Upravit

Sdílet prostřednictvím


Použitímodeluho

Azure Blob Storage
Azure Data Factory
Azure HDInsight
Azure App Service
Power BI

Nápady na řešení

Tento článek popisuje myšlenku řešení. Váš cloudový architekt může pomocí těchto pokynů vizualizovat hlavní komponenty pro typickou implementaci této architektury. Tento článek slouží jako výchozí bod k návrhu dobře navrženého řešení, které odpovídá konkrétním požadavkům vaší úlohy.

Toto řešení předpovídá budoucí poptávku zákazníků a optimalizuje ceny za účelem maximalizace ziskovosti pomocí služeb pro velké objemy dat a pokročilé analýzy z Microsoft Azure.

Architektura

Diagram architektury znázorňující tok ukázkových dat do Power BI: prognózování poptávky pro optimalizaci cen pomocí platformy Microsoft AI

Stáhněte si soubor aplikace Visio s touto architekturou.

Tok dat

Platforma Microsoft AI poskytuje pokročilé analytické nástroje, jako je příjem dat, úložiště, zpracování a pokročilé analytické komponenty. Tyto nástroje jsou základními prvky pro vytváření prognózování poptávky a řešení pro optimalizaci cen.

  1. Azure Data Lake (nebo Azure Blob Storage) ukládá týdenní nezpracovaná prodejní data.
  2. Apache Spark pro Azure HDInsight ingestuje data a spouští předběžné zpracování dat, prognózování modelování a algoritmy optimalizace cen.
  3. Azure Data Factory orchestruje a plánuje kompletní tok dat.

Komponenty

  • Azure Data Lake Storage ukládá týdenní nezpracovaná prodejní data, která čtou Spark ve službě HDInsight. Jako alternativu použijte Azure Blob Storage.
  • Spark ve službě HDInsight ingestuje data a provádí předběžné zpracování dat, prognózování modelování a algoritmy pro optimalizaci cen.
  • Data Factory zpracovává orchestraci a plánování opětovného trénování modelu.
  • Power BI umožňuje vizualizaci výsledků, monitorovat výsledky prodeje a předpovědět budoucí poptávku a doporučené optimální ceny.

Podrobnosti scénáře

Nastavení cen je pro řadu odvětví zcela klíčové, ale může to být jeden z nejtěžších úkolů. Společnosti se často snaží přesně předpovídat fiskální dopad potenciálních taktik, plně zvažují základní obchodní omezení a po provedení rozhodnutí o cenách poměrně ověřují. S tím, jak se nabídky produktů rozšiřují a komplikují výpočty stojící za rozhodováním o cenách v reálném čase, je tento proces čím dál složitější.

Toto řešení se zaměřuje na tyto výzvy tím, že pomocí historických dat o transakcích trénuje model prognózy poptávky v kontextu maloobchodu. Bere v úvahu také ceny produktů v konkurenční skupině a předvídá uvádění podobných produktů a další dopady na vztahy mezi produkty. Algoritmus pro optimalizaci cen následně pomocí tohoto modelu předpovídá poptávku na různých cenových bodech s ohledem na obchodní omezení pro maximalizaci potenciálního zisku.

Výše popsaný proces je možné zprovoznit a nasadit na platformě Microsoft AI.

Potenciální případy použití

Díky tomuto řešení můžete ingestovat historická data transakcí, předpovídat budoucí poptávku a pravidelně optimalizovat ceny, což vám ušetří čas a úsilí, které byste strávili na cenových úlohách.

Další kroky

Viz dokumentace k produktu:

Externí odkazy týkající se prognózování:

Projděte si související články o Centru architektury Azure: