Аналіз пробігів BMW X5 E70: коригування (скрутка) в Україні

query_stats Методологія аналізу

Для виявлення скрутки ми відстежуємо історію пробігу кожного автомобіля за VIN-кодом:

• Збираємо всі оголошення з однаковим VIN
• Сортуємо за датою публікації
• Порівнюємо пробіг: якщо новіше оголошення має менший пробіг — це скрутка

directions_car Порівняння поколінь та типів палива

BMW X5 E70 випускався з 2006 по 2013 рік. Ми проаналізували E70 (2007-2009) та E70 facelift 2010 (2010-2013) з 3-літровим двигуном:

group Кількість власників vs скрутка

Дані реєстру МВС України показують чітку кореляцію: більше власників = вища ймовірність скрутки:

speed Розподіл по діапазонах пробігу

Цікаво, що відсоток скруток майже однаковий для всіх діапазонів пробігу:

Більшість авто (56%) мають пробіг 200-300 тис. км — типовий для 12-17 річних BMW X5. Скрутки рівномірно розподілені по всіх діапазонах (43-50%), що говорить про системну проблему ринку.

tips_and_updates Висновки та рекомендації

smart_toy Як це працює: приклад запиту через MCP

Ось реальний приклад того, як AI-асистент виконує запит до бази даних через AUTOMOTO MCP Gateway:

SELECT 
    COUNT(DISTINCT vin) as total_cars,
    SUM(CASE WHEN has_fraud = 1 THEN 1 ELSE 0 END) as fraud_count,
    ROUND(100.0 * SUM(has_fraud) / COUNT(*), 1) as fraud_pct
FROM fraud_analysis
WHERE model = 'X5' AND generation = 'E70'

code SQL-запит для аналізу

Ось спрощений запит для виявлення скрутки пробігу через AUTOMOTO MCP Gateway:

-- Історія пробігу з виявленням скрутки
WITH mileage_history AS (
    SELECT 
        vin,
        mileage,
        update_date,
        LAG(mileage) OVER (
            PARTITION BY vin 
            ORDER BY update_date
        ) AS prev_mileage
    FROM nessie.automoto.base.auto.base__auto
    WHERE mileage > 0
),
fraud_detection AS (
    SELECT 
        vin,
        MAX(CASE WHEN mileage < prev_mileage 
             THEN 1 ELSE 0 END) AS has_fraud
    FROM mileage_history
    WHERE prev_mileage IS NOT NULL
    GROUP BY vin
)
SELECT 
    COUNT(*) as total,
    SUM(has_fraud) as fraud_count,
    ROUND(100.0 * SUM(has_fraud) / COUNT(*), 1) as fraud_pct
FROM fraud_detection

business Як це використовується в бізнесі

quiz FAQ