Interactieve prijsanalyse met transactiegeschiedenisgegevens

Data Factory
Machine Learning
Excel
Power BI
Blob Storage
SQL Database

Oplossingsidee

Als u wilt dat we dit artikel uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsinformatie, laat het ons dan weten met GitHub Feedback!

De Prijsanalyse gebruikt uw transactionele geschiedenisgegevens om te laten zien hoe de vraag naar uw producten reageert op de prijzen die u aanbiedt. Het raadt prijswijzigingen aan en stelt u in staat om met een goede granulariteit te simuleren hoe wijzigingen in de prijs van invloed zijn op uw vraag.

De oplossing biedt een dashboard waarin u het volgende kunt zien:

  • Optimale prijsaanbevelingen.
  • Elastische items op item-sitekanaalsegmentniveau.
  • Schattingen van gerelateerde producteffecten, zoals modernisering.
  • Prognoses op het huidige proces.
  • Metrische gegevens voor modelprestaties.

Met behulp van directe interactie met het prijsmodel in Excel kunt u het volgende doen:

  • Plak uw verkoopgegevens daar en analyseer uw prijzen zonder dat u de gegevens eerst in de oplossingsdatabase hoeft te integreren.
  • Simuleer promoties en plot vraagcurven (met reactie op de vraag op prijs).
  • Werken met dashboardgegevens in numerieke vorm.

De uitgebreide functionaliteit is niet beperkt tot Excel. Het wordt aangestuurd door webservices die u of uw implementatiepartner rechtstreeks vanuit uw zakelijke toepassingen kunnen aanroepen, waarbij u prijsanalyse integreert in uw zakelijke toepassingen.

Potentiële gebruikscases

Deze architectuur is ideaal voor de detailhandel en biedt prijsaanbevelingen, schattingen en prognoses.

Architectuur

Architectuurdiagram

Download een SVG van deze architectuur.

  1. Azure Machine Learning maakt het bouwen van prijsmodellen mogelijk.
  2. Azure Blob Storage slaat het model en eventuele tussenliggende gegevens op die worden gegenereerd.
  3. Azure SQL Server slaat transactiegeschiedenisgegevens en gegenereerde modelvoorspellingen op.
  4. Azure Data Factory wordt gebruikt om periodieke (bijvoorbeeld wekelijkse) modelvernieuwingen te plannen.
  5. Power BI maakt een visualisatie van de resultaten mogelijk.
  6. Excel spreadsheets gebruiken voorspellende webservices.

Onderdelen

Beschrijving van de oplossing

De kern van een strenge werkstroom voor prijsanalyse is het modelleren van prijs elasticiteit en optimale prijsaanbevelingen. De state-of-the-art modelleringsbenadering vermindert de twee slechtste valkuilen van de gevoeligheid van modelleringsprijzen van historische gegevens: verwarrende gegevens en sparsiteit van gegevens.

Verwarrend is de aanwezigheid van andere factoren dan de prijs die van invloed zijn op de vraag. We gebruiken een 'double-ML'-benadering die de voorspelbare onderdelen van prijs- en vraagvariatie af trekt voordat we de elasticiteit schatten. Met deze benadering worden de schattingen voor de meeste vormen van verwarrende kosten niet meer in de weg geschatte. De oplossing kan ook worden aangepast door een implementatiepartner om uw gegevens te gebruiken voor het vastleggen van potentiële externe vraagdy's, met andere factoren dan prijs. In onze blogpost wordt meer informatie over de data science van prijzen beschreven.

Gegevensver sparsiteit treedt op omdat de optimale prijs per product, site, verkoopkanaal en zelfs klantsegment varieert: bedrijven kunnen prijzen instellen per artikel, site, verkoopkanaal en zelfs klantsegment. Maar prijsoplossingen geven vaak alleen schattingen op productcategorieniveau, omdat de transactiegeschiedenis slechts enkele verkopen voor elke specifieke situatie kan bevatten. Onze prijsoplossing maakt gebruik van 'hiërarchische regularisatie' om consistente schattingen te maken in dergelijke situaties met slechte gegevens: als er geen bewijs is, worden er gegevens van andere items in dezelfde categorie, dezelfde items op andere sites, en meer gebruikt. Naarmate de hoeveelheid historische gegevens op een bepaalde combinatie item-sitekanaal toeneemt, wordt de elasticiteitsschatting specifieker afgestemd.

Deze oplossing voor prijsanalyse laat zien hoe u een prijsmodel kunt ontwikkelen voor producten die zijn gebaseerd op elasticiteitsschattingen op basis van transactiegeschiedenisgegevens. Deze oplossing is bedoeld voor middelgrote bedrijven met kleine prijsteams die geen uitgebreide data science-ondersteuning voor op maat gemaakte prijsanalysemodellen hebben.

Interactie met het prijsmodel vindt plaats via Excel waar u eenvoudig uw verkoopgegevens kunt plakken en uw prijzen kunt analyseren zonder dat u de gegevens eerst in de oplossingsdatabase hoeft te integreren. In het werkblad kunt u promoties simuleren en vraagcurven plotten (waarin de vraag op prijs wordt weergegeven) en dashboardgegevens in numerieke vorm openen. De uitgebreide functionaliteit van het prijsmodel is ook toegankelijk via webservices, waarbij prijsanalyses rechtstreeks in uw zakelijke toepassingen worden geïntegreerd.

Azure Machine Learning is de kernlogica in deze oplossing van waaruit elasticiteitsmodellen worden gemaakt. Machine learning-modellen kunnen worden ingesteld met om twee veelvoorkomende valkuilen van prijsmodelleren te voorkomen op de hand van historische gegevens: verwarrende effecten en gegevens sparsiteit.

De oplossing biedt de volgende voordelen:

  • Laat in één oogopslag (via het dashboard) zien hoe elastisch de vraag naar uw product is.
  • Biedt prijsaanbevelingen voor elk product in uw artikelcatalogus.
  • Detecteert verwante producten (vervangingen en aanvullingen).
  • Hiermee kunt u aanbiedingsscenario's in Excel.

Dit scenario implementeren

De oplossing AI Gallery, een implementatie van deze oplossingsarchitectuur, heeft twee belangrijke rollen: technische resources en eindgebruikers (zoals prijsmanagers).

Technische bronnen implementeren de oplossing en verbinden deze met een zakelijke datawarehouse. Lees de technische handleiding voor meer informatie. Eindgebruikers die het model gebruiken via een spreadsheet (of geïntegreerd in een bedrijfstoepassing), moeten de gebruikershandleiding lezen.

Aan de slag

Implementeer de oplossing met de knop aan de rechterkant. Instructies aan het einde van de implementatie bevatten belangrijke configuratiegegevens. Laat ze open.

De oplossing wordt geïmplementeerd met dezelfde voorbeeldgegevensset met sinaasappelsapprijzen die u vindt achter de knop Try-It-Now aan de rechterkant.

Terwijl de oplossing wordt geïmplementeerd, kunt u meteen aan de slag en het volgende doen:

  • Bekijk wat er beschikbaar is in het dashboard Try-It-Now.
  • Lees de gebruikershandleiding voor gebruiksinstructies vanuit het perspectief van een prijsanalist (MSFT-aanmelding vereist).
  • Bekijk de Technical Deployment Guide voor een technische implementatieweergave (MSFT-aanmelding vereist).
  • Download het interactieve Excel werkblad.

Nadat de oplossing is geïmplementeerd, voltooit u de eerste walkthrough (MSFT-aanmelding vereist).

Dashboard van de oplossing

Het meest gebruiksbare onderdeel van het oplossingsdashboard is het tabblad Prijssuggestie. Het geeft aan welke van uw items onder de metrische gegevens vallen of worden beschadigd. Op het tabblad wordt een optimale prijs voor elk item en de voorspelde impact van het in gebruik nemen van de suggestie weergegeven. De suggesties worden geprioriteerd door de grootste kans om een incrementele brutomarge te verdienen.

Een implementatie van deze oplossing voor prijsanalyse wordt beschreven in de oplossing AI Gallery en GitHub repro. De ai Gallery-oplossing maakt gebruik van uw transactionele geschiedenisgegevens om te laten zien hoe de vraag naar uw producten reageert op de prijzen die u aanbiedt, prijswijzigingen aanbeveelt en u in staat stellen om met een goede granulariteit te simuleren hoe wijzigingen in de prijs van invloed zijn op uw vraag. De oplossing biedt een dashboard, waarin u optimale prijsaanbevelingen, elastische items op item-sitekanaalsegmentniveau, schattingen van gerelateerde producteffecten, zoals 'modernisering', prognoses op basis van het huidige proces en metrische modelprestatiegegevens kunt zien.

Architectuur voor de oplossing

De oplossing gebruikt een Azure SQL Database voor het opslaan van uw transactionele gegevens en de gegenereerde modelvoorspellingen. Er zijn tientallen kernservices voor elasticiteitsmodelleer, die zijn geschreven in Azure ML met behulp van Python-kernbibliotheken. Azure Data Factory wekelijkse modelvernieuwingen gepland. De resultaten worden weergegeven in een Power BI dashboard. Het opgegeven Excel spreadsheet verbruikt de voorspellende webservices.

Lees de Technical Deployment Guide (Handleiding voor technische implementatie) voor een gedetailleerdere bespreking van de architectuur, inclusief het onderwerp over het verbinden van uw eigen gegevens en aanpassing (GitHub aanmelding vereist).

Prijzen

Gebruik de Azure-prijscalculator om een huidige schatting te berekenen. De geschatte oplossing moet de volgende servicekosten bevatten:

  • S1 Standard ML serviceplan
  • S2 SQL Database
  • Hostingplan voor apps
  • Diverse ADF-gegevensactiviteiten en opslagkosten

Als u alleen de oplossing verkent, kunt u deze binnen een paar dagen of uren verwijderen. Er worden geen kosten meer in rekening gebracht wanneer u de Azure-onderdelen verwijdert.

Volgende stappen

Meer informatie over de onderdeeltechnologieën:

Meer informatie over prijsoplossingen:

Gerelateerde architecturen verkennen: