Прогнозирование спроса и оптимизация ценDemand Forecasting + Price Optimization

Концепция решения Solution Idea

Если вы хотите ознакомиться с этой статьей, дополнительные сведения (сведения о реализации, рекомендации по ценам, примеры кода и т. д.), сообщите нам о отзывах в GitHub!If you'd like to see us expand this article with more information (implementation details, pricing guidance, code examples, etc), let us know with GitHub Feedback!

Цены являются сводными для многих отраслей, но могут быть одной из самых сложных задач.Pricing is pivotal for many industries, but it can be one of the most challenging tasks. Компании часто сталкиваются с точностью прогнозирования финансовых последствий потенциальной тактики, полностью рассматривайте основные ограничения бизнеса и тщательно проверяйте цены на принятие решений.Companies often struggle to accurately forecast the fiscal impact of potential tactics, fully consider core business constraints, and fairly validate pricing decisions once they've been made. По мере того, как предложения продуктов расширяют и усложняют вычисления на основе цен в реальном времени, процесс растет еще сложнее.As product offerings expand and complicate the calculations behind real-time pricing decisions, the process grows even more difficult.

Это решение решает эти проблемы, используя исторические данные транзакций для обучения модели прогнозирования спроса в розничном контексте.This solution addresses those challenges by using historical transaction data to train a demand-forecasting model in a retail context. Он также включает цены продуктов в конкурентной группе для прогнозирования каннибализацию и других перекрестных последствий.It also incorporates the pricing of products in a competing group to predict cannibalization and other cross-product impacts. Затем алгоритм оптимизации цены использует эту модель для прогнозирования спроса на различные ценовые точки и факторы в бизнес-ограничениях, чтобы максимально увеличить потенциальную прибыль.A price-optimization algorithm then uses that model to forecast demand at various price points and factors in business constraints to maximize potential profit.

Используя это решение для приема данных транзакций с предысторией, предсказания будущих потребностей и регулярной оптимизации цен, вы сможете сэкономить время и усилия по процессу и повысить рентабельность вашей компании.By using this solution to ingest historical transaction data, predict future demand, and regularly optimize pricing, you'll have the opportunity to save time and effort around the process and improve your company's profitability.

АрхитектураArchitecture

Схема архитектуры . Скачайте SVG этой архитектуры.Architecture Diagram Download an SVG of this architecture.

ComponentsComponents

  • Azure Data Lake Storage: Data Lake Store сохраняет еженедельные необработанные данные о продажах, которые считываются Spark в HDInsight.Azure Data Lake Storage: Data Lake Store stores the weekly raw sales data, which is read by Spark on HDInsight.
  • Spark в HDInsight принимает данные и выполняет предварительную обработку данных, моделирование прогнозирования и алгоритмы оптимизации цен.Spark on HDInsight ingests the data and executes data preprocessing, forecasting modeling, and price-optimization algorithms.
  • Фабрика данных управляет согласованием и планированием повторного обучения модели.Data Factory handles orchestration and scheduling of the model retraining.
  • Power BI визуализируются результаты продаж, прогнозируемый будущий спрос и рекомендованные оптимальные цены для различных продуктов, продаваемых в разных магазинах.Power BI visualizes sales results, the predicted future demand, and the recommended optimal prices for a variety of products sold in different stores.

Следующие шагиNext steps