Интерактивная аналитика цен с использованием данных журнала транзакций

Фабрика данных
Машинное обучение
Excel
Power BI
Хранилище BLOB-объектов
База данных SQL

Концепция решения

если вы хотите узнать больше о том, как получить дополнительные сведения о возможных вариантах использования, альтернативных службах, рекомендациях по реализации или ценах, сообщите нам о GitHub.

Решение "аналитика цен" использует данные журнала транзакций, чтобы продемонстрировать, как спрос на ваши продукты реагирует на предлагаемые цены. Он рекомендует внести изменения в цены и позволяет имитировать влияние изменений цены на ваш спрос.

Решение предоставляет панель мониторинга, в которой можно увидеть следующее:

  • Оптимальные рекомендации по ценам.
  • Эластичность элементов на уровне "элемент-сайт-канал-сегмент".
  • Оценка побочных эффектов продукта, таких как каннибализацию.
  • Прогнозирует данные текущего процесса.
  • Метрики производительности модели.

используя прямое взаимодействие с моделью ценообразования в Excel, вы можете:

  • Вставьте данные о продажах и проанализируйте цены без необходимости сначала интегрировать данные в базу данных решения.
  • Моделирование акций и кривых спроса (с отображением ответа по требованию на цену).
  • Работа с данными информационной панели в числовой форме.

Широкие возможности не ограничены Excel. Он управляется веб-службами, которые вы или ваш партнер по реализации может вызывать непосредственно из бизнес-приложений, интегрируя анализ цен в бизнес-приложения.

Потенциальные варианты использования

Эта архитектура идеально подходит для розничной отрасли, предоставляя рекомендации по ценам, оценки и прогнозы.

Architecture

Схема архитектуры

Скачайте SVG этой архитектуры.

  1. Машинное обучение Azure включает создание моделей ценообразования.
  2. служба хранилища больших двоичных объектов Azure хранит модель и все промежуточные данные, которые создаются.
  3. Azure SQL Server хранит данные журнала транзакций и все созданные прогнозы модели.
  4. Фабрика данных Azure используется для планирования периодического обновления модели (например, еженедельно).
  5. Power BI позволяет визуализировать результаты.
  6. Excel электронные таблицы используют прогнозные веб-службы.

Компоненты

Описание решения

Основой рабочего процесса тщательного анализа цен является моделирование эластичности цен и оптимальные рекомендации по ценам. Этот подход к моделированию устраняет две худшие ошибки моделирования учета цен на основе исторических данных: количество обнаруженных и незаполненных данных.

Обнаружение — это наличие факторов, отличных от цены, влияющей на спрос. мы используем подход "двойной ML", который вычитает прогнозируемые компоненты цены и варианта спроса перед оценкой эластичности. Этот подход иммунизес оценки для большинства форм обнаружения. Решение также может быть настроено партнером по реализации, чтобы использовать ваши данные, которые записывают потенциальные драйверы внешнего спроса, отличные от цены. Наша запись в блоге содержит более подробные сведения по анализу и анализу данных.

Незаполненность данных происходит из-за того, что оптимальная цена отличается по степени детализации: компании могут устанавливать цены по номенклатуре, сайту, каналу продаж и даже сегменту клиента. Однако решения ценообразования часто предоставляют оценки только на уровне категории продуктов, так как журнал транзакций может содержать только несколько продаж для каждой конкретной ситуации. Наше решение по ценам использует "иерархическую оценку" для получения единообразных оценок в таких некачественных ситуациях. в отсутствие доказательств модель использует сведения из других элементов в той же категории, то же, на других сайтах и т. д. По мере увеличения объема исторических данных по заданному сочетанию «элемент-сайт-канал» его оценка эластичности будет детально настроена.

Эта идея решения для аналитики ценообразования показывает, как можно разработать модель ценообразования для продуктов, основанных на оценках эластичности из данных журнала транзакций. Это решение предназначено для компаний среднего размера с малыми группами ценообразования, у которых нет обширной поддержки обработки и анализа данных для моделей аналитики.

взаимодействие с моделью ценообразования осуществляется с помощью Excel, где можно легко вставить данные о продажах и проанализировать цены без необходимости сначала интегрировать данные в базу данных решения. В электронной таблице вы можете имитировать рекламные акции и расположить Кривые спроса (с отображением ответа по требованию на цену) и получить доступ к данным информационной панели в числовом виде. Широкие возможности модели ценообразования также можно получить из веб-служб, интегрируя аналитику цен непосредственно в бизнес-приложения.

Машинное обучение Azure — это основная логика в этом решении, из которой создаются модели эластичности. Модели машинного обучения можно настроить с помощью, чтобы избежать двух распространенных ловушек моделирования цен из исторических данных: влияние результатов и незаполненности данных.

Решение предоставляет следующие преимущества.

  • Показывается один взгляд (через панель мониторинга), насколько эластичен спрос на продукт.
  • Предоставляет рекомендации по ценам для каждого продукта в каталоге товаров.
  • Обнаруживает связанные продукты (замены и дополнения).
  • Позволяет имитировать рекламные сценарии в Excel.

Развертывание этого сценария

Решение для галереи ии, которое является реализацией этой архитектуры решения, имеет две ключевые роли: технические ресурсы и конечные пользователи (например, менеджеры по ценам).

Технические ресурсы развертывают решение и соединяют его с хранилищем бизнес-данных. Дополнительные сведения см. в техническом руководству. Конечным пользователям, использующим модель через электронную таблицу (или интегрированную в бизнес-приложение), следует ознакомиться с руководством пользователя.

Начало работы

Разверните решение с помощью кнопки справа. В инструкциях в конце развертывания будут иметься важные сведения о конфигурации. Не закрывайте их.

Решение развертывается с помощью того же примера набора данных оранжевого сок цен, который находится за кнопкой Try-It-Now справа.

Во время развертывания решения вы можете начать головной офис и выполнить следующие действия.

После развертывания решения завершите первое пошаговое руководство (требуется имя входа MSFT).

Панель мониторинга решения

Наиболее практичной частью панели мониторинга решения является вкладка предложений по ценам. Она сообщает, какие из ваших товаров имеют недоцену или недостоимость. На вкладке предлагается оптимальная цена для каждого элемента и прогнозируемый эффект от внедрения предложения. Предложения назначаются по приоритету самой крупной возможностью получения добавочной валовой прибыли.

реализация этой идеи решения для аналитики ценообразования описана в решении "галерея " и GitHubвоспроизведения. Решение "Галерея" в виде искусственного интеллекта использует данные журнала транзакций, чтобы продемонстрировать, как спрос на ваши продукты реагирует на предлагаемые цены, рекомендовать изменения цен и позволить вам имитировать, как изменения в ценах повлияют на спрос, с точностью детализации. Решение предоставляет панель мониторинга, на которой можно просмотреть оптимальные рекомендации по ценам, эластичность элементов на уровне Item-site-Channel-Segment, оценки побочных эффектов, таких как "AS каннибализацию", прогнозы с текущим процессом и метрики производительности модели.

Архитектура решения

решение использует экземпляр База данных SQL Azure для хранения транзакционных данных и формируемых прогнозов модели. существует десятка основных служб моделирования эластичности, созданных в Azure ML с помощью библиотек Python core. Фабрика данных Azure планирует обновление еженедельной модели. результаты отображаются на панели мониторинга Power BI. предоставленная Excel электронная таблица использует прогнозные веб-службы.

ознакомьтесь с руководством по техническому развертыванию , чтобы получить более подробное описание архитектуры, в том числе раздел о подключении собственных данных и настройки (требуется GitHub входа).

Цены

Чтобы рассчитать текущую оценку, используйте Калькулятор цен Azure. Оценочное решение должно включать следующие затраты на обслуживание:

  • план службы ML "стандартный" S1
  • S2 База данных SQL
  • План размещения приложений
  • Различные действия с данными ADF и затраты на хранение

Если вы просто изучаете решение, вы можете удалить его через несколько дней или часов. При удалении компонентов Azure плата будет перестает быть оплаченной.

Дальнейшие действия

Дополнительные сведения о технологиях компонентов:

Дополнительные сведения о ценах на решения:

Сведения о связанных архитектурах: