Análise de preços interativa usando dados de histórico de transações

Data Factory
Machine Learning
Excel
Power BI
Armazenamento de Blobs
Banco de Dados SQL

Ideia da solução

se você quiser nos ver, expanda este artigo com mais informações, como casos de uso em potencial, serviços alternativos, considerações sobre implementação ou diretrizes de preços, fale conosco com GitHub comentários!

A Análise de Preços usa seus dados de histórico transacional para mostrar como a demanda de seus produtos responde aos preços oferecidos. Ele recomenda alterações de preços e permite simular como as alterações no preço afetariam sua demanda, com uma granularidade fina.

A solução fornece um painel no qual você pode ver o seguinte:

  • Recomendações de preços ideais.
  • Elasticidades de item em um nível de item-site-channel-segment.
  • Estimativas de efeitos relacionados ao produto, como decodização.
  • Previsões determinadas pelo processo atual.
  • Métricas de desempenho do modelo.

Usando a interação direta com o modelo de preços Excel, você pode:

  • Colar os dados de vendas lá e analisar os preços sem a necessidade de integrar os dados ao banco de dados da solução primeiro.
  • Simular promoções e plotar curvas de demanda (mostrando a resposta da demanda ao preço).
  • Trabalhe com dados de dashboard em formato numérico.

A funcionalidade avançada não está limitada a Excel. Ele é orientado por serviços Web que você ou seu parceiro de implementação pode chamar diretamente de seus aplicativos de negócios, integrando a análise de preços em seus aplicativos de negócios.

Possíveis casos de uso

Essa arquitetura é ideal para o setor de varejo, fornecendo recomendações de preços, estimativas e previsões.

Arquitetura

Diagrama da Arquitetura

Baixe um SVG dessa arquitetura.

  1. Azure Machine Learning habilita a criação de modelos de preços.
  2. O Azure Blob Armazenamento armazena o modelo e todos os dados intermediários gerados.
  3. O Azure SQL Server armazena dados de histórico de transações e quaisquer previsões de modelo geradas.
  4. Azure Data Factory é usado para agendar atções periódicas do modelo (por exemplo, semanal).
  5. Power BI permite uma visualização dos resultados.
  6. Excel planilhas consomem serviços Web preditivos.

Componentes

Descrição da solução

No núcleo de um fluxo de trabalho rigoroso de análise de preços está a modelagem de elasticidade de preço e as recomendações de preços ideais. A abordagem de modelagem de última geração atenua as duas piores armadilhas da modelagem de sensibilidade de preço de dados históricos: confusão e esparsidade de dados.

Confusão é a presença de fatores que não são o preço que afetam a demanda. Usamos uma abordagem "double-ML" que subtrai os componentes previsíveis da variação de preço e demanda antes de estimar a elasticidade. Essa abordagem esvaiiza as estimativas para a maioria das formas de confusão. A solução também pode ser personalizada por um parceiro de implementação para usar seus dados capturando potenciais drivers de demanda externos que não sejam o preço. Nossa postagem no blog fornece mais detalhes sobre a ciência de dados de preços.

A moderação de dados ocorre porque o preço ideal varia de acordo com uma granulação fina: as empresas podem definir preços por item, site, canal de vendas e até mesmo segmento de cliente. Mas as soluções de preços geralmente só dão estimativas no nível da categoria do produto, porque o histórico de transações pode conter apenas algumas vendas para cada situação específica. Nossa solução de preços usa "regularização hierárquica" para produzir estimativas consistentes em tais situações de dados ruins: na ausência de evidências, o modelo usa informações de outros itens na mesma categoria, os mesmos itens em outros sites e assim por diante. À medida que a quantidade de dados históricos em uma determinada combinação de item-site-channel aumenta, sua estimativa de elasticidade será ajustada mais especificamente.

Essa ideia de solução de análise de preços mostra como você pode desenvolver um modelo de preços para produtos baseados em estimativas de elasticidade de dados de histórico de transações. Essa solução é direcionada a empresas de médio porte com equipes de preços pequenas que não têm amplo suporte de ciência de dados para modelos de análise de preços sob medida.

A interação com o modelo de preços é por meio de Excel em que você pode colar facilmente seus dados de vendas e analisar seus preços sem a necessidade de integrar os dados ao banco de dados da solução primeiro. Na planilha, você pode simular promoções e plotar curvas de demanda (mostrando a resposta da demanda ao preço) e acessar dados do painel em formato numérico. A funcionalidade avançada do modelo de preços também pode ser acessada por meio de serviços Web, integrando a análise de preços diretamente em seus aplicativos de negócios.

Azure Machine Learning é a lógica principal nesta solução da qual os modelos de elasticidade são criados. Os modelos de machine learning podem ser definidos com para evitar duas armadilhas comuns da modelagem de preços de dados históricos: efeitos de confusão e esparsidade de dados.

A solução oferece as seguintes vantagens:

  • Mostra rapidamente (por meio do painel) como a demanda do produto é elástica.
  • Fornece recomendações de preços para cada produto em seu catálogo de itens.
  • Descobre produtos relacionados (substituições e complementos).
  • Permite simular cenários promocionais Excel.

Implantar este cenário

A solução galeria de IA, que é uma implementação dessa arquitetura de solução, tem duas funções principais: recursos técnicos e usuários finais (como gerenciadores de preços).

Os recursos técnicos implantam a solução e a conectam a uma empresa data warehouse. Para obter mais informações, leia o Guia técnico. Os usuários finais que usam o modelo por meio de uma planilha (ou integrados a um aplicativo de negócios) devem ler o Guia do Usuário.

Introdução

Implante a solução com o botão à direita. As instruções no final da implantação terão informações de configuração importantes. Deixe-os abertos.

A solução é implantada com o mesmo conjunto de dados de exemplo de preços de laranja que você encontra por trás do botão Experimentar Agora à direita.

Enquanto a solução está sendo implantada, você pode obter um início inicial e fazer o seguinte:

  • Veja o que está disponível no painel Experimentar Agora.
  • Leia o Guia do Usuário para obter instruções de uso da perspectiva de um analista de preços (logon MSFT necessário).
  • Revise o Guia de Implantação Técnica para obter uma exibição de implementação técnica (logon do MSFT necessário).
  • Baixe a planilha Excel interativa.

Depois que a solução for implantada, conclua o primeiro passo a passo (logon do MSFT necessário).

Painel da solução

A parte mais a ação do painel da solução é a guia Sugestão de Preços. Ele informa quais dos seus itens estão com preço baixo ou superplicado. A guia sugere um preço ideal para cada item e o impacto previsto de adotar a sugestão. As sugestões são priorizadas pela maior oportunidade de ganhar margem bruta incremental.

Uma implementação dessa ideia de solução de análise de preços é descrita na solução galeria de IA e GitHub reprodução. A solução galeria de IA usa seus dados de histórico transacional para mostrar como a demanda de seus produtos responde aos preços que você oferece, recomenda alterações de preços e permite simular como as alterações no preço afetariam sua demanda, com uma granularidade fina. A solução fornece um painel, no qual você pode ver as recomendações de preços ideais, as elasticidades de item em um nível de item-site-channel-segment, estimativas de efeitos relacionados ao produto, como a oferção, previsões de determinado processo atual e métricas de desempenho do modelo.

Arquitetura da solução

A solução usa uma instância Banco de Dados SQL do Azure para armazenar seus dados transacionais e as previsões de modelo geradas. Há uma dezena de serviços principais de modelagem de elasticidade, que são compilados no Azure ML bibliotecas principais do Python. Azure Data Factory agenda atções semanais do modelo. Os resultados são exibidos em um Power BI painel. A planilha Excel fornecida consome os Serviços Web preditivos.

Leia o Guia de Implantação Técnica para obter uma discussão mais detalhada sobre a arquitetura, incluindo o tópico sobre como conectar seus próprios dados e personalização (GitHub logon necessário).

Preços

Para calcular uma estimativa atual, use a calculadora de preços do Azure. A solução estimada deve incluir os seguintes custos de serviço:

  • Plano de serviço ML padrão S1
  • S2 Banco de Dados SQL
  • Plano de hospedagem de aplicativo
  • Diversos custos de armazenamento e atividades de dados do ADF

Se você estiver apenas explorando a solução, poderá excluí-la em alguns dias ou horas. Os custos deixarão de ser cobrados quando você excluir os componentes do Azure.

Próximas etapas

Saiba mais sobre as tecnologias dos componentes:

Saiba mais sobre soluções de preços:

Explorar arquiteturas relacionadas: