Análisis de precios interactivo mediante datos del historial de transacciones

Data Factory
Machine Learning
Excel
Power BI
Blob Storage
SQL Database

Idea de solución

Si le gustaría que expandamos este artículo con más información, como posibles casos de uso, servicios alternativos, consideraciones de implementación o una guía de precios, comuníquese a través de los Comentarios de GitHub.

La solución Análisis de precios utiliza los datos del historial de transacciones para mostrar cómo la demanda de los productos responde a los precios que se ofrecen. Recomienda cambios en los precios y permite la simulación, de manera pormenorizada, del modo en que los cambios del precio afectarán a la demanda.

La solución proporciona un panel donde puede ver lo siguiente:

  • Recomendaciones de precios óptimos.
  • Elasticidades de elementos en un nivel elemento-sitio-canal-segmento.
  • Estimaciones de efectos relacionados con el producto, como la canibalización.
  • Previsión según el proceso actual.
  • Métricas de rendimiento de modelos.

Mediante la interacción directa con el modelo de precios en Excel, puede:

  • Pegar los datos de ventas allí y analizar los precios sin necesidad de integrar primero los datos en la base de datos de la solución.
  • Simular promociones y trazar curvas de demanda (que muestran la respuesta de la demanda al precio).
  • Trabajar con datos del panel en forma numérica.

Esta funcionalidad enriquecida no se limita a Excel. Está impulsada por servicios web a los que el usuario o su asociado de implementación pueden llamar directamente desde sus aplicaciones empresariales, integrando el análisis de precios en estas.

Posibles casos de uso

Esta arquitectura es ideal para el sector minorista, ya que proporciona recomendaciones de precios, estimaciones y previsiones.

Architecture

Diagrama de la arquitectura

Descargue un SVG de esta arquitectura.

  1. Azure Machine Learning permite compilar modelos de precios.
  2. Azure Blob Storage almacena el modelo y los datos intermedios generados.
  3. Azure SQL Server almacena los datos del historial de transacciones y las predicciones de modelo generadas.
  4. Azure Data Factory se usa para programar actualizaciones periódicas (por ejemplo, semanales) del modelo.
  5. Power BI permite una visualización de los resultados.
  6. Las hojas de cálculo de Excel consumen servicios web predictivos.

Componentes

Descripción de la solución

La parte fundamental de un flujo de trabajo de análisis de precios riguroso es el modelado de la elasticidad de los precios y las recomendaciones sobre precios óptimos. El enfoque de modelado más moderno permite mitigar los dos peores obstáculos del modelado de la sensibilidad a los precios a partir de datos históricos: la confusión y la dispersión de los datos.

La confusión consiste en la presencia de otros factores distintos del precio que afectan a la demanda. Vamos a utilizar un enfoque de "doble aprendizaje automático" que elimina los componentes predecibles de las variaciones de precio y demanda antes de estimar la elasticidad. Este enfoque permite que las estimaciones no se vean influidas por la mayoría de las variantes de confusión. El asociado de implementación también puede personalizar la solución para que use los datos para capturar posibles factores externos de la demanda distintos del precio. Nuestra entrada de blog proporciona más detalles sobre la ciencia de datos de los precios.

La dispersión de datos se produce porque el precio óptimo varía en un nivel detallado: las empresas pueden establecer precios por artículo, sitio, canal de ventas e incluso segmento de clientes. Sin embargo, las soluciones de precios a menudo solo ofrecen estimaciones en el nivel de la categoría de producto, ya que el historial de transacciones solo puede contener algunas ventas para cada situación específica. Nuestra solución de precios utiliza una "regularización jerárquica" para generar estimaciones coherentes en esos casos de escasez de datos: en ausencia de evidencias, el modelo toma prestado información de otros artículos de la misma categoría, de los mismos artículos en otros sitios, etc. A medida que aumenta la cantidad de datos históricos en una combinación de artículo-sitio-canal determinada, la estimación de su elasticidad se ajustará más específicamente.

Esta idea de solución de análisis de precios muestra cómo puede desarrollar un modelo de precios para productos basado en estimaciones de elasticidad a partir de los datos del historial de transacciones. Esta solución está dirigida a empresas de tamaño medio con equipos de precios pequeños que carecen de una amplia compatibilidad con la ciencia de datos para los modelos de análisis de precios personalizados.

La interacción con el modelo de precios se realiza a través de Excel, donde puede pegar fácilmente los datos de ventas y analizar los precios sin necesidad de integrar primero los datos en la base de datos de la solución. En la hoja de cálculo, puede simular promociones y trazar curvas de demanda (que muestran la respuesta de la demanda al precio) y acceder a los datos del panel en forma numérica. También se puede acceder a la completa funcionalidad del modelo de precios desde servicios web, integrando el análisis de precios directamente en las aplicaciones empresariales.

Azure Machine Learning es la lógica principal de esta solución a partir de la cual se crean modelos de elasticidad. Los modelos de Machine Learning se pueden configurar con esta lógica para evitar dos problemas comunes de modelado de precios a partir de datos históricos: efectos de confusión y dispersión de datos.

La solución ofrece las siguientes ventajas:

  • Muestra de un vistazo (a través del panel) la elasticidad de la demanda de sus productos.
  • Proporciona recomendaciones de precios para cada producto del catálogo de artículos.
  • Detecta productos relacionados (reemplazos y complementos).
  • Permite simular escenarios promocionales en Excel.

Implementación de este escenario

La solución AI Gallery, que es una implementación de esta arquitectura de la solución, tiene dos roles clave: recursos técnicos y usuarios finales (como los administradores de precios).

Los recursos técnicos implementan la solución y la conectan a un almacenamiento de datos empresariales. Para obtener más información, lea la Guía técnica. Los usuarios finales que usan el modelo a través de una hoja de cálculo (o integrado en una aplicación empresarial) deben leer la Guía del usuario.

Introducción

Implemente la solución con el botón de la derecha. Las instrucciones que se proporcionan al final de la implementación contienen información de configuración importante. Déjelas abiertas.

La solución se implementa con el mismo conjunto de datos de ejemplo de precios de zumos naranja que se encuentra después de seleccionar el botón Probar ahora que está a la derecha.

Mientras se implementa la solución, puede obtener una ventaja inicial y hacer lo siguiente:

  • Ver lo que está disponible en el panel Probar ahora.
  • Leer la Guía del usuario para obtener instrucciones de uso desde la perspectiva de un analista de precios (se requiere un inicio de sesión de MSFT).
  • Revisar la guía de implementación técnica para más información sobre la implementación técnica (se requiere un inicio de sesión de MSFT).
  • Descargar la hoja de cálculo de Excel interactiva.

Una vez implementada la solución, complete el primer tutorial (se requiere un inicio de sesión de MSFT).

Panel de soluciones

La parte más útil del panel de la solución es la pestaña Sugerencias de precios, que indica cuál de los elementos tiene un precio por debajo o por encima de su valor real. La pestaña sugiere un precio óptimo para cada artículo y el impacto previsto de adoptar la sugerencia. Las sugerencias se clasifican por orden de prioridad según la mayor oportunidad de ganar un margen bruto incremental.

Una implementación de esta idea de solución de análisis de precios se describe en la solución AI Gallery y en el repositorio de GitHub. La solución AI Gallery utiliza los datos del historial de transacciones para mostrar cómo la demanda de los productos responde a los precios que se ofrecen y para recomendar cambios en los precios. Además, permite la simulación, de manera pormenorizada, del modo en que los cambios del precio afectarán a la demanda. La solución proporciona un panel en el que puede ver las recomendaciones de precios óptimos, las elasticidades de los artículos (en el nivel de artículo, sitio, canal o segmento), las estimaciones de los efectos relacionados con el producto (por ejemplo, el "canibalismo"), las previsiones según el proceso actual y las métricas de rendimiento del modelo.

Arquitectura de la solución

La solución usa una instancia de Azure SQL Database para almacenar los datos transaccionales y las predicciones del modelo generado. Hay una docena de servicios básicos de modelado de elasticidad que se crean en Azure ML con las bibliotecas principales de Python. Azure Data Factory programa actualizaciones semanales del modelo. Los resultados se muestran en un panel de Power BI. La hoja de cálculo de Excel proporcionada utiliza los servicios web predictivos.

Lea la guía de implementación técnica para obtener una explicación más detallada de la arquitectura, incluido el tema sobre la conexión con sus propios datos y la personalización (se requiere el inicio de sesión de GitHub).

Precios

Para calcular una estimación actual, use la calculadora de precios de Azure. La solución estimada debe incluir los siguientes costos de servicio:

  • Plan de servicio de Machine Learning estándar S1
  • SQL Database S2
  • Plan de hospedaje de aplicaciones
  • Actividades de datos de ADF y costos de almacenamiento diversos

Si solo quiere explorar la solución, puede eliminarla transcurridos algunos días u horas. Los costos dejarán de cobrarse cuando elimine los componentes de Azure.

Pasos siguientes

Más información sobre las tecnologías de los componentes:

Obtenga más información sobre las soluciones de precios:

Explore las arquitecturas relacionadas: