Prognóza poptávky a optimalizace cen

Blob Storage
Data Factory
HDInsight
Web Apps

Nápad řešení Solution Idea

Pokud se chcete podívat, jak nás rozšířit tento článek o další informace, podrobnosti implementace, doprovodné materiály nebo příklady kódu, dejte nám vědět s názory na GitHubu.If you'd like to see us expand this article with more information, implementation details, pricing guidance, or code examples, let us know with GitHub Feedback!

Ceny jsou pro mnoho odvětví složité, ale může to být jeden z nejtěžších úkolů.Pricing is pivotal for many industries, but it can be one of the most challenging tasks. Společnosti se často bojovat na přesný odhad fiskálního dopadu potenciálních taktiku, plně považují za základní obchodní omezení a poměrně ověřují rozhodnutí o cenách po jejich provedení.Companies often struggle to accurately forecast the fiscal impact of potential tactics, fully consider core business constraints, and fairly validate pricing decisions once they've been made. S tím, jak nabídky produktů rozšiřují a komplikuje výpočty za rozhodováním o cenách v reálném čase, se proces ještě více obtížně zvětšuje.As product offerings expand and complicate the calculations behind real-time pricing decisions, the process grows even more difficult.

Toto řešení řeší tyto výzvy pomocí historických transakčních dat za účelem učení modelu prognózy poptávky v maloobchodním kontextu.This solution addresses those challenges by using historical transaction data to train a demand-forecasting model in a retail context. Zahrnuje také ceny produktů v konkurenční skupině pro předpověď uvádění podobných produktůí a dalších dopadů na různé produkty.It also incorporates the pricing of products in a competing group to predict cannibalization and other cross-product impacts. Algoritmus pro optimalizaci cen pak tento model využívá k prognózování poptávky v různých cenových bodech a faktorech v obchodních omezeních k maximalizaci potenciálního zisku.A price-optimization algorithm then uses that model to forecast demand at various price points and factors in business constraints to maximize potential profit.

Když použijete toto řešení k ingestování historických dat o transakcích, předpovídat budoucí poptávku a pravidelně optimalizujete ceny, budete mít možnost ušetřit čas a úsilí v průběhu procesu a zlepšit ziskovost vaší společnosti.By using this solution to ingest historical transaction data, predict future demand, and regularly optimize pricing, you'll have the opportunity to save time and effort around the process and improve your company's profitability.

ArchitekturaArchitecture

Diagram architektury Stáhnout SVG této architektury.Architecture Diagram Download an SVG of this architecture.

KomponentyComponents

  • Azure Data Lake Storage: Data Lake Store ukládá týdenní nezpracovaná prodejní data, která jsou čtena Sparkem ve službě HDInsight.Azure Data Lake Storage: Data Lake Store stores the weekly raw sales data, which is read by Spark on HDInsight.
  • Spark v HDInsight ingestuje data a provádí předběžné zpracování dat, modelování prognóz a algoritmy pro optimalizaci cen.Spark on HDInsight ingests the data and executes data preprocessing, forecasting modeling, and price-optimization algorithms.
  • Data Factory zpracovává orchestraci a plánování přeškolení modelu.Data Factory handles orchestration and scheduling of the model retraining.
  • Power BI vizualizuje prodejní výsledky, předpokládanou budoucí poptávku a Doporučené optimální ceny pro celou řadu produktů prodávaných v různých obchodech.Power BI visualizes sales results, the predicted future demand, and the recommended optimal prices for a variety of products sold in different stores.

Další krokyNext steps