Price Analytics çözümü, ürünlerinize olan talebin sunduğunuz fiyatlara nasıl yanıt verdiğini göstermek için işlem geçmişi verilerinizi kullanır.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
Veri akışı
- Azure Machine Learning , fiyatlandırma modelleri oluşturmaya olanak tanır.
- Azure Blob depolama modeli ve oluşturulan ara verileri depolar.
- Azure SQL Veritabanı işlem geçmişi verilerini ve oluşturulan model tahminlerini depolar.
- Azure Data Factory , düzenli aralıklar (örneğin, haftalık) model yenilemeleri zamanlamak için kullanılır.
- Power BI , sonuçların görselleştirmesini sağlar.
- Excel elektronik tabloları tahmine dayalı web hizmetlerini kullanır.
Components
- Azure Data Factory
- Azure Machine Learning
- Microsoft Excel çalışma sayfaları
- Azure Blob Depolama
- Azure SQL Veritabanı
- Power BI'daki pano
Çözüm ayrıntıları
Price Analytics çözümü, ürünlerinize olan talebin sunduğunuz fiyatlara nasıl yanıt verdiğini göstermek için işlem geçmişi verilerinizi kullanır. Fiyatlandırma değişikliklerini önerir ve fiyattaki değişikliklerin talebinizi nasıl etkileyeceğini ayrıntılı bir şekilde simüle etmenizi sağlar.
Çözüm, aşağıdakileri görebileceğiniz bir pano sağlar:
- En uygun fiyatlandırma önerileri.
- Öğe-site-kanal-segment düzeyinde öğe elastikiyetleri.
- Yamyamlaştırma gibi ilgili ürün etkilerine ilişkin tahminler.
- Geçerli işleme göre tahminler.
- Model performans ölçümleri.
Excel'de fiyatlandırma modeliyle doğrudan etkileşim kullanarak şunları yapabilirsiniz:
- Satış verilerinizi buraya yapıştırın ve önce verileri çözüm veritabanıyla tümleştirmeye gerek kalmadan fiyatlarınızı analiz edin.
- Promosyonları simüle etme ve talep eğrilerini çizme (fiyata talep yanıtlarını gösterme).
- Pano verileriyle sayısal biçimde çalışma.
Zengin işlevler Excel ile sınırlı değildir. Sizin veya uygulama iş ortağınızın doğrudan iş uygulamalarınızdan çağırabileceği ve fiyat analizini iş uygulamalarınızla tümleştirebileceğiniz web hizmetleri tarafından yönlendirilir.
Olası kullanım örnekleri
Bu mimari perakende sektörü için idealdir ve fiyatlandırma önerileri, tahminler ve tahminler sağlar.
Çözüm açıklaması
Ayrıntılı fiyat analizi iş akışının merkezinde, fiyat elastikliği modellemesi ve en uygun fiyatlandırma önerileri yer almaktadır. Son teknoloji modelleme yaklaşımı, geçmiş verilerden fiyat duyarlılığı modeli oluşturma konusundaki iki tuzağı ortadan kaldırır: karışıklık ve veri seyrekliği.
Karışık, talebi etkileyen fiyat dışında faktörlerin varlığıdır. Esnekliği tahmin etmeden önce fiyat ve talep varyasyonunun tahmin edilebilir bileşenlerini çıkaran "çift ML" yaklaşımını kullanırız. Bu yaklaşım, tahminleri çoğu karıştırılma biçimine sabitler. Ayrıca çözüm, bir uygulama iş ortağı tarafından verilerinizi kullanarak fiyat haricinde olası dış talep artırıcıları yakalayacak biçimde özelleştirilebilir. Blog gönderimiz, fiyatların veri bilimi hakkında daha fazla ayrıntı sağlar.
En uygun fiyat ince bir dilimde değiştiğinden veri sparsity oluşur: işletmeler fiyatları öğeye, siteye, satış kanalına ve hatta müşteri segmentlerine göre ayarlayabilir. Ancak işlem geçmişi her belirli durum için yalnızca birkaç satış içerebileceğinden fiyatlandırma çözümleri genellikle yalnızca ürün kategorisi düzeyinde tahminler sunar. Fiyatlandırma çözümümüz, verilerin az olduğu böyle durumlarda tutarlı tahminler üretmek için “hiyerarşik düzenleme” kullanır: Kanıt bulunamadığında model aynı kategorideki diğer öğelerden, diğer sitelerdeki aynı öğelerden, vs. bilgi alır. Belirli bir öğe-site-kanal birleşimi için geçmiş veri miktarı arttıkça bunun elastiklik tahmini daha özel bir şekilde belirlenebilir.
Bu fiyatlandırma analizi çözümü fikri, işlem geçmişi verilerinden alınan esneklik tahminlerini temel alan ürünler için nasıl fiyatlandırma modeli geliştirebileceğinizi gösterir. Bu çözüm, özel fiyatlandırma analizi modelleri için kapsamlı veri bilimi desteğine sahip olmayan küçük fiyatlandırma ekiplerine sahip orta ölçekli şirketlere yöneliktir.
Fiyatlandırma modeliyle etkileşim, önce verileri çözüm veritabanıyla tümleştirmeye gerek kalmadan satış verilerinizi kolayca yapıştırabileceğiniz ve fiyatlarınızı çözümleyebileceğiniz Excel üzerinden yapılır. Elektronik tabloda, promosyonların benzetimini yapabilir ve talep eğrilerini çizebilir (fiyata talep yanıtını gösterir) ve pano verilerine sayısal biçimde erişebilirsiniz. Fiyatlandırma modelinin zengin işlevselliğine, fiyat analizini doğrudan iş uygulamalarınızla tümleştirerek web hizmetlerinden de erişilebilir.
Azure Machine Learning , bu çözümde esneklik modellerinin oluşturulduğu temel mantıktır. Makine öğrenmesi modelleri, geçmiş verilerden gelen iki yaygın fiyat modellemesi hatasını önlemek için ile ayarlanabilir: karışık etkiler ve veri sparsity.
Çözüm aşağıdaki avantajları sağlar:
- Ürün talebinizin ne kadar esnek olduğunu bir bakışta (pano aracılığıyla) gösterir.
- Öğe kataloğunuzdaki her ürün için fiyatlandırma önerileri sağlar.
- İlgili ürünleri (değiştirmeler ve tamamlayıcılar) bulur.
- Excel'de promosyon senaryolarının benzetimini yapmanızı sağlar.
Dikkat edilmesi gerekenler
Dikkat edilmesi gerekenler, bir iş yükünün kalitesini artırmak için kullanılabilecek bir dizi yol gösteren ilke olan Azure İyi Tasarlanmış Çerçeve'nin yapı taşlarını uygular. Daha fazla bilgi için bkz . Microsoft Azure İyi Tasarlanmış Çerçeve.
Maliyet iyileştirme
Maliyet iyileştirmesi, gereksiz giderleri azaltmanın ve operasyonel verimlilikleri iyileştirmenin yollarını aramaktır. Daha fazla bilgi için bkz . Maliyet iyileştirme sütununa genel bakış.
Geçerli bir tahmini hesaplamak için Azure fiyatlandırma hesaplayıcısını kullanın. Tahmini çözüm aşağıdaki hizmet maliyetlerini içermelidir:
- S1 standart ML hizmet planı
- S2 SQL Veritabanı
- Uygulama barındırma planı
- Çeşitli ADF veri etkinlikleri ve depolama maliyetleri
Çözümü yalnızca araştırıyorsanız, birkaç gün veya saat içinde silebilirsiniz. Azure bileşenlerini sildiğinizde maliyetler ücretlendirilmeyi durdurur.
Bu senaryoyu dağıtın
Bu çözüm mimarisinin bir uygulaması olan Yapay Zeka Galerisi çözümünün iki temel rolü vardır: teknik kaynaklar ve son kullanıcılar (fiyatlandırma yöneticileri gibi).
Teknik kaynaklar çözümü dağıtır ve bir iş veri ambarı ile bağlar. Daha fazla bilgi için Teknik Kılavuz'a bakın. Modeli elektronik tablo aracılığıyla kullanan (veya bir iş uygulamasıyla tümleştirilen) son kullanıcıların Kullanıcı Kılavuzu'nu okuması gerekir.
Başlarken
Sağdaki düğmeyle çözümü dağıtın. Dağıtımın sonundaki yönergeler önemli yapılandırma bilgileri içerir. Açık bırakın.
Çözüm, sağdaki Şimdi Dene düğmesinin arkasında bulacağınız portakal suyu fiyatları örnek veri kümesiyle dağıtılır.
Çözüm dağıtılırken, test edip gözden geçirerek bir başlangıç yapabilirsiniz:
- Şimdi Deneyin panosu.
- Kullanım yönergeleri için fiyatlandırma analisti açısından Kullanıcı Kılavuzu'nu okuyun (MSFT oturum açma bilgileri gereklidir).
- Teknik uygulama görünümü için Teknik Dağıtım Kılavuzu'nu gözden geçirin (MSFT oturum açma bilgileri gereklidir).
- Etkileşimli Excel çalışma sayfasını indirin.
Çözüm dağıtıldıktan sonra ilk kılavuzu tamamlayın (MSFT oturumu açılması gerekir).
Çözüm panosu
Çözüm panosunun en eyleme dönüştürülebilir bölümü Fiyatlandırma Önerisi sekmesidir. Öğelerinizden hangilerinin yetersiz veya fazla pahalı olduğunu bildirir. Sekme, her öğe için en uygun fiyatı ve öneriyi benimsemenin tahmin edilen etkisini önerir. Öneriler, brüt kardaki artış fırsatının büyüklüğüne göre öncelik sırasına konur.
Bu fiyatlandırma analizi çözümü fikrinin bir uygulaması, AI Gallery çözümünde ve GitHub yeniden oluşturmasında açıklanmıştır. Yapay Zeka Galerisi çözümü, ürünlerinize yönelik talebin sunduğunuz fiyatlara nasıl yanıt verdiğini göstermek, fiyatlandırma değişiklikleri önermek ve fiyattaki değişikliklerin talebinizi nasıl etkileyeceğini ayrıntılı bir şekilde simüle etmek için işlem geçmişi verilerinizi kullanır. Çözüm, en uygun fiyatlandırma önerilerini, öğe-site-kanal-segment düzeyinde öğe elastikliklerini, "yamyamlaştırma" gibi ilgili ürün etkilerinin tahminlerini, geçerli işlemde verilen tahminleri ve model performansı ölçümlerini görebileceğiniz bir pano sağlar.
Çözüm mimarisi
Çözüm, işlem verilerinizi ve oluşturulan model tahminlerini depolamak için bir Azure SQL Veritabanı örneği kullanır. Python çekirdek kitaplıkları kullanılarak Azure ML'de yazılan bir düzine esneklik modelleme çekirdek hizmeti vardır. Azure Data Factory tarafından haftalık model yenileme işlemleri zamanlanır. Sonuçlar bir Power BI panosunda görüntülenir. Sağlanan Excel elektronik tablosu, tahmine dayalı Web Hizmetlerini kullanır.
Kendi verilerinizi ve özelleştirmenizi bağlama konusu da dahil olmak üzere mimari hakkında daha ayrıntılı bir tartışma için Teknik Dağıtım Kılavuzu'nu okuyun (GitHub oturum açma bilgileri gereklidir).
Sonraki adımlar
Bileşen teknolojileri hakkında daha fazla bilgi edinin:
- Azure Data Factory'ye giriş
- Azure Machine Learning nedir?
- Azure Blob depolamaya giriş
- Azure SQL Veritabanı nedir?
- Power BI nedir?
- Power BI'da pano oluşturma
Fiyatlandırma çözümleri hakkında daha fazla bilgi edinin:
- AI Galerisi Etkileşimli Fiyatlandırma Çözümü
- Etkileşimli Fiyat Analizi için GitHub deposu
- Teknik Dağıtım Kılavuzu - Mimarinin daha ayrıntılı bir şekilde tartışılması, kendi verilerinizin ve özelleştirmenizin bağlanması.
- Kullanıcı Kılavuzu - fiyatlandırma yöneticileri gibi çözümün son kullanıcıları için.
- Blog gönderisi: AzureML ve Python ile oluşturulan Herkes için Fiyatlandırma Altyapısı
- Microsoft Learn Yolu: Azure Machine Learning ile yapay zeka çözümleri oluşturma
İlgili kaynaklar
İlgili mimarileri keşfedin: