Interaktivní analýza cen s využitím dat historie transakcí

Data Factory
Machine Learning
Excel
Power BI
Blob Storage
SQL Database

Idea řešení

Pokud se chcete podívat, jak tento článek rozšíříme o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět pomocí GitHub Feedback!

Řešení Price Analytics používá data historie transakcí k tomu, abyste si ukázali, jak požadavek na vaše produkty reagují na ceny, které nabízíte. Doporučuje cenové změny a umožní vám simulovat, jak by změny cen ovlivnily Vaši poptávku, a to s přesností.

Řešení poskytuje řídicí panel, kde vidíte následující:

  • Optimální doporučení pro ceny.
  • Flexibilita položek na úrovni položky-lokalita kanálu – segment.
  • Odhady souvisejících účinků na produkt, jako je uvádění podobných produktů.
  • Prognózy daného aktuálního procesu.
  • Metriky výkonu modelu.

pomocí přímé interakce s cenovým modelem v Excel můžete:

  • Sem vložte svoje prodejní data a analyzujte své ceny, aniž byste museli data do databáze řešení nejprve integrovat.
  • Simulace propagace a vykreslení křivek poptávky (ukazující odpověď na poptávku na cenu).
  • Pracujte s daty řídicích panelů v číselné podobě.

Bohatá funkce není omezená na Excel. Řídí se webovými službami, které vy nebo váš partner pro implementaci můžete volat přímo z obchodních aplikací a integraci analýzy cen do obchodních aplikací.

Potenciální případy použití

Tato architektura je ideální pro maloobchodní odvětví, nabízí cenové doporučení, odhady a prognózy.

Architektura

Diagram architektury

Stáhnout SVG této architektury.

  1. Azure Machine Learning umožňuje sestavovat cenové modely.
  2. Azure Blob Storage ukládá model a veškerá mezilehlá data, která se generují.
  3. Azure SQL Server ukládá data historie transakcí a všechny vygenerované modely předpovědi.
  4. Azure Data Factory slouží k naplánování periodické aktualizace modelu (například týdně).
  5. Power BI povoluje vizualizaci výsledků.
  6. Excel tabulky využívají prediktivní webové služby.

Komponenty

Popis řešení

V jádru striktního pracovního postupu analýzy cen je modelování elastické cenové flexibility a optimální cenové doporučení. Přístup k nejmodernějšímu modelování omezuje dvě nejhorší nástrahy cenové citlivosti modelování z historických dat: Nalezeno a data řídkosti.

Je zjištěno, že se jedná o přítomnost jiných faktorů než ceny, které ovlivňují poptávku. používáme přístup s dvojitým ML, který odečte předvídatelné součásti ceny a variace poptávky před odhadem pružnosti. Tento přístup immunizes odhady na většinu forem, které jsme si vynašli. Řešení je také možné přizpůsobit partnerem implementace, aby bylo možné používat vaše data pro zachytávání potenciálních ovladačů externích požadavků, než je cena. Náš Blogový příspěvek poskytuje další podrobnosti o datové vědy cen.

K řídkosti dat dochází, protože se optimální cena liší v jemně zrnitosti: firmy můžou nastavovat ceny podle položky, webu, obchodního kanálu a dokonce segmentu zákazníka. Ale cenová řešení často poskytují odhady jenom na úrovni kategorií produktů, protože historie transakcí může obsahovat jenom pár prodejů pro každou konkrétní situaci. Naše cenové řešení používá "hierarchickou pravidelnou" službu k vytváření konzistentních odhadů v takových situacích, které jsou nenáročné na data: v případě nepřítomnosti důkazů model vypůjčuje informace z jiných položek ve stejné kategorii, stejné položky v jiných lokalitách a tak dále. Vzhledem k nárůstu množství historických dat na dané kombinaci typu položka-lokalita kanálu bude jeho odhad pružnosti přesně vyladěn.

V tomto designu řešení pro cenové analýzy se dozvíte, jak můžete vyvíjet cenový model pro produkty, které jsou založené na odhadech elastické z dat historie transakcí. Toto řešení se zaměřuje na střední společnosti s malými cenovými týmy, u kterých není k dispozici rozsáhlá podpora pro datové vědy pro modely bespokech cen.

interakce s cenovým modelem je prostřednictvím Excel, kde můžete snadno vkládat data o prodeji a analyzovat své ceny, aniž byste museli data do databáze řešení nejdřív integrovat. V tabulce můžete simulovat propagační akce a křivky na vyžádání (ukazující reakci na poptávku na cenu) a přistupovat k datům řídicího panelu v číselné podobě. K dispozici máte také bohatou funkčnost cenového modelu z webových služeb a integraci cenové analýzy přímo do obchodních aplikací.

Azure Machine Learning je základní logikou v tomto řešení, ze které jsou vytvářeny modely elastické. Modely strojového učení se dají nastavit tak, aby se předešlo dvěma běžným nástrahům cenového modelování z historických dat: účinky a data řídkosti.

Řešení přináší následující výhody:

  • Vám ukáže, jak v jednom přehledu (přes řídicí panel) je vaše poptávka na produktech.
  • Poskytuje cenové doporučení pro každý produkt v katalogu položek.
  • Zjistí související produkty (náhrady a dodatky).
  • Umožňuje simulovat propagační scénáře v Excel.

Nasazení tohoto scénáře

Řešení Galerie AI, které je implementací této architektury řešení, má dvě klíčové role: technické prostředky a koncové uživatele (například cenové manažery).

Technické prostředky nasadí řešení a připojí je k firemnímu datovému skladu. Další informace najdete v technické příručce. Koncoví uživatelé, kteří používají model prostřednictvím tabulky (nebo integrované do obchodní aplikace), by si měli přečíst příručku pro uživatele.

Začínáme

Nasaďte řešení pomocí tlačítka napravo. Pokyny na konci nasazení budou mít důležité informace o konfiguraci. Nechejte prosím otevřené.

Řešení se nasadí se stejnou ukázkovou sadou dat za oranžové ceny, které najdete za tlačítkem vyzkoušet – nyní na pravé straně.

Během nasazování řešení můžete získat hlavní začátek a provést následující akce:

  • Podívejte se, co je k dispozici na řídicím panelu try-it-Now.
  • Přečtěte si příručku pro uživatele , kde najdete pokyny k používání z perspektivy cenového analytika (vyžaduje se přihlášení pomocí protokolu MSFT).
  • Projděte si Průvodce technickým nasazením , kde najdete technickou implementaci (vyžaduje se přihlášení pomocí protokolu MSFT).
  • stáhněte si interaktivní sešit Excel.

Po nasazení řešení dokončete první návod (vyžaduje se přihlášení k protokolu MSFT).

Řídicí panel řešení

Nejužitečnější část řídicího panelu řešení je karta návrh ceny. Dozvíte se, které z vašich položek jsou v ceně nebo v ceně. Tato karta navrhuje optimální cenu za každou položku a předpokládaný dopad přijetí návrhu. Návrhy se stanovují podle největší příležitosti k získání přírůstkového hrubého okraje.

implementace tohoto řešení pro cenové analýzy je popsaná v řešení galerie AI a GitHub reprodukci. Řešení Galerie AI používá data historie transakcí k tomu, aby ukázala, jak poptávka po vašich produktech reaguje na ceny, které nabízíte, doporučí cenové změny a umožňuje simulovat, jak by změny v ceně ovlivnily Vaši poptávku, a to s detailní členitosti. Toto řešení poskytuje řídicí panel, kde vidíte optimální doporučení pro ceny, pružnosti položek na úrovni položky – lokalita-kanál – segment, odhady souvisejících účinků na produkt, jako je uvádění podobných produktů, předpovědi daného aktuálního procesu a modely metrik výkonu.

Architektura řešení

řešení používá instanci Azure SQL Database k ukládání transakčních dat a vygenerovaného modelu předpovědi. existuje spousta modelů elastické služby pro modelování, které jsou vytvořené v Azure ML pomocí základních knihoven pythonu. Azure Data Factory plánuje aktualizace týdenního modelu. výsledky se zobrazí na řídicím panelu Power BI. zadaný Excel tabulka využívá prediktivní webové služby.

přečtěte si průvodce technickým nasazením , kde najdete podrobnější diskusi k architektuře, včetně tématu připojení vašich vlastních dat a přizpůsobení (GitHub vyžaduje přihlášení).

Ceny

K výpočtu aktuálního odhadu použijte cenovou kalkulačku Azure. Odhadované řešení by mělo zahrnovat následující náklady na službu:

  • plán služby ML úrovně standard S1
  • S2 SQL Database
  • Plán hostování aplikace
  • Různé aktivity dat ADF a náklady na úložiště

Pokud jenom prozkoumáte řešení, můžete ho odstranit za několik dnů nebo hodin. Náklady se po odstranění součástí Azure budou účtovat.

Další kroky

Další informace o technologiích komponent:

Další informace o cenových řešeních:

Prozkoumání souvisejících architektur: