Analisi interattiva dei prezzi con i dati della cronologia delle transazioni

Data Factory
Machine Learning
Excel
Power BI
Archiviazione BLOB
Database SQL

Idea della soluzione

Se si desidera vedere questo articolo con altre informazioni, ad esempio potenziali casi d'uso, servizi alternativi, considerazioni sull'implementazione o linee guida sui prezzi, è possibile inviare commenti e suggerimenti GitHub!

La Analisi dei prezzi usa i dati della cronologia transazionale per mostrare in che modo la domanda dei prodotti risponde ai prezzi offerti. Consiglia le modifiche ai prezzi e consente di simulare il modo in cui le variazioni di prezzo influiranno sulla domanda, con una granularità fine.

La soluzione fornisce un dashboard in cui è possibile visualizzare quanto segue:

  • Raccomandazioni sui prezzi ottimali.
  • Elasticità degli elementi a livello item-site-channel-segment.
  • Stime degli effetti correlati al prodotto, ad esempio la cannibalizzazione.
  • Previsioni in base al processo corrente.
  • Metriche delle prestazioni del modello.

Usando l'interazione diretta con il modello Excel prezzi, è possibile:

  • Incollare i dati di vendita e analizzare i prezzi senza dover prima integrare i dati nel database della soluzione.
  • Simulare promozioni e tracciare curve della domanda (che mostrano la risposta della domanda al prezzo).
  • Usare i dati del dashboard in formato numerico.

La funzionalità completa non è limitata a Excel. È basata su servizi Web che l'utente o il partner di implementazione può chiamare direttamente dalle applicazioni aziendali, integrando l'analisi dei prezzi nelle applicazioni aziendali.

Potenziali casi d'uso

Questa architettura è ideale per il settore della vendita al dettaglio, fornendo raccomandazioni sui prezzi, stime e previsioni.

Architecture

Diagramma dell'architettura

Scaricare un SVG di questa architettura.

  1. Azure Machine Learning consente la creazione di modelli tariffario.
  2. L'Archiviazione BLOB di Azure archivia il modello e tutti i dati intermedi generati.
  3. Azure SQL Server i dati della cronologia delle transazioni e le stime del modello generate.
  4. Azure Data Factory viene usato per pianificare aggiornamenti periodici del modello (ad esempio, settimanali).
  5. Power BI consente una visualizzazione dei risultati.
  6. Excel fogli di calcolo utilizzano servizi Web predittivi.

Componenti

Descrizione della soluzione

Alla base di un flusso di lavoro rigoroso di analisi dei prezzi sono la modellazione dell'elasticità dei prezzi e le raccomandazioni sui prezzi ottimali. L'approccio di modellazione all'avanguardia mitiga le due peggiori insidie della modellazione della sensibilità dei prezzi dai dati cronologici: confondere e sparsità dei dati.

Confondere è la presenza di fattori diversi dal prezzo che influiscono sulla domanda. Si usa un approccio "double-ML" che sottrae i componenti prevedibili della variazione di prezzo e domanda prima di stimare l'elasticità. Questo approccio vaccina le stime alla maggior parte delle forme di confondere. La soluzione può anche essere personalizzata da un partner di implementazione per usare i dati che acquisisce potenziali driver della domanda esterna diversi dal prezzo. Il post di blog fornisce informazioni più dettagliate sulla data science dei prezzi.

La sparsità dei dati si verifica perché il prezzo ottimale varia a grana fine: le aziende possono impostare i prezzi in base all'articolo, al sito, al canale di vendita e persino al segmento di clienti. Tuttavia, le soluzioni di prezzi spesso forniscono stime solo a livello di categoria di prodotto, perché la cronologia delle transazioni può contenere solo alcune vendite per ogni situazione specifica. La soluzione di determinazione dei prezzi usa la "regolarizzazione gerarchica" per produrre stime coerenti in situazioni di scarsa qualità dei dati: in assenza di prove, il modello prende in prestito le informazioni da altri elementi nella stessa categoria, dagli stessi elementi in altri siti e così via. Con l'aumentare della quantità di dati cronologici in una determinata combinazione elemento-sito-canale, la stima dell'elasticità verrà ottimizzata in modo più specifico.

Questa idea di soluzione di analisi dei prezzi illustra come sviluppare un modello tariffario per i prodotti basato su stime di elasticità dai dati della cronologia delle transazioni. Questa soluzione è destinata alle aziende di medie dimensioni con team di prezzi di piccole dimensioni che non data science supporto per modelli di analisi dei prezzi su misura.

L'interazione con il modello tariffario avviene tramite Excel in cui è possibile incollare facilmente i dati di vendita e analizzare i prezzi senza dover prima integrare i dati nel database della soluzione. Nel foglio di calcolo è possibile simulare promozioni e tracciare curve della domanda (che mostrano la risposta della domanda al prezzo) e accedere ai dati del dashboard in formato numerico. Le funzionalità avanzate del modello tariffario sono accessibili anche dai servizi Web, integrando l'analisi dei prezzi direttamente nelle applicazioni aziendali.

Azure Machine Learning è la logica di base in questa soluzione da cui vengono creati i modelli di elasticità. I modelli di Machine Learning possono essere impostati con per evitare due insidie comuni della modellazione dei prezzi dai dati cronologici: effetti confondibili e sparsità dei dati.

La soluzione offre i vantaggi seguenti:

  • Mostra in un'unica occhiata (tramite il dashboard) quanto è elastica la domanda del prodotto.
  • Fornisce consigli sui prezzi per ogni prodotto nel catalogo di elementi.
  • Individua i prodotti correlati (sostituzioni e complementi).
  • Consente di simulare scenari promozionali in Excel.

Distribuire lo scenario

La soluzione AI Gallery, che è un'implementazione di questa architettura di soluzione, ha due ruoli chiave: risorse tecniche e utenti finali ,ad esempio i responsabili dei prezzi.

Le risorse tecniche distribuiscono la soluzione e la connettono a un'azienda data warehouse. Per altre informazioni, vedere la Guida tecnica. Gli utenti finali che usano il modello tramite un foglio di calcolo (o integrati in un'applicazione aziendale) devono leggere la Guida dell'utente.

Introduzione

Distribuire la soluzione con il pulsante a destra. Le istruzioni alla fine della distribuzione avranno importanti informazioni di configurazione. Lasciarli aperti.

La soluzione viene distribuita con lo stesso set di dati di esempio dei prezzi dei succhi di arancione che si trovano dietro il pulsante Prova adesso a destra.

Durante la distribuzione della soluzione, è possibile iniziare a eseguire le operazioni seguenti:

  • Vedere cosa è disponibile nel dashboard Try-It-Now.
  • Leggere la Guida dell'utente per istruzioni sull'utilizzo dal punto di vista di un analista dei prezzi (è necessario l'accesso MSFT).
  • Vedere la Guida alla distribuzione tecnica per una visualizzazione di implementazione tecnica (è necessario l'accesso MSFT).
  • Scaricare il foglio di Excel interattivo.

Dopo la distribuzione della soluzione, completare la prima procedura dettagliata (è necessario l'accesso MSFT).

Dashboard della soluzione

La parte più efficace del dashboard della soluzione è la scheda Suggerimento prezzi. Indica quali degli elementi sono sottosopriti o troppo costoso. La scheda suggerisce un prezzo ottimale per ogni elemento e l'impatto previsto dell'adozione del suggerimento. Ai suggerimenti viene assegnata la priorità in base alla maggiore opportunità di ottenere un margine lordo incrementale.

Un'implementazione di questa idea di soluzione di analisi dei prezzi è descritta nella soluzione AI Gallery e GitHub repro. La soluzione AI Gallery usa i dati della cronologia transazionale per mostrare in che modo la domanda dei prodotti risponde ai prezzi offerti, consiglia le modifiche ai prezzi e consente di simulare il modo in cui le variazioni di prezzo influiranno sulla domanda, con una granularità fine. La soluzione offre un dashboard, in cui è possibile visualizzare raccomandazioni sui prezzi ottimali, elasticità degli elementi a livello di segmento elemento-sito-canale, stime degli effetti correlati al prodotto, ad esempio "cannibalizzazione", previsioni in base al processo corrente e metriche delle prestazioni del modello.

Architettura della soluzione

La soluzione usa un'database SQL di Azure per archiviare i dati transazionali e le stime del modello generato. Sono disponibili una decina di servizi di base di modellazione dell'elasticità, creati in Azure ML le librerie di base Python. Azure Data Factory pianifica gli aggiornamenti settimanali del modello. I risultati vengono visualizzati in un dashboard Power BI dati. Il foglio Excel foglio di calcolo usa i servizi Web predittivi.

Leggere la Guida alla distribuzione tecnica per una descrizione più dettagliata dell'architettura, incluso l'argomento relativo alla connessione dei propri dati e alla personalizzazione (GitHub necessario l'accesso).

Prezzi

Per calcolare una stima corrente, usare il calcolatore prezzi di Azure. La soluzione stimata deve includere i costi del servizio seguenti:

  • Piano di servizio ML standard S1
  • S2 database SQL
  • Piano di hosting delle app
  • Attività e costi di archiviazione dei dati ADF vari

Se si sta semplicemente esplorando la soluzione, è possibile eliminarla in pochi giorni o ore. I costi non verranno addebitati quando si eliminano i componenti di Azure.

Passaggi successivi

Altre informazioni sulle tecnologie dei componenti:

Altre informazioni sulle soluzioni per i prezzi:

Esplorare le architetture correlate: