İşlem geçmişi verilerini kullanan etkileşimli Fiyat Analizi

Data Factory
Machine Learning
Excel
Blob Depolama
SQL Veritabanı

Bu Fiyat Analizi, ürünlerinize olan talebin, teklifteki fiyatlara nasıl yanıt kullandığını göstermek için işlem geçmişi verilerinizi kullanır. Fiyatlandırma değişikliklerini önerebilir ve fiyat değişikliklerinin talebinizi nasıl etkileyeceğini ayrıntılı bir şekilde simüle etmek için size olanak sağlar.

Çözüm, aşağıdakilere bakarak bir pano sağlar:

  • En uygun fiyatlandırma önerileri.
  • Öğe-site-kanal-segment düzeyinde öğe elastiklikleri.
  • Yalıtma gibi ilgili ürün etkileriyle ilgili tahminler.
  • Geçerli işlemle ilgili tahminler.
  • Model performansı ölçümleri.

Fiyatlandırma modeliyle doğrudan etkileşim kullanarak Excel şunları sebilirsiniz:

  • Satış verilerinizi önce çözüm veritabanıyla tümleştirin.
  • Promosyonların benzetimini yapmak ve talep eğrilerini çizme (fiyata talep yanıtını gösterme).
  • Pano verileriyle sayısal formda çalışma.

Zengin işlevsellik, bu işlevlerle sınırlı Excel. Sizin veya uygulama iş ortağınız tarafından doğrudan iş uygulamalarınızı çağırarak fiyat analizini iş uygulamalarınıza tümleştirerek web hizmetleri tarafından çalıştırılır.

Olası kullanım örnekleri

Bu mimari, fiyatlandırma önerileri, tahminler ve tahminler sağlayarak perakende sektörü için idealdir.

Mimari

Mimari Diyagramı

Bu mimarinin SVG'lerini indirin.

  1. Azure Machine Learning modellerin inşa 100.000 ABD'den büyük olması.
  2. Azure Blob Depolama modeli ve oluşturulan tüm ara verileri depolar.
  3. Azure SQL Server işlem geçmişi verilerini ve oluşturulan model tahminlerini depolar.
  4. Azure Data Factory düzenli (örneğin, haftalık) model yenilemeleri zamanlaması için kullanılır.
  5. Power BI sonuçların görselleştirmesini sağlar.
  6. Excel elektronik tabloları tahmine dayalı web hizmetlerini tüketir.

Bileşenler

Çözüm açıklaması

Sıkı fiyat analizi iş akışının temelleri fiyat esnekliği modellemesi ve en uygun fiyatlandırma önerileridir. Son teknoloji modelleme yaklaşımı, geçmiş verilerden fiyat duyarlılığı modellemenin en kötü iki tuzakını hafifletmektedir: tıkanıklık ve veri spazlığı.

Karıştıran, fiyatın dışında talebi etkileyen faktörlerin olmasıdır. Esnekliği tahmin etmek için fiyat ML talep varyasyonlarının öngörülebilir bileşenlerini çıkaran bir "iki kat yüksek kullanılabilirlik" yaklaşımı kullanıyoruz. Bu yaklaşım, tahminleri çoğu farklı şekilde karıştıran bir yaklaşım olarak ortaya konan bir yaklaşımdır. Çözüm, fiyat dışında olası dış talep sürücülerini yakalayan verilerinizi kullanmak için bir uygulama iş ortağı tarafından da özelleştirilebilir. Blog gönderimiz, fiyatların veri bilimi hakkında daha fazla ayrıntı sağlar.

En uygun fiyat ince parçalı olarak değişiklik gösterir: işletmeler fiyatları öğeye, siteye, satış kanalına ve hatta müşteri segmente göre ayarlayabiliyor. Ancak işlem geçmişinde her belirli durum için yalnızca birkaç satış olduğundan fiyatlandırma çözümleri genellikle yalnızca ürün kategorisi düzeyinde tahminler sunar. Fiyatlandırma çözümde "hiyerarşik düzenlileştirme" özelliği, verilerin kötü olduğu durumlarda tutarlı tahminler üretmek için kullanılır: kanıt olmamasına bağlı olarak model aynı kategorideki diğer öğelerden, diğer sitelerde aynı öğelerden bilgi ödünç alıyor ve bu şekilde devam ediyor. Belirli bir öğe-site-kanal bileşimine ilişkin geçmiş veri miktarı arttıkça, esneklik tahmini daha ayrıntılı bir şekilde ayarlanacak.

Bu fiyatlandırma analizi çözüm fikri, işlem geçmişi verilerinden gelen esneklik tahminlerini temel alan ürünler için nasıl bir fiyatlandırma modeli geliştirebilirsiniz? Bu çözüm, özel fiyatlandırma analizi modelleri için kapsamlı veri bilimi desteğine sahip olmayan küçük fiyatlandırma ekiplerine sahip orta ölçekli şirketlere yöneliktir.

Fiyatlandırma modeliyle etkileşim, Excel verilerinizi kolayca yapıştırabilir ve verilerinizi çözüm veritabanıyla tümleştirebilirsiniz. Elektronik tabloda, promosyonların benzetimini yapabilirsiniz ve talep eğrileri çizebilirsiniz (fiyata talep yanıtını gösterir) ve pano verilerine sayısal olarak erişebilirsiniz. Fiyatlandırma modelinin zengin işlevselliğine web hizmetlerinden de erişerek fiyat analizini doğrudan iş uygulamalarınıza tümleştirebilirsiniz.

Azure Machine Learning, bu çözümde esneklik modellerinin oluşturulacak temel mantıktır. Makine öğrenmesi modelleri, geçmiş verilerden fiyat modellemenin iki yaygın tuzaklarından kaçınmak için ile birlikte kullanılabilir: karıştıran etkiler ve veri spazlığı.

Çözüm aşağıdaki avantajları sağlar:

  • Ürün talebinizin ne kadar esnek olduğunu tek bakışta (pano aracılığıyla) gösterir.
  • Öğe kataloğumuza her ürün için fiyatlandırma önerileri sağlar.
  • İlgili ürünleri (değiştirmeler ve tamamlayıcılar) keşfeder.
  • Bu senaryoda promosyon senaryolarını simüle Excel.

Bu senaryoyu dağıtın

Bu çözüm mimarisinin bir uygulaması olan AI Gallery çözümünün iki önemli rolü vardır: teknik kaynaklar ve son kullanıcılar (fiyatlandırma yöneticileri gibi).

Teknik kaynaklar çözümü dağıtır ve bir iş veri ambarına bağlar. Daha fazla bilgi için Teknik Kılavuz'a bakın. Modeli bir elektronik tablo aracılığıyla kullanan (veya bir iş uygulamasıyla tümleştirilmiş) son kullanıcıların Kullanıcı Kılavuzu'nuzu okuması gerekir.

Başlarken

Çözümü, sağ düğmeyle dağıtın. Dağıtımın sonundaki yönergeler önemli yapılandırma bilgilerine sahip olur. Lütfen açık bırakın.

Çözüm, sağdan Try-It-Now düğmesinin arkasında bulan aynı örnek portakal suyu fiyatları veri kümesiyle birlikte dağıtır.

Çözüm dağıtım sırasında bir başlangıç yapın ve şunları yapın:

  • Try-It-Now panosunda neler olduğunu görebilirsiniz.
  • Fiyatlandırma analisti perspektifinden kullanım yönergeleri için Kullanıcı Kılavuzu'MSFT oturum açma gereklidir) okuyun.
  • Teknik uygulama görünümü için Teknik Dağıtım Kılavuzu'larını gözden geçirme (MSFT oturum açma gereklidir).
  • Etkileşimli çalışma sayfasını Excel indirin.

Çözüm dağıtıldıktan sonra ilk izlenecek yolu (MSFT oturum açma gereklidir) tamamlarsınız.

Çözüm panosu

Çözüm panosunun en eyleme değiştirilebilir bölümü Fiyatlandırma Önerisi sekmesidir. Bu, öğelerinizin hangilerinin pahalı veya aşırı pahalı olduğunu size söyler. Sekme, her öğe için en uygun fiyatı ve öneriyi benimsemenin tahmin edilen etkisini önerir. Öneriler, artımlı brüt kar elde etme fırsatına göre öncelik kazanır.

Bu fiyatlandırma analizi çözümüne yönelik bir uygulama, AI Gallery çözümünde ve yeniden GitHub açıklanmıştır. Yapay Zeka Galerisi çözümü, ürünlerinize olan talebin, teklif edilen fiyatlara nasıl yanıt vereceklerini göstermek, fiyatlandırma değişiklikleri önerip fiyat değişikliklerinin 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, "yalıtma" gibi ilgili ürün etkilerinin tahminlerini, verilen geçerli süreci tahmin etmek ve model performansı ölçümlerini görmek için bir pano sağlar.

Çözüm mimarisi

Çözüm, işlem Azure SQL Veritabanı ve oluşturulan model tahminlerini depolamak için bir örnek kullanır. Python çekirdek kitaplıkları kullanılarak Azure'da yazılmış bir düzine ML modelleme temel hizmeti vardır. Azure Data Factory model yenilemelerini zamanlar. Sonuçlar bir panoda Power BI görüntülenir. Sağlanan elektronik Excel tahmine dayalı Web Hizmetlerini tüketir.

Mimariyle ilgili daha ayrıntılı bir tartışma için Kendi verilerinizi bağlama ve özelleştirme (oturum açmanın gerekli olması GitHub için Teknik Dağıtım Kılavuzu'GitHub okuyun.

Fiyatlandırma

Geçerli tahmini hesaplamak için Azure fiyatlandırma hesaplayıcısını kullanın. Tahmini çözüm aşağıdaki hizmet maliyetlerini içermeli:

  • S1 standart ML hizmet planı
  • S2 SQL Veritabanı
  • Uygulama barındırma planı
  • Çeşitli ADF veri etkinlikleri ve depolama maliyetleri

Çözümü yeni keşfederken birkaç gün veya saat içinde silebilirsiniz. Azure bileşenlerini silebilirsiniz.

Sonraki adımlar

Bileşen teknolojileri hakkında daha fazla bilgi edinmek için:

Fiyatlandırma çözümleri hakkında daha fazla bilgi edinin:

İlgili mimarileri keşfet: