Interaktywna analiza cen przy użyciu danych historii transakcji

Data Factory
Usługa Machine Learning
Excel
Power BI
Blob Storage
SQL Database

Pomysł na rozwiązanie

Jeśli chcesz, abyśmy rozszerzyli ten artykuł o więcej informacji, takich jak potencjalne przypadki użycia, alternatywne usługi, zagadnienia dotyczące implementacji lub wskazówki dotyczące cen, daj nam znać, GitHub opinie!

Rozwiązanie Analiza cen korzysta z danych historii transakcji, aby pokazać, jak zapotrzebowanie na produkty odpowiada na ceny, które oferujesz. Zaleca ona zmiany cen i umożliwia symulowanie, jak zmiany cen wpłyną na Twoje zapotrzebowanie, przy szczegółowym poziomie szczegółowości.

Rozwiązanie udostępnia pulpit nawigacyjny, na którym można zobaczyć następujące elementy:

  • Optymalne zalecenia dotyczące cen.
  • Elastyczność elementów na poziomie segmentu kanału-witryny-elementu.
  • Oszacowania efektów związanych z produktem, takich jak kannibalizacja.
  • Prognozy dla bieżącego procesu.
  • Metryki wydajności modelu.

Bezpośrednia interakcja z modelem cen w Excel umożliwia:

  • Wklej tam dane sprzedaży i przeanalizuj ceny bez konieczności wcześniejszego integrowania danych z bazą danych rozwiązania.
  • Symuluj promocje i wykreślaj krzywe zapotrzebowania (pokazując odpowiedź zapotrzebowania na cenę).
  • Praca z danymi pulpitu nawigacyjnego w postaci liczbowej.

Rozbudowane funkcje nie są ograniczone do Excel. Jest on oparty na usługach internetowych, które Ty lub Partner implementacji możecie wywołać bezpośrednio z aplikacji biznesowych, integrując analizę cen z aplikacjami biznesowymi.

Potencjalne przypadki użycia

Ta architektura jest idealna dla branży detalicznej i zapewnia rekomendacje dotyczące cen, oszacowania i prognozy.

Architektura

Diagram architektury

Pobierz format SVG tej architektury.

  1. Azure Machine Learning tworzenie modeli cenowych.
  2. Usługa Azure Blob Storage przechowuje model i wszelkie wygenerowane dane pośrednie.
  3. Usługa Azure SQL Server przechowuje dane historii transakcji i wszelkie wygenerowane przewidywania modelu.
  4. Azure Data Factory służy do planowania okresowych (na przykład cotygodniowych) odświeżeń modelu.
  5. Power BI umożliwia wizualizację wyników.
  6. Excel arkusze kalkulacyjne zużywają predykcyjne usługi internetowe.

Składniki

Opis rozwiązania

Podstawą rygorystycznego przepływu pracy analizy cen jest modelowanie elastyczności cen i optymalne zalecenia dotyczące cen. Najnowocześniejsze podejście do modelowania zmniejsza dwa najgorsze pułapki związane z modelowaniem poufności cen na danych historycznych: zakłopotanie i rozrzedność danych.

Czynnikiem negatywnie wpływa na zapotrzebowanie jest obecność czynników innych niż cena. Korzystamy z metody "podwójnej ML", która odejmuje przewidywalne składniki zmiany cen i zapotrzebowania przed oszacowaniem elastyczności. Takie podejście ujednoliwia oszacowanie dla większości rodzajów zakłończających się czynników. Rozwiązanie może być również dostosowane przez partnera implementacji w celu wykorzystania danych w celu przechwytywania potencjalnych czynników zapotrzebowania zewnętrznego innych niż cena. Nasz wpis w blogu zawiera bardziej szczegółowe informacje na temat analizy danych cen.

Rozrzedność danych występuje, ponieważ optymalna cena różni się w zależności od jakości: firmy mogą ustawiać ceny według produktów, witryn, kanałów sprzedaży, a nawet segmentów klientów. Jednak rozwiązania cenowe często szacują tylko na poziomie kategorii produktów, ponieważ historia transakcji może zawierać tylko kilka transakcji sprzedaży dla każdej konkretnej sytuacji. Nasze rozwiązanie cenowe używa "hierarchicznej regularyzacji", aby tworzyć spójne oszacowania w takich sytuacjach, w których dane są słabe: w przypadku braku dowodów model wypożycza informacje z innych elementów w tej samej kategorii, tych samych elementów w innych witrynach i tak dalej. Wraz ze wzrostem ilości danych historycznych w danej kombinacji kanału lokacji-elementu szacowana elastyczność będzie dokładniej dostrojona.

W tym rozwiązaniu analizy cen pokazano, jak można opracować model cen dla produktów oparty na szacunkach elastyczności na podstawie danych historii transakcji. To rozwiązanie jest skierowane do średnich firm z małymi zespołami cenowymi, które nie mają rozbudowanego wsparcia nauki o danych dla odpowiednich modeli analizy cen.

Interakcja z modelem cen jest Excel gdzie można łatwo wkleić dane sprzedaży i przeanalizować ceny bez konieczności wcześniejszego integrowania danych z bazą danych rozwiązania. W arkuszu kalkulacyjnym można symulować promocje i wykreślać krzywe zapotrzebowania (pokazując odpowiedzi na zapotrzebowanie na cenę) i uzyskać dostęp do danych pulpitu nawigacyjnego w postaci liczbowej. Dostęp do rozbudowanych funkcji modelu cenowego można również uzyskać z usług internetowych, integrując analizę cen bezpośrednio z aplikacjami biznesowymi.

Azure Machine Learning to podstawowa logika w tym rozwiązaniu, na podstawie której tworzone są modele elastyczności. Modele uczenia maszynowego można skonfigurować za pomocą , aby uniknąć dwóch typowych pułapek modelowania cen na danych historycznych: zakłóceń i rozrzedności danych.

Rozwiązanie zapewnia następujące korzyści:

  • Na pierwszy rzut oka (za pośrednictwem pulpitu nawigacyjnego) widać, jak elastyczne jest zapotrzebowanie na produkty.
  • Zawiera zalecenia dotyczące cen dla każdego produktu w katalogu produktów.
  • Odnajduje powiązane produkty (zamienniki i uzupełnienia).
  • Umożliwia symulowanie scenariuszy promocyjnych w Excel.

Wdrażanie tego scenariusza

Rozwiązanie z galerii AI, które jest implementacją tej architektury rozwiązania, ma dwie kluczowe role: zasoby techniczne i użytkowników końcowych (na przykład menedżerów cen).

Zasoby techniczne wdrażają rozwiązanie i łączą je z magazynem danych biznesowych. Aby uzyskać więcej informacji, przeczytaj Przewodnik techniczny. Użytkownicy końcowi korzystający z modelu za pośrednictwem arkusza kalkulacyjnego (lub zintegrowani z aplikacją biznesową) powinni przeczytać Podręcznik użytkownika.

Wprowadzenie

Wd wdrażaj rozwiązanie za pomocą przycisku po prawej stronie. Instrukcje na końcu wdrożenia będą zawierały ważne informacje o konfiguracji. Pozostaw je otwarte.

Rozwiązanie jest wdrażane z tym samym przykładowym zestawem danych cen soku pomarańczowego, który znajduje się za przyciskiem Wypróbuj teraz po prawej stronie.

Podczas wdrażania rozwiązania można rozpocząć wdrażanie i wykonać następujące czynności:

  • Zobacz, co jest dostępne na pulpicie nawigacyjnym Wypróbuj teraz.
  • Zapoznaj się z podręcznikiem użytkownika, aby uzyskać instrukcje dotyczące użycia z perspektywy analityka cen (wymagana jest nazwa logowania MSFT).
  • Zapoznaj się z przewodnikiem wdrażania technicznego, aby zapoznać się z technicznym widokiem implementacji (wymagany jest identyfikator logowania MSFT).
  • Pobierz arkusz Excel interaktywnego.

Po wdrożeniu rozwiązania wykonaj pierwszy przewodnik (wymagany jest identyfikator logowania MSFT).

Pulpit nawigacyjny rozwiązania

Najbardziej akcję na pulpicie nawigacyjnym rozwiązania stanowi karta Sugestia cennika. Informuje o tym, które elementy są zaniowane lub przeceny. Karta sugeruje optymalną cenę dla każdego elementu i przewidywany wpływ przyjęcia sugestii. Sugestie są priorytetami największej szansy na zyskanie przyrostowej marży brutto.

Implementacja tego pomysłu na rozwiązanie analizy cen jest opisana w rozwiązaniu z galerii AI i GitHub repro. Rozwiązanie z galerii AI korzysta z danych historii transakcji, aby pokazać, w jaki sposób zapotrzebowanie na produkty odpowiada na oferty cen, zaleca zmiany cen i umożliwia symulowanie, jak zmiany cen wpływają na zapotrzebowanie, na bardzo szczegółowym poziomie. Rozwiązanie udostępnia pulpit nawigacyjny, na którym można zobaczyć optymalne zalecenia dotyczące cen, elastyczność elementów na poziomie segmentu kanału-witryny-elementu, szacowane efekty związane z produktami, takie jak "kannibalizacja", prognozy dla bieżącego procesu i metryki wydajności modelu.

Architektura rozwiązania

Rozwiązanie używa wystąpienia Azure SQL Database do przechowywania danych transakcyjnych i wygenerowanych przewidywań modelu. Istnieje kilkadziesiąt podstawowych usług modelowania elastyczności, które są autorstwa w usłudze Azure ML przy użyciu podstawowych bibliotek języka Python. Azure Data Factory planuje cotygodniowe odświeżanie modelu. Wyniki są wyświetlane na pulpicie Power BI nawigacyjnym. Podany arkusz Excel danych zużywa predykcyjne usługi sieci Web.

Przeczytaj Przewodnik wdrażania technicznego, aby zapoznać się z bardziej szczegółowym omówieniem architektury, w tym tematem łączenia własnych danych i dostosowywania (wymagane GitHub logowania).

Cennik

Aby obliczyć bieżące oszacowanie, użyj kalkulatora cen platformy Azure. Szacowane rozwiązanie powinno obejmować następujące koszty usług:

  • Plan usługi ML standardowa S1
  • S2 SQL Database
  • Plan hostingu aplikacji
  • Różne działania związane z danymi usługi ADF i koszty magazynowania

Jeśli dopiero poznasz rozwiązanie, możesz je usunąć w ciągu kilku dni lub godzin. Opłaty zostaną zatrzymane po usunięciu składników platformy Azure.

Następne kroki

Dowiedz się więcej o technologiach składowych:

Dowiedz się więcej o rozwiązaniach cenowych:

Zapoznaj się z powiązanymi architekturami: