Analytique interactive des prix à l’aide de données d’historique des transactions

Azure Data Factory
Azure Machine Learning
Excel
Stockage Blob Azure
Azure SQL Database

La solution Analytique de prix utilise les données de votre historique des transactions pour vous montrer comment la demande de vos produits réagit aux prix que vous proposez.

Architecture

Screenshot showing interactive price analytics.

Téléchargez un fichier Visio de cette architecture.

Dataflow

  1. La solution Azure Machine Learning permet de créer des modèles de tarification.
  2. Le service Stockage Blob Azure stocke le modèle et les données intermédiaires générées.
  3. Azure SQL Database stocke les données d’historique des transactions et les prédictions de modèle générées.
  4. Le service Azure Data Factory permet de planifier des actualisations périodiques (par exemple, hebdomadaires) du modèle.
  5. La solution Power BI permet de visualiser les résultats.
  6. Les feuilles de calcul Excel utilisent des services web prédictifs.

Composants

Détails de la solution

La solution Analytique de prix utilise les données de votre historique des transactions pour vous montrer comment la demande de vos produits réagit aux prix que vous proposez. Elle recommande des changements de prix et vous permettre de simuler la façon dont des changements de prix affecteraient la demande, avec un niveau de précision élevé.

La solution fournit un tableau de bord dans lequel vous pouvez voir les informations suivantes :

  • Recommandations de tarification optimale.
  • Élasticités d’article au niveau d’un segment de canal de site d’articles.
  • Estimations des effets liés au produit, tels que la cannibalisation.
  • Prévisions en fonction du processus en cours.
  • Métriques de performances du modèle.

Une interaction directe avec le modèle de tarification dans Excel vous permet d’effectuer les opérations suivantes :

  • Coller vos données de ventes et analyser vos prix sans devoir au préalable intégrer les données dans la base de données de la solution.
  • Simuler des promotions et tracer des courbes de demande (montrant la réponse de la demande au prix).
  • Utiliser les données du tableau de bord sous forme numérique.

Cette fonctionnalité riche ne se limite pas à Excel. Elle dépend des services web que vous, ou votre partenaire d’implémentation, pouvez appeler directement depuis vos applications commerciales, en intégrant l’analyse des prix dans celles-ci.

Cas d’usage potentiels

Cette architecture est idéale pour le secteur de la vente au détail. Elle fournit des recommandations de prix, des estimations et des prévisions.

Description de la solution

Au cœur d’un workflow d’analyse des prix rigoureux se trouve la modélisation de l’élasticité des prix ainsi que des suggestions de tarifications optimales. L’approche de la modélisation de pointe atténue les deux pires pièges de la modélisation de la sensibilité des prix à partir des données historiques : les facteurs confusionnels et la densité des données.

Les facteurs de confusion sont des facteurs, autres que le prix, qui affectent la demande. Nous utilisons une approche « double-ML » qui soustrait les composants prévisibles de la variation du prix et de la demande avant d’estimer l’élasticité. Cette approche protège les estimations de la plupart des facteurs de confusion. La solution peut également être personnalisée par un partenaire d’implémentation pour utiliser vos données en capturant des pilotes de demande externe potentielle autres que le prix. Notre billet de blog fournit des détails supplémentaires sur la science des données de prix.

La rareté des données est due au fait que le prix optimal varie à la marge : les entreprises peuvent fixer des prix par produit, par site, par canal de vente, voire par segment de clientèle. Mais les solutions de tarification ne fournissent souvent que des estimations au niveau d’une catégorie de produits, car l’historique des transactions ne peut contenir que quelques ventes pour chaque situation. Notre solution de tarification utilise la « régularisation hiérarchique » pour produire des estimations cohérentes dans situations où les données sont insuffisantes : en l’absence de preuve, le modèle tire des informations d’autres articles dans la même catégorie, les mêmes articles dans d’autres sites, etc. À mesure que la quantité de données historiques sur une combinaison article-site-canal augmente, l’estimation de l’élasticité sera plus précise.

Cette idée de solution d’analyse de tarification montre comment développer un modèle de tarification basé sur des estimations d’élasticité extraites des données de l’historique des transactions. Cette solution est destinée aux entreprises de taille moyenne disposant d’équipes restreintes de tarification qui ne bénéficient pas du support complet de la science des données pour les modèles d’analyse de tarification.

l’Interaction avec le modèle de tarification se fait via Excel où vous pouvez facilement coller vos données de vente et analyser vos prix sans devoir commencer par intégrer les données dans la base de données de la solution. La feuille de calcul vous permet de simuler des promotions et de tracer des courbes de demande (présentant la réponse de la demande au prix), ainsi que d’accéder aux données du tableau de bord sous forme numérique. Vous pouvez également accéder aux fonctionnalités riches du modèle de tarification à partir de services web, en intégrant l’analyse des prix directement dans vos applications commerciales.

La solution Azure Machine Learning est la logique à l’œuvre au cœur de cette solution à partir de laquelle des modèles d’élasticité sont créés. Elle permet de configurer des modèles Machine Learning de façon à éviter deux pièges courants de la modélisation des prix à partir de données historiques : les facteurs de confusion et la rareté des données.

La solution offre les avantages suivants :

  • Elle vous permet de voir en un clin d’œil (sur le tableau de bord) l’élasticité de la demande de votre produit.
  • Elle fournit des suggestions de prix pour chaque produit figurant dans votre catalogue d’articles.
  • Elle découvre des produits associés (remplacements et compléments).
  • Elle vous permet de simuler des scénarios promotionnels dans Excel.

Considérations

Les considérations implémentent les piliers d’Azure Well-Architected Framework qui est un ensemble de principes directeurs qui permettent d’améliorer la qualité d’une charge de travail. Pour plus d’informations, consultez Microsoft Azure Well-Architected Framework.

Optimisation des coûts

L’optimisation des coûts consiste à examiner les moyens de réduire les dépenses inutiles et d’améliorer l’efficacité opérationnelle. Pour plus d’informations, consultez Vue d’ensemble du pilier d’optimisation des coûts.

Pour calculer une estimation actuelle, utilisez la Calculatrice de prix Azure. La solution estimée devrait inclure les coûts de service suivants :

  • Plan de service standard ML S1
  • Base de données SQL S2
  • Plan d’hébergement d’application
  • Activités de données ADF diverses et coûts de stockage

Si vous explorez simplement la solution, vous pouvez la supprimer après quelques jours ou quelques heures. La facturation des coûts cesse dès la suppression des composants Azure.

Déployer ce scénario

La solution Azure AI Gallery, qui est une implémentation de cette architecture de solution, intègre deux rôles clés : les ressources techniques et les utilisateurs finaux (tels que les gestionnaires de tarification).

Les ressources techniques déploient la solution et la connectent à un entrepôt de données commerciales. Pour plus d’informations, consultez le Guide technique. Les utilisateurs finaux qui utilisent le modèle via une feuille de calcul (ou une intégration dans une application commerciale) devraient lire le Guide de l’utilisateur.

Prise en main

Déployez la solution à l’aide du bouton situé à droite. Les instructions à la fin du déploiement comporteront des informations importantes concernant la configuration. Laissez-les ouvertes.

La solution est déployée avec le même exemple de jeu de données de prix de jus orange que vous trouvez derrière le bouton Essayer maintenant à droite.

Pendant le déploiement de la solution, vous pouvez gagner du temps en testant et vérifiant :

  • Le tableau de bord Try-It-Now.
  • Lire le Guide de l’utilisateur pour obtenir des instructions d’utilisation du point de vue d’un analyste de tarification (connexion à MSFT requise).
  • Consulter le Guide de déploiement technique pour avoir un aperçu de l’implémentation technique (connexion à MSFT requise).
  • Télécharger la feuille de calcul interactive Excel.

Une fois la solution déployée, effectuez la première procédure pas à pas (connexion à MSFT requise).

Tableau de bord de solution

La partie du tableau de bord de la solution la plus actionnable est l’onglet Proposition de prix. Il vous indique les articles dont les prix sont trop bas ou trop élevés. L’onglet suggère un prix optimal pour chaque article et l’impact prédit de l’adoption de la suggestion. Les suggestions sont classées par ordre de priorité par ordre de la plus grande possibilité de gagner une marge brute incrémentielle.

Une implémentation de cette idée de solution d’analyse de tarification est décrite dans la Solution AI Gallery et la Reproduction GitHub. La solution AI Gallery utilise les données de votre historique des transactions pour vous montrer comment la demande de vos produits fluctue en fonction des prix que vous annoncez, pour recommander des changements de prix, et pour vous permettre de simuler la façon dont des changements de prix affecteraient la demande, avec un niveau de précision élevé. La solution fournit un tableau de bord dans lequel vous pouvez voir des suggestions de tarifications optimales, des élasticités d’éléments au niveau d’un segment/canal/site/élément, des estimations d’effets de produits connexes, telles que « la cannibalisation », des prévisions en fonction du processus actuel et des mesures de performances du modèle.

Architecture de solution

La solution utilise une instance Azure SQL Database pour stocker vos données transactionnelles et les prédictions de modèle générées. Il existe une douzaine de services essentiels de modélisation de l’élasticité créés dans Azure ML, qui utilisent des bibliothèques Python. Azure Data Factory planifie l’actualisation hebdomadaire du modèle. Les résultats sont affichés dans un tableau de bord Power BI. La feuille de calcul Excel fournie consomme les services web prédictifs.

Pour une description plus détaillée de l’architecture, consultez le Guide de déploiement technique. Celui-ci contient une rubrique concernant la connexion à vos propres données et la personnalisations de celles-ci (connexion à GitHub requise).

Étapes suivantes

En savoir plus sur les technologies des composants :

En savoir plus sur les solutions de tarification :

Explorer les architectures connexes :