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!

Prissättningen är pivotal för många branscher, men det kan vara en av de mest utmanande uppgifterna.Pricing is pivotal for many industries, but it can be one of the most challenging tasks. Företag är ofta stötande för att på ett korrekt sätt bedöma den förväntade taktikers verksamhets påverkan, helt och hållet viktiga affärs villkor och ganska ganska bra val av prissättnings beslut när de har gjorts.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. Allteftersom produkt erbjudanden utökar och försvårar beräkningarna bakom prissättnings beslut i real tid, ökar processen ännu svårare.As product offerings expand and complicate the calculations behind real-time pricing decisions, the process grows even more difficult.

Den här lösningen tar itu med de utmaningarna genom att använda historiska transaktions data för att träna en prognos modell för efter frågan i en detalj handels kontext.This solution addresses those challenges by using historical transaction data to train a demand-forecasting model in a retail context. Den införlivar också priserna för produkter i en konkurrerande grupp för att förutse kannibalisering och annan påverkan på flera produkter.It also incorporates the pricing of products in a competing group to predict cannibalization and other cross-product impacts. En algoritm för prisoptimering använder sedan modellen för att prognostisera efter frågan vid olika pris punkter och faktorer i affärs begränsningar för att maximera potentiell vinst.A price-optimization algorithm then uses that model to forecast demand at various price points and factors in business constraints to maximize potential profit.

Genom att använda den här lösningen för att mata in historiska transaktions data, förutsäga framtida efter frågan och regelbundet optimera priser, har du möjlighet att spara tid och ansträngning kring processen och förbättra ditt företags lönsamhet.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.

ArkitekturArchitecture

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

KomponenterComponents

  • Azure Data Lake Storage: data Lake Store lagrar vecko rå försäljnings data som läses av Spark på HDInsight.Azure Data Lake Storage: Data Lake Store stores the weekly raw sales data, which is read by Spark on HDInsight.
  • Spark på HDInsight matar in data och kör data för bearbetning, prognos modellering och algoritmer för pris optimering.Spark on HDInsight ingests the data and executes data preprocessing, forecasting modeling, and price-optimization algorithms.
  • Data Factory hanterar dirigering och schemaläggning av omskolning av modellen.Data Factory handles orchestration and scheduling of the model retraining.
  • Power BI visualiserar försäljnings resultat, den förväntade framtida efter frågan och de rekommenderade optimala priserna för en rad olika produkter som säljs i olika butiker.Power BI visualizes sales results, the predicted future demand, and the recommended optimal prices for a variety of products sold in different stores.

Nästa stegNext steps