Korzystanie z modelu prognozowania zapotrzebowania na potrzeby optymalizacji cen

To rozwiązanie przewiduje przyszłe zapotrzebowanie klientów i optymalizuje ceny, aby zmaksymalizować zyskowność przy użyciu danych big data i zaawansowanych usług analitycznych z platformy Microsoft Azure.

Architektura

Pobierz plik programu Visio z tą architekturą.

Przepływ danych

Platforma sztucznej inteligencji firmy Microsoft udostępnia zaawansowane narzędzia analityczne, takie jak pozyskiwanie danych, przechowywanie, przetwarzanie i zaawansowane składniki analizy. Te narzędzia są podstawowymi elementami tworzenia rozwiązania do prognozowania zapotrzebowania i optymalizacji cen.

1. Usługa Azure Data Lake (lub Azure Blob Storage) przechowuje cotygodniowe nieprzetworzone dane sprzedaży.
2. Platforma Apache Spark dla usługi Azure HDInsight pozyskuje dane i wykonuje wstępne przetwarzanie danych, modelowanie prognozowania i algorytmy optymalizacji cen.
3. Usługa Azure Data Factory organizuje i planuje cały przepływ danych.

Elementy

• Usługa Azure Data Lake Storage przechowuje cotygodniowe nieprzetworzone dane sprzedaży, które są odczytywane przez platformę Spark w usłudze HDInsight. Alternatywnie użyj usługi Azure Blob Storage.
• Platforma Spark w usłudze HDInsight pozyskuje dane i wykonuje wstępne przetwarzanie danych, modelowanie prognozowania i algorytmy optymalizacji cen.
• Usługa Data Factory obsługuje aranżację i planowanie ponownego trenowania modelu.
• Usługa Power BI umożliwia wizualizację wyników; monitoruj wyniki sprzedaży i przewidywane przyszłe zapotrzebowanie oraz zalecane optymalne ceny.

Szczegóły scenariusza

Określanie cen jest kluczowe w wielu branżach, ale może być jednym z najbardziej wymagających zadań. Firmy często mają trudności z dokładnym prognozowaniem wpływu fiskalnego potencjalnej taktyki, w pełni uwzględniają podstawowe ograniczenia biznesowe i sprawiedliwie weryfikują decyzje cenowe po ich podjęciu. Ponieważ oferty produktów są rozszerzane, a za decyzjami cenowymi podejmowanymi w czasie rzeczywistym stoją skomplikowane obliczenia, proces staje się coraz trudniejszy.

To rozwiązanie stawia czoła tym wyzwaniom dzięki możliwości korzystania z historycznych danych transakcji i pozwala na szkolenie modelu prognozowania popytu w kontekście handlu detalicznego. Uwzględnia ono również proces określania cen produktów w grupie konkurentów w celu przewidywania kanibalizacji i innych czynników mających wpływ na różne produkty. Następnie algorytm optymalizacji cen używa tego modelu do prognozowania popytu w różnych punktach cenowych i czynników związanych z ograniczeniami biznesowymi w celu maksymalizacji potencjalnych zysków.

Opisany powyżej proces można zoperacjonalizować i wdrożyć na platformie sztucznej inteligencji firmy Microsoft.

Potencjalne przypadki użycia

Dzięki temu rozwiązaniu można pozyskiwać historyczne dane transakcji, przewidywać przyszłe zapotrzebowanie i regularnie optymalizować ceny, co pozwala zaoszczędzić czas i nakład pracy na zadania cenowe.

Następne kroki

Zobacz dokumentację produktu:

• Dowiedz się więcej o usłudze Data Lake Store
• Rozpoczynanie pracy z usługą HDInsight przy użyciu klastra Spark z serwerem R Server
• Dowiedz się więcej o usłudze Data Factory
• Dowiedz się więcej o usłudze Power BI

Linki zewnętrzne dotyczące prognozowania:

• Prognozowanie popytu i optymalizacja cen w galerii sztucznej inteligencji platformy Azure

Powiązane zasoby

Zobacz powiązane artykuły centrum architektury platformy Azure:

• Prognozowanie zapotrzebowania na wysyłkę i dystrybucję
• Prognozowanie zapotrzebowania za pomocą usługi Azure Stream Analytics i linii maszyny