Oplossingsideeën
Dit artikel is een oplossingsidee. Als u wilt dat we de inhoud uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsrichtlijnen, laat het ons dan weten door GitHub-feedback te geven.
Deze oplossing voorspelt toekomstige vraag van klanten en optimaliseert prijzen om de winstgevendheid te maximaliseren met behulp van big data en geavanceerde analyseservices van Microsoft Azure.
Architectuur
Een Visio-bestand van deze architectuur downloaden.
Gegevensstroom
Microsoft AI-platform biedt geavanceerde analysehulpprogramma's, zoals gegevensopname, opslag, verwerking en geavanceerde analyseonderdelen. Deze hulpprogramma's zijn de essentiële elementen voor het bouwen van een oplossing voor het voorspellen van de vraag en prijsoptimalisatie.
- Azure Data Lake (of Azure Blob Storage) slaat de wekelijkse onbewerkte verkoopgegevens op.
- Apache Spark voor Azure HDInsight neemt de gegevens op en voert gegevensvoorverwerking, prognosemodellering en prijsoptimalisatiealgoritmen uit.
- De volledige gegevensstroom wordt geordend en gepland met Azure Data Factory.
Onderdelen
- Azure Data Lake Storage slaat de wekelijkse onbewerkte verkoopgegevens op, die worden gelezen door Spark in HDInsight. Als alternatief kunt u Azure Blob Storage gebruiken.
- Spark in HDInsight neemt de gegevens op en voert gegevensvoorverwerking, prognosemodellering en prijsoptimalisatiealgoritmen uit.
- Data Factory verwerkt indeling en planning van het opnieuw trainen van het model.
- Power BI maakt visualisatie van resultaten mogelijk; bewaak de resultaten van de verkoop en voorspelde toekomstige vraag en aanbevolen optimale prijzen.
Scenariodetails
Het bepalen van prijzen is voor veel sectoren een van de kerntaken. Dit brengt echter vaak veel uitdagingen met zich mee. Bedrijven hebben vaak moeite om de fiscale impact van mogelijke tactieken nauwkeurig te voorspellen, volledig rekening te houden met de belangrijkste zakelijke beperkingen en redelijk prijsbeslissingen te valideren zodra ze zijn gemaakt. Het proces wordt nog moeilijker wanneer het productaanbod toeneemt waardoor de berekeningen achter de realtime beslissingen complexer worden.
Deze oplossing helpt u uitdagingen het hoofd te bieden door met historische transactiegegevens een model dat de vraag voorspelt te trainen in een retailcontext. Ook houdt deze oplossing rekening met de productprijzen van een concurrerende groep om kannibalisatie en meer impact van andere producten te voorspellen. Dat model wordt vervolgens door een algoritme voor prijsoptimalisatie gebruikt om de vraag op diverse prijspunten te voorspellen waarbij rekening wordt gehouden met de bedrijfsbeperkingen, om de mogelijke winst te maximaliseren.
Het hierboven beschreven proces kan worden operationeel en geïmplementeerd in het Microsoft AI-platform.
Potentiële gebruikscases
Met deze oplossing kunt u historische transactiegegevens opnemen, toekomstige vraag voorspellen en prijzen regelmatig optimaliseren, waardoor u tijd en moeite bespaart die u zou besteden aan prijstaken.
Volgende stappen
Raadpleeg de productdocumentatie:
- Meer informatie over Data Lake Store
- Aan de slag met HDInsight met behulp van een Spark-cluster met R Server
- Meer informatie over Data Factory
- Meer informatie over Power BI
Externe koppelingen over prognoses:
- Vraagprognoses en prijsoptimalisatie in de Azure AI Gallery
Verwante resources
Zie verwante Artikelen over Azure Architecture Center: