Usamos esto para comenzar el análisis exploratorio y poder identificar el mejor enfoque para el desafío. Esto nos llevó a decidir que un modelo de aprendizaje automático era una solución adecuada y nos dispusimos a implementar un modelo de referencia preliminar.

Comenzar poco a poco nos permitió probar las suposiciones en un corto espacio de tiempo. Los resultados fueron prometedores y demostraron que podíamos mejorar la precisión de la predicción de los precios de las piezas de automóviles y devolverlos al motor de cotizaciones existente de forma relativamente sencilla.

Luego recibimos un conjunto de datos más completo con millones de solicitudes recopiladas durante un período de tiempo más largo. Usamos esta información para probar diferentes algoritmos para encontrar el que generó el modelo más preciso. Después de varias iteraciones, desarrollamos un modelo que podía ofrecer estimaciones precisas basadas en todas las combinaciones de parámetros de entrada (principalmente información sobre el automóvil del cliente) que enviamos a CarMechanic para su prueba.

Una vez hecho esto, nuestro próximo desafío fue encontrar una manera de mejorar la precisión de la predicción del tiempo requerido por los mecánicos para completar cada trabajo. Seguimos un enfoque similar que mostró rápidamente que podíamos ajustar un modelo para predecir con precisión los tiempos de mano de obra con estimaciones que estaban dentro de los minutos del tiempo real requerido.

Nuestro último paso fue identificar los puntos de integración que permitirían a la empresa utilizar el modelo de aprendizaje automático con la aplicación existente sin interrumpir sus operaciones actuales.