseDate（上牌日期）、country（國(guó)別）、maketype（廠商類型）、modelyear（年款）、displacement（排量）、gearbox（變速箱）、oiltype（燃油類型）、newprice（新車價(jià)）、anonymousFeature1～15（匿名特征1～15）、price（二手車交易價(jià)格）.

3 數(shù)據(jù)預(yù)處理及初步分析

3.1 數(shù)據(jù)預(yù)處理

由于二手車交易樣本數(shù)量過多、變量過多等因素，導(dǎo)致估價(jià)訓(xùn)練數(shù)據(jù)和估價(jià)驗(yàn)證數(shù)據(jù)存在缺失值或重復(fù)值，無法直接對(duì)數(shù)據(jù)進(jìn)行分析.為了改善上述情況，提高后續(xù)模型預(yù)測(cè)結(jié)果的精確度和可靠性，因而對(duì)二手車數(shù)據(jù)集進(jìn)行預(yù)處理.數(shù)據(jù)預(yù)處理的步驟分為數(shù)據(jù)清洗（包括去除重復(fù)值、填補(bǔ)缺失值）、數(shù)據(jù)轉(zhuǎn)換和特征處理3部分.

3.1.1 數(shù)據(jù)清洗 數(shù)據(jù)清洗的基本步驟為：

Step1查看和填補(bǔ)缺失值.運(yùn)用Python 中pandas庫(kù)對(duì)附件1和附件2 中的數(shù)據(jù)進(jìn)行讀取，判斷數(shù)據(jù)缺失和異常.通過可視化查詢?nèi)笔е?，結(jié)果見圖1.

圖1 訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)缺失值分布

由圖1可以看出，數(shù)據(jù)集包含連續(xù)數(shù)據(jù)集和非連續(xù)數(shù)據(jù)集，若將含有缺失值的非連續(xù)數(shù)據(jù)集全部去除，則會(huì)造成數(shù)據(jù)的浪費(fèi)，為了有效地利用數(shù)據(jù)集進(jìn)行研究分析，需要采取缺失值填補(bǔ)的方法，使用fillna（）函數(shù)將含有較少缺失值的數(shù)據(jù)采用眾數(shù)填補(bǔ)，從而為下一步研究提供足夠大的數(shù)據(jù)量，以增強(qiáng)后續(xù)算法模型的準(zhǔn)確率和泛化性能.其中carCode（國(guó)標(biāo)碼）、modelyear（年款）、country（國(guó)別）、maketype（廠商類型）、anonymousFeature1，11（匿名特征1，11）缺失值較少，采用眾數(shù)填充；anonymousFeature4，7，8，9，10，13，15（匿名特征4，7，8，9，10，13，15）缺失值較多，選擇刪除該字段所在列，最終訓(xùn)練數(shù)據(jù)中保留29列變量信息，測(cè)試數(shù)據(jù)中保留28列變量信息.

Step2去除重復(fù)值.運(yùn)用Python 中duplicated（）函數(shù)判斷數(shù)據(jù)是否存在重復(fù)，drop_duplicates（）將重復(fù)的數(shù)據(jù)行進(jìn)行刪除.去除重復(fù)值是為了防止在數(shù)據(jù)集中出現(xiàn)相同的數(shù)據(jù)，導(dǎo)致異常結(jié)果以至于影響最后的算法精確度.

3.1.2 數(shù)據(jù)轉(zhuǎn)換 附件1數(shù)據(jù)集中給出的日期格式是xxxx-xx-xx，不利于進(jìn)行數(shù)據(jù)處理，對(duì)tradeTime（展銷時(shí)間），registerDate（注冊(cè)日期）和licenseDate（上牌日期），提取時(shí)間信息并轉(zhuǎn)換為xxxx 年xx 月xx 日形式，同時(shí)刪除原數(shù)據(jù)，便于后續(xù)算法識(shí)別.對(duì)附件4 中的updatePriceTimeJson進(jìn)行處理，以“，”作為分隔符將其分為12 個(gè)數(shù)據(jù)，統(tǒng)計(jì)每一列調(diào)價(jià)記錄次數(shù)、調(diào)價(jià)幅度以及與新車的價(jià)差比.

3.1.3 特征處理 為了讓數(shù)據(jù)更具有可讀性和方便算法識(shí)別，避免數(shù)據(jù)影響算法，對(duì)數(shù)據(jù)進(jìn)行特征處理.采用字典對(duì)附件1中匿名特征11進(jìn)行處理，將對(duì)應(yīng)的值變?yōu)樘囟〝?shù)值，以方便算法處理；對(duì)匿名特征12 的處理，采用將三維特征值轉(zhuǎn)變?yōu)?個(gè)一維特征值的方法，同時(shí)去掉原有的三維特征值；對(duì)附件4 中的成交時(shí)間與上架時(shí)間做函數(shù)運(yùn)算，得到交易時(shí)間，進(jìn)而可算得交易周期.

3.2 數(shù)據(jù)分析

3.2.1 異常值查看 為了確保后續(xù)預(yù)測(cè)結(jié)果的準(zhǔn)確性，必須對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行異常值查看，如出現(xiàn)較為明顯的數(shù)據(jù)異常情況，需要對(duì)異常值進(jìn)行適當(dāng)?shù)恼{(diào)整.在處理訓(xùn)練數(shù)據(jù)缺失值后剩余的29個(gè)變量基礎(chǔ)上進(jìn)行異常值的查看，其中，日期類型數(shù)據(jù)如展銷日期、注冊(cè)日期和上牌日期以及車輛id、經(jīng)過特征處理的匿名特征11和匿名特征12 均不需要進(jìn)行異常值查看，故此處僅查看23個(gè)變量的異常值情況，數(shù)據(jù)分析結(jié)果見圖2（限于篇幅，僅展示8個(gè)特征的異常數(shù)據(jù)分布情況，分別為品牌、車系id、車型id、里程、顏色、車輛所在城市id、國(guó)標(biāo)碼、過戶次數(shù)）.圖2中8個(gè)特征均不存在異常值，經(jīng)檢驗(yàn)，載客人數(shù)、國(guó)別、廠商類型、年款、排量、變速箱、燃油類型、新車價(jià)、匿名特征1、匿名特征2、匿名特征3、匿名特征5、匿名特征6、匿名特征14、二手車交易價(jià)格數(shù)據(jù)同樣沒有異常值.綜上，23個(gè)變量數(shù)據(jù)均在正常范圍內(nèi).

圖2 異常數(shù)據(jù)分布

3.2.2 數(shù)據(jù)分布 由于所有字段的數(shù)據(jù)分布影響到最后的分析結(jié)果，因此需要查看附件1和附件2的具體數(shù)據(jù)分布情況，通過了解數(shù)據(jù)的分布情況，以便后面進(jìn)行特征相關(guān)性分析.訓(xùn)練數(shù)據(jù)中包含36列變量，測(cè)試數(shù)據(jù)中包含35列變量，缺少“二手車交易價(jià)格”這一列.由于二手車交易價(jià)格數(shù)據(jù)僅在訓(xùn)練數(shù)據(jù)中，故在此不進(jìn)行展示.于是在查看異常值的23個(gè)變量基礎(chǔ)上去掉二手車交易價(jià)格這一變量查看數(shù)據(jù)分布，得到22個(gè)特征字段的數(shù)據(jù)分布見圖3（其中：紅色區(qū)域?yàn)橛?xùn)練集的數(shù)據(jù)分布，藍(lán)色區(qū)域?yàn)闇y(cè)試集的數(shù)據(jù)分布）.

圖3 特征字段數(shù)據(jù)分布

由圖3可以看出，紅色區(qū)域和藍(lán)色區(qū)域大體重合，這說明訓(xùn)練集和測(cè)試集的數(shù)據(jù)分布情況幾乎相同.

3.2.3 相關(guān)性查看 二手車交易價(jià)格的影響因素包括但不限于車況條件、里程、品牌、過戶次數(shù)、使用時(shí)間等.由于影響因素過多，需要對(duì)其進(jìn)行相關(guān)性查看和數(shù)據(jù)處理，以便對(duì)后續(xù)定價(jià)與調(diào)價(jià)有更理想的作用，更快地促成成交.

計(jì)算特征變量的相關(guān)矩陣（見圖4，其中第1～23 行分別為二手車交易價(jià)格、新車價(jià)、排量、匿名特征2、年款、廠商類型、變速箱、匿名特征5、車型id、載客人數(shù)、車系id、過戶次數(shù)、品牌、匿名特征6、燃油類型、匿名特征1、匿名特征3、國(guó)別、匿名特征14、國(guó)標(biāo)碼、顏色、車輛所在城市id、里程，對(duì)應(yīng)的列相同）.此處仍然是在處理訓(xùn)練數(shù)據(jù)缺失值后剩余的29 個(gè)變量基礎(chǔ)上進(jìn)行相關(guān)性的查看，由于車輛id、展銷日期、注冊(cè)日期、上牌日期、匿名特征11、匿名特征12 與二手車交易價(jià)格的相關(guān)系數(shù)均小于0.001，可忽略不計(jì)，故在相關(guān)矩陣圖中予以剔除.

圖4 特征變量相關(guān)矩陣

由圖4可以看出，匿名特征5和排量相關(guān)系數(shù)高達(dá)0.76，存在顯著性正相關(guān)；排量與新車價(jià)相關(guān)系數(shù)為0.75，說明它們之間存在較強(qiáng)的相關(guān)性.此外，新車價(jià)、排量、匿名特征2、年款、廠商類型均與二手車交易價(jià)格存在不同程度的正相關(guān)性，且相關(guān)性呈現(xiàn)遞減的趨勢(shì)；國(guó)別、國(guó)標(biāo)碼、顏色、車輛所在城市id以及里程均與二手車交易價(jià)格存在負(fù)相關(guān)性，且相關(guān)性遞減.

4 二手車交易價(jià)格預(yù)測(cè)及成交周期特征重要性分析

4.1 基于LightGBM算法的二手車價(jià)格預(yù)測(cè)

對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行描述統(tǒng)計(jì)，部分?jǐn)?shù)據(jù)見表2.

表2 樣本數(shù)據(jù)描述統(tǒng)計(jì)

使用Python中的log1p對(duì)數(shù)的右偏變換函數(shù)，將數(shù)據(jù)分布轉(zhuǎn)變?yōu)榻普龖B(tài)分布.而后篩選數(shù)據(jù)并歸一化，對(duì)大于75的異常值予以舍棄.模型評(píng)測(cè)標(biāo)準(zhǔn)為 0.2（1-Mape）+0.8Accuracy5，式中：Mape為平均相對(duì)誤差，計(jì)算公式為，m為需要預(yù)測(cè)交易價(jià)格的二手車數(shù)量，即測(cè)試數(shù)據(jù)總條數(shù)，取值為5 000，Apei為第i輛二手車交易價(jià)格預(yù)測(cè)值的相對(duì)誤差，計(jì)算公式為為第i輛二手車交易價(jià)格的預(yù)測(cè)值，yi為第i輛二手車交易價(jià)格的實(shí)際值；Accuracy5為5%誤差準(zhǔn)確率，計(jì)算公式為Accuracy5=為相對(duì)誤差A(yù)pei在5%以內(nèi)的樣本數(shù)量，count（total）為樣本總數(shù)量.

考慮到模型評(píng)測(cè)標(biāo)準(zhǔn)，使用LightGBM 算法，采用6 折劃分訓(xùn)練[5-7]，訓(xùn)練次數(shù)從10 000 次到500 000 次，其中訓(xùn)練10 000 次可以達(dá)到模型評(píng)估結(jié)果84.8%的效果；訓(xùn)練500 000 次，可以達(dá)到模型評(píng)估結(jié)果86.7%的效果.部分預(yù)測(cè)結(jié)果見表3.

表3 估價(jià)模型結(jié)果 萬元

4.2 基于隨機(jī)森林的成交周期特征重要性分析

影響二手車成交周期的因素多種多樣.基于附件1 中剔除車輛id 和缺失值較多變量后剩余的28 個(gè)變量以及附件4 中剔除車輛id 后經(jīng)過分解得到的6 個(gè)變量的數(shù)據(jù)，加之包含調(diào)價(jià)次數(shù)、最后售賣價(jià)格、價(jià)差比以及成交周期在內(nèi)的4 個(gè)自定義變量，最終確定選擇包括品牌、里程、車型等在內(nèi)的38 個(gè)特征變量，使用隨機(jī)森林算法選擇影響二手車成交周期的關(guān)鍵特征[8-9].

本文選擇基尼指數(shù)來評(píng)估特征變量的重要性.基尼指數(shù)反映樣本集合中一個(gè)隨機(jī)選中的樣本被分錯(cuò)的概率.基尼指數(shù)越小，表示集合中被選中的樣本被分錯(cuò)的概率越小，集合的純度越高；反之，集合越不純.

使用隨機(jī)森林算法對(duì)二手車成交周期特征的重要性進(jìn)行計(jì)算，篩選出重要性大于0.2 的特征并進(jìn)行排序（見圖5）.

圖5 二手車成交周期特征重要性排序

由圖5 可以看出，二手車的里程是影響成交周期最重要的因素，根據(jù)里程數(shù)可以判斷車輛的使用頻率、使用強(qiáng)度，從側(cè)面反映了具體車況，是購(gòu)車者考慮的重要指標(biāo).影響在庫(kù)車輛銷售速度的關(guān)鍵因素還有二手車最終的出售價(jià)與新車價(jià)格差的比值、二手車的車型、上架時(shí)間以及上架價(jià)格，反映了購(gòu)買者主要從車況和價(jià)格2個(gè)方面考慮是否購(gòu)買二手車.

根據(jù)已有的數(shù)據(jù)分析，已成交二手車大部分集中在車輛上架的0～14 d 之內(nèi)賣出（見圖6）.本文結(jié)合成交周期對(duì)二手車的部分特征進(jìn)行更深入的分析，已成交二手車的里程以及價(jià)差與新車價(jià)格的比值（價(jià)差比）分別見圖7～8.

圖6 已成交二手車的成交周期

圖7 已成交二手車的里程與成交周期

由圖7 可以看出，里程在6～8 萬km 的二手車更容易賣出，里程在4～6 萬km 的二手車賣出的速度相較于6～8 萬km 的車售出的速度較慢.銷量小且成交速度更慢的二手車?yán)锍谭植疾▌?dòng)大.一般來說，二手車跑的里程數(shù)越少，其損害程度越小，成交周期應(yīng)相對(duì)較短.但是從分析的結(jié)果可知，里程在6～8 萬km范圍內(nèi)更受客戶的青睞，說明客戶購(gòu)車意愿受價(jià)格、車型等其他因素的影響，也從側(cè)面反映了大部分客戶對(duì)于二手車?yán)锍虜?shù)的需求低于8 萬km.

由圖8 可以看出，成交周期在0～20 d 的二手車，其價(jià)差比主要在0.4～0.6 之間，成交周期長(zhǎng)的二手車其價(jià)差比隨著成交周期的延長(zhǎng)波動(dòng)幅度增大.這說明價(jià)差比在0.4～0.6 之間的二手車更受客戶青睞，極少數(shù)客戶會(huì)選擇購(gòu)買價(jià)差比低于0.4 或高于0.8 的二手車.這一指標(biāo)也反映了二手車的保值率，說明了雖然保值率高的二手車其質(zhì)量會(huì)相對(duì)好一些，但是它的價(jià)格也相對(duì)較高，違背了人們追求用盡可能低的成本去享受更好品質(zhì)的心理.一些保值率相對(duì)較低的二手車，反而性價(jià)比相對(duì)較高.

圖8 已成交二手車的價(jià)差比與成交周期

5 結(jié)論及建議

5.1 結(jié)論

本文在數(shù)據(jù)處理的基礎(chǔ)上，通過查看異常值、數(shù)據(jù)分布情況以及各特征變量之間的相關(guān)性，對(duì)數(shù)據(jù)進(jìn)行分析，并對(duì)部分?jǐn)?shù)據(jù)進(jìn)行描述統(tǒng)計(jì).而后通過構(gòu)建基于LightGBM 算法的二手車估價(jià)模型，對(duì)二手車價(jià)格進(jìn)行預(yù)測(cè)，最后使用隨機(jī)森林算法對(duì)影響成交周期的各因素的重要程度進(jìn)行探究.得到如下結(jié)論：

（1）采用6 折劃分訓(xùn)練進(jìn)行預(yù)測(cè)，通過不斷增加訓(xùn)練次數(shù)，使得預(yù)測(cè)準(zhǔn)確率不斷提高，當(dāng)訓(xùn)練次數(shù)達(dá)到500 000 次時(shí)，算法預(yù)測(cè)準(zhǔn)確率達(dá)到最高，為86.7%，預(yù)測(cè)效果較為理想.

（2）在影響二手車成交周期的諸多因素中，里程、價(jià)差比為關(guān)鍵影響因素.其中，里程在6～8 萬km的二手車更容易暢銷，這從一定程度上反映了大部分客戶對(duì)于二手車?yán)锍虜?shù)的需求小于8 萬km.價(jià)差比在0.4～0.6 范圍內(nèi)的二手車成交周期較短，更受客戶青睞，同時(shí)還說明保值率相對(duì)較低的二手車其性價(jià)比反而相對(duì)較高.

截至目前，精準(zhǔn)評(píng)估二手車的價(jià)格仍是一項(xiàng)十分困難的工作，但是基于機(jī)器學(xué)習(xí)建立模型實(shí)現(xiàn)預(yù)測(cè)具有極為廣闊的應(yīng)用空間.本文在一定程度上可以為二手車市場(chǎng)提供一個(gè)簡(jiǎn)單的定價(jià)思路，同時(shí)為縮短交易周期提供一系列建議.

5.2 建議

基于對(duì)部分特征的分析，結(jié)合實(shí)際的銷售場(chǎng)景，為加快門店在庫(kù)車輛的銷售速度提出建議：

5.2.1 建立品質(zhì)評(píng)價(jià)體系 在分析車況時(shí)，要關(guān)注二手車的里程等影響因素，以此來判斷車輛的等級(jí).購(gòu)買者只有了解了二手車的具體車況并結(jié)合價(jià)格來判斷二手車的性價(jià)比，才能最終決定是否購(gòu)買二手車.針對(duì)這一情況，二手車市場(chǎng)可以建立二手車品質(zhì)鑒定體系[10-14]，對(duì)二手車進(jìn)行質(zhì)量檢測(cè)，根據(jù)車輛識(shí)別代碼的唯一性為每輛二手車建立檔案，編寫品質(zhì)情況與使用情況報(bào)告，方便銷售人員以及購(gòu)買者對(duì)二手車的真實(shí)狀況做出合理的判斷.

5.2.2 建立二手車價(jià)格以及降價(jià)體系 應(yīng)當(dāng)密切關(guān)注新車的價(jià)格、二手車上架的時(shí)間以及每次調(diào)價(jià)引起的銷售速度的變化.新車型上市時(shí)，對(duì)應(yīng)的二手車應(yīng)進(jìn)行相應(yīng)的降價(jià).二手車市場(chǎng)有淡旺季之分，據(jù)分析，二手車的成交大多集中在3～7 月份，8 月份之后較前幾個(gè)月有所減少，但較為平穩(wěn).針對(duì)這種情況，在銷售淡季時(shí)，應(yīng)加大二手車的優(yōu)惠力度，銷售旺季時(shí)可以減小降價(jià)的幅度.此外，銷售人員應(yīng)重視二手車調(diào)價(jià)前后銷售數(shù)量、銷售額以及銷售利潤(rùn)等的變化.根據(jù)調(diào)價(jià)之后的銷售狀況對(duì)價(jià)格進(jìn)行調(diào)整或?yàn)橄乱淮握{(diào)價(jià)提供參考，以確定下一次的調(diào)價(jià)幅度.

在門店的實(shí)際銷售場(chǎng)景中，要在不同的時(shí)間段及時(shí)了解客戶的需求，并結(jié)合當(dāng)前的銷售市場(chǎng)，不斷調(diào)整銷售策略.門店根據(jù)所做的綜合分析，可利用隨機(jī)森林回歸算法和BP 神經(jīng)網(wǎng)絡(luò)對(duì)二手車的售出價(jià)格、降價(jià)幅度進(jìn)行及時(shí)的調(diào)整.最終門店不僅能提高自己的銷售速率、節(jié)省資源，還能促使整個(gè)二手車行業(yè)保持穩(wěn)定發(fā)展.