Prognostisering av efterfrågan och prisoptimering

Blob Storage
Data Factory
HDInsight
Web Apps

Lösnings idé Solution Idea

Om du vill se den här artikeln med mer information, implementerings information, prissättnings vägledning eller kod exempel kan du berätta för oss med GitHub feedback!If you'd like to see us expand this article with more information, implementation details, pricing guidance, or code examples, let us know with GitHub Feedback!

Priset identifieras som en pivoterad Determinant av framgång i många branscher och kan vara en av de mest utmanande uppgifterna.Pricing is recognized as a pivotal determinant of success in many industries and can be one of the most challenging tasks. Företag är ofta stötande med flera aspekter av prissättnings processen, inklusive en korrekt uppskattning av den ekonomiska påverkan av potentiella taktiker, med hänsyn till rimliga överväganden av viktiga verksamhets krav och relativt att de genomförde prissättnings besluten verifieras.Companies often struggle with several aspects of the pricing process, including accurately forecasting the financial impact of potential tactics, taking reasonable consideration of core business constraints, and fairly validating the executed pricing decisions. Expandering av produkt erbjudanden ger ytterligare beräknings krav för att fatta prissättnings beslut i real tid, vilket utgör svårigheterna med den här redan överbelastande uppgiften.Expanding product offerings add further computational requirements to make real-time pricing decisions, compounding the difficulty of this already overwhelming task.

Den här lösningen åtgärdar utmaningarna som aktive ras ovan genom att använda historiska transaktions data för att träna en prognos modell för efter frågan.This solution addresses the challenges raised above by utilizing historical transaction data to train a demand forecasting model. Priser för produkter i en konkurrerande grupp är också införlivade för att förutse påverkan på olika produkter, till exempel kannibalisering.Pricing of products in a competing group is also incorporated to predict cross-product impacts such as cannibalization. En algoritm för prisoptimering använder sedan modellen för att prognostisera efter frågan vid olika kandidat pris punkter och tar hänsyn till affärs begränsningar för att maximera vinsten.A price optimization algorithm then employs the model to forecast demand at various candidate price points and takes into account business constraints to maximize profit. Lösningen kan anpassas för att analysera olika prissättnings scenarier så länge den allmänna data vetenskaps metoden är liknande.The solution can be customized to analyze various pricing scenarios as long as the general data science approach remains similar.

Processen som beskrivs ovan fungerar och distribueras i Cortana Intelligence Suite.The process described above is operationalized and deployed in the Cortana Intelligence Suite. Den här lösningen gör det möjligt för företag att mata in historiska transaktions data, förutse framtida efter frågan och få optimala pris rekommendationer regelbundet.This solution will enable companies to ingest historical transaction data, predict future demand, and obtain optimal pricing recommendations on a regular basis. Det innebär att lösningen är en del av möjligheterna att öka lönsamheten och minskningen av tiden och ansträngningen för prissättnings aktiviteter.As a result, the solution drives opportunities for improved profitability and reductions in time and effort allocated to pricing tasks.

ArkitekturArchitecture

Arkitektur diagram Ladda ned en SVG -arkitektur.Architecture Diagram Download an SVG of this architecture.

BeskrivningDescription

Spara tid och låt en av dessa utbildade SI-partners hjälpa dig med ett koncept bevis, distribution & integrering av den här lösningen.Save time and let one of these trained SI partners help you with a proof of concept, deployment & integration of this solution.

Cortana Intelligence Suite innehåller avancerade analys verktyg via Microsoft Azure data inmatning, data lagring, data bearbetning och avancerade analys komponenter – alla viktiga element för att skapa en lösning för prognoser för efter frågan och pris optimering.The Cortana Intelligence Suite provides advanced analytics tools through Microsoft Azure - data ingestion, data storage, data processing and advanced analytics components - all of the essential elements for building a demand forecasting and price optimization solution.

Den här lösningen kombinerar flera Azure-tjänster för att skapa kraftfulla fördelar.This solution combines several Azure services to create powerful advantages. Azure Blob Storage lagrar vecko Visa rå data för försäljning.Azure Blob Storage stores the weekly raw sales data. Apache Spark för Azure HDInsight matar in data och kör data förbehandling, Prognosticering av modeller och pris optimerings algoritmer.Apache Spark for Azure HDInsight ingests the data and executes data preprocessing, forecasting modeling and price optimization algorithms. Slutligen Data Factory dirigerar och schemalägger hela data flödet.Finally, Data Factory orchestrates and schedules the entire data flow.

Med knappen distribuera startas ett arbets flöde som distribuerar en instans av lösningen inom en resurs grupp i den Azure-prenumeration du anger.The 'Deploy' button will launch a workflow that will deploy an instance of the solution within a Resource Group in the Azure subscription you specify. Lösningen innehåller flera Azure-tjänster (beskrivs nedan) tillsammans med ett webbjobb som simulerar data så att du kan se data som passerar genom slut punkt till slut punkt under distributionen.The solution includes multiple Azure services (described below) along with a web job that simulates data so that immediately after deployment you can see data flowing through the end-to-end pipeline.

Instruktioner för att publicera distributioner och mer information om den tekniska implementeringen finns här.For post deployment instructions and more details on the technical implementation, please see the instructions here.

Teknisk information och arbets flödeTechnical details and workflow

  1. Simulerings data genereras varje timme av nyligen distribuerade Azure-webbjobb.The simulation data is generated hourly by newly deployed Azure Web Jobs.
  2. Dessa syntetiska data lagras på Azure Blob Storage, som kommer att användas i resten av lösnings flödet.This synthetic data is stored at Azure Blob Storage, that will be used in the rest of the solution flow.
  3. Spark på HDInsight används för att mata in och Förbearbeta rå data, bygga och träna om prognos modeller för efter frågan och köra algoritmer för pris optimering.Spark on HDInsight is used to ingest and preprocess the raw data, build and retrain the demand forecasting models, and execute price optimization algorithms.
  4. Azure Data Factory dirigerar och schemalägger hela data flödet.Azure Data Factory orchestrates and schedules the entire data flow.
  5. Slutligen används Power BI för visualisering av resultat, så att användarna kan övervaka resultaten av försäljningen, förutsäga framtida behov samt rekommenderade optimala priser för en rad olika produkter som säljs i olika butiker.Finally, Power BI is used for results visualization, so that users can monitor the results of the sales, predicted future demand as well as recommended optimal prices for a variety of products sold in different stores.