Talep Tahmini + Fiyat İyileştirmesi

Blob Depolama
Data Factory
HDInsight
Web Apps

Çözüm fikri Solution Idea

Daha fazla bilgi, uygulama ayrıntıları, fiyatlandırma Kılavuzu veya kod örneği ile bu makaleyi genişletmemizi istiyorsanız GitHub geri bildirimlerindenhaberdar olalım!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!

Fiyatlandırma birçok sektör için özetdir, ancak en zorlu görevlerden biri olabilir.Pricing is pivotal for many industries, but it can be one of the most challenging tasks. Şirketler, genellikle potansiyel olarak olası tacörlerin mali etkisini doğru bir şekilde tahmin etmek, temel işletme kısıtlamalarını tam olarak ele almak ve bir kez alındıktan sonra fiyatlandırma kararlarını doğrulamak için çok zor olur.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. Ürün teklifleri gerçek zamanlı fiyatlandırma kararlarının arkasındaki hesaplamaları genişletip karmaşıklaştırdıkça, işlem daha da zordur.As product offerings expand and complicate the calculations behind real-time pricing decisions, the process grows even more difficult.

Bu çözüm, bir perakende bağlamında talep tahmini modeli eğmek için geçmiş işlem verilerini kullanarak bu güçlükleri ele alır.This solution addresses those challenges by using historical transaction data to train a demand-forecasting model in a retail context. Ayrıca, çakışma ve diğer mimariler arası etkileri tahmin etmek için rekabet grubundaki ürünlerin fiyatlandırmasını de içerir.It also incorporates the pricing of products in a competing group to predict cannibalization and other cross-product impacts. Daha sonra bir fiyat iyileştirme algoritması, çeşitli fiyat noktalarında talebi tahmin etmek için bu modeli ve potansiyel karı en üst düzeye çıkarmak için iş kısıtlamalarındaki faktörleri kullanır.A price-optimization algorithm then uses that model to forecast demand at various price points and factors in business constraints to maximize potential profit.

Bu çözümü, geçmiş işlem verilerini almak, gelecek talebi tahmin etmek ve fiyatlandırmayı düzenli olarak iyileştirmek için kullanarak süreç genelinde zaman ve çaba tasarrufu ve şirketinizin kârlılığını geliştirme fırsatına sahip olacaksınız.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.

MimariArchitecture

Mimari diyagramı Bu mimarinin bir SVG indirin.Architecture Diagram Download an SVG of this architecture.

BileşenlerComponents

  • Azure Data Lake Storage: Data Lake Store, HDInsight 'ta Spark tarafından okunan haftalık ham satış verilerini depolar.Azure Data Lake Storage: Data Lake Store stores the weekly raw sales data, which is read by Spark on HDInsight.
  • HDInsight 'ta Spark, verileri alır ve veri ön işleme, tahmin modelleme ve fiyat iyileştirme algoritmalarını yürütür.Spark on HDInsight ingests the data and executes data preprocessing, forecasting modeling, and price-optimization algorithms.
  • Data Factory , model yeniden eğitiminin düzenlemesini ve zamanlamasını işler.Data Factory handles orchestration and scheduling of the model retraining.
  • Farklı depolarda satılan çeşitli ürünler için satış sonuçlarını, tahmini gelecek talebi ve önerilen en uygun fiyatları görselleştirir Power BI .Power BI visualizes sales results, the predicted future demand, and the recommended optimal prices for a variety of products sold in different stores.

Sonraki adımlarNext steps