Bearbeiten

Freigeben über

Interaktive Preisanalyse mit Transaktionsverlaufsdaten

Azure Data Factory
Azure Machine Learning
Excel
Azure Blob Storage
Azure SQL-Datenbank

Die Preisanalyse-Lösung nutzt die Daten aus Ihrem Transaktionsverlauf, um darzustellen, wie die Nachfrage nach Ihren Produkten auf die von Ihnen angebotenen Preise reagiert.

Aufbau

Screenshot der interaktiven Preisanalyse.

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

  1. Azure Machine Learning ermöglicht das Erstellen von Preismodellen.
  2. Azure Blob Storage speichert das Modell und alle erzeugten Zwischendaten.
  3. Azure SQL-Datenbank speichert Transaktionsverlaufsdaten und alle erzeugten Modellvorhersagen.
  4. Azure Data Factory wird verwendet, um regelmäßige (z. B. wöchentliche) Modellaktualisierungen zu planen.
  5. Power BI bietet eine Visualisierung der Ergebnisse.
  6. Excel Kalkulationstabellen verwenden Vorhersagewebdienste.

Komponenten

Details zur Lösung

Die Preisanalyse-Lösung nutzt die Daten aus Ihrem Transaktionsverlauf, um darzustellen, wie die Nachfrage nach Ihren Produkten auf die von Ihnen angebotenen Preise reagiert. Es empfiehlt Preisänderungen und ermöglicht es Ihnen, mit feiner Granularität zu simulieren, wie sich Preisänderungen auf Ihre Nachfrage auswirken würden.

Die Lösung beinhaltet ein Dashboard, auf dem Folgendes angezeigt wird:

  • Optimale Preisempfehlungen.
  • Artikeleastizität auf Artikel-Standort-Kanal-Segmentebene.
  • Schätzungen verwandter Produkteffekte, z. B. Kannibalisierung.
  • Vorhersagen zum aktuellen Prozess.
  • Leistungsmetriken für Datenträger.

Mithilfe der direkten Interaktion mit dem Preismodell in Excel können Sie:

  • Ihre Umsatzdaten dort einfügen und Ihre Preise analysieren, ohne die Daten zuerst in die Lösungsdatenbank integrieren zu müssen.
  • Werbeaktionen simulieren und Nachfragekurven erstellen (Anzeige der Nachfrageantwort auf den Preis).
  • Mit Dashboarddaten in numerischer Form arbeiten.

Die umfassenden Funktionen sind nicht auf Excel beschränkt. Sie basieren auf Webdiensten, die von Ihnen oder Ihrem Implementierungspartner direkt aus Ihren Geschäftsanwendungen aufgerufen werden können, um die Preisanalyse in Geschäftsanwendungen zu integrieren.

Mögliche Anwendungsfälle

Diese Architektur eignet sich ideal für den Einzelhandel und bietet Preisempfehlungen, Schätzungen sowie Prognosen.

Beschreibung der Lösung

Im Zentrum eines strikten Preisanalyseworkflows liegen die Preiselastizitätsmodellierung und Empfehlungen zu optimalen Preisen. Mit dem modernen Modellierungsansatz werden die beiden größten Probleme beim Modellieren der Preissensitivität aus historischen Daten abgeschwächt: Unklarheit und geringe Datendichte.

Die Unklarheit betrifft das Vorhandensein von anderen Faktoren als dem Preis, die sich auf die Nachfrage auswirken. Wir verwenden einen Ansatz mit doppeltem maschinellem Lernen, der die vorhersagbaren Komponenten aus Preis- und Nachfrageschwankungen abzieht, bevor die Elastizität geschätzt wird. Bei diesem Ansatz bleiben die Schätzungen von den meisten Formen der Unklarheit unberührt. Die Lösung kann auch von einem Implementierungspartner für die Verwendung Ihrer Daten angepasst werden, um potenzielle externe Bedarfseinflüsse außer dem Preis zu erfassen. In unserem Blogbeitrag finden Sie weitere Details zum Thema Data Science bei Preisen.

Eine geringe Datendichte ist auf feinkörnige Variationen des optimalen Preises zurückzuführen: Unternehmen können Preise nach Artikel, Standort, Vertriebskanal und sogar Kundensegment festlegen. Oft bieten Preislösungen jedoch nur Schätzungen auf Produktkategorie-Ebene an, da im Transaktionsverlauf möglicherweise nur wenige Verkäufe für die einzelnen spezifischen Situationen vorhanden sind. Unsere Preislösung verwendet eine „hierarchische Regularisierung“, um in solchen Situationen mit wenigen Daten konsistente Schätzwerte zu erhalten: Wenn keine Belege vorhanden sind, übernimmt das Modell Informationen von anderen Artikeln derselben Kategorie, denselben Artikeln an anderen Standorten usw. Wenn die Menge der Verlaufsdaten für eine bestimmte Kombination aus Artikel, Standort und Kanal zunimmt, wird die Elastizitätsschätzung genauer angepasst.

Diese Lösungsidee zur Preisanalyse zeigt, wie Sie ein Preismodell für Produkte entwickeln können, das auf Elastizitätsschätzungen aus Transaktionsverlaufsdaten basiert. Diese Lösung richtet sich an mittelgroße Unternehmen mit kleinen Preisteams, die auf keine umfassende Data-Science-Unterstützung für maßgeschneiderte Preisanalysemodelle zugreifen können.

Die Interaktion mit dem Preismodell erfolgt über Excel. Sie fügen Ihre Umsatzdaten einfach dort ein und können Ihre Preise analysieren, ohne die Daten zuerst in die Lösungsdatenbank integrieren zu müssen. In der Kalkulationstabelle können Sie Aktionen simulieren und Nachfragekurven zeichnen (die die Nachfrageantwort auf den Preis anzeigen) und auf Dashboarddaten in numerischer Form zugreifen. Auf die umfangreiche Funktionalität des Preismodells kann auch über Webdienste zugegriffen werden, indem Preisanalysen direkt in Geschäftsanwendungen integriert werden.

Azure Machine Learning ist die Kernlogik in dieser Lösung, mit der Elastizitätsmodelle erstellt werden. Machine-Learning-Modelle können mit eingerichtet werden, um zwei häufige Fehlerquellen bei der Preismodellierung aus Verlaufsdaten zu vermeiden: Effekte aufgrund von Unklarheit und geringe Datendichte.

Die Lösung bietet folgende Vorteile:

  • Sie zeigt Ihnen auf einen Blick (auf dem Dashboard), wie elastisch Ihre Produktnachfrage ist.
  • Sie gibt Preisempfehlungen für jedes Produkt in Ihrem Artikelkatalog.
  • Sie findet verwandte Produkte (Ersatz- und ergänzende Produkte).
  • Sie ermöglicht das Simulieren von Werbeszenarien in Excel.

Überlegungen

Überlegungen beruhen auf den Säulen des Azure Well-Architected Frameworks, d. h. einer Reihe von Grundsätzen, mit denen die Qualität von Workloads verbessert werden kann. Weitere Informationen finden Sie unter Microsoft Azure Well-Architected Framework.

Kostenoptimierung

Bei der Kostenoptimierung geht es um die Suche nach Möglichkeiten, unnötige Ausgaben zu reduzieren und die Betriebseffizienz zu verbessern. Weitere Informationen finden Sie unter Übersicht über die Säule „Kostenoptimierung“.

Verwenden Sie den Azure-Preisrechner, um eine aktuelle Schätzung zu berechnen. Die geschätzte Lösung sollte die folgenden Dienstkosten beinhalten:

  • Standard-ML-Diensttarif S1
  • SQL-Datenbank S2
  • App-Hostingplan
  • Verschiedenen ADF-Datenaktivitäten und Speicherkosten

Wenn Sie sich die Lösung nur ansehen möchten, können Sie sie nach einigen Tagen oder Stunden wieder löschen. Wenn Sie die Azure-Komponenten löschen, fallen keine weiteren Kosten an.

Bereitstellen dieses Szenarios

Die KI-Kataloglösung, bei der es sich um eine Implementierung dieser Lösungsarchitektur handelt, hat zwei Hauptrollen: technische Ressourcen und Endbenutzer (z. B. Preismanager).

Technische Ressourcen stellen die Lösung bereit und verbinden sie mit einem Business Data Warehouse. Weitere Informationen finden Sie im technischen Handbuch. Endbenutzer, die das Modell über eine Kalkulationstabelle verwenden (oder in einer Geschäftsanwendung integriert), sollten sich auf das Benutzerhandbuch beziehen.

Erste Schritte

Stellen Sie die Lösung über die Schaltfläche rechts bereit. Die Anweisungen am Ende der Bereitstellung enthalten wichtige Konfigurationsinformationen. Lassen Sie diese geöffnet.

Die Lösung wird mit demselben Beispieldataset mit Preisen für Orangensaft bereitgestellt, das Sie über die Schaltfläche „Jetzt ausprobieren“ rechts finden.

Während Sie auf die Bereitstellung der Lösung warten, können Sie bereits mit dem Testen und Überprüfen beginnen:

  • Das Try-It-Now-Dashboard.
  • Lesen Sie das Benutzerhandbuch, um Nutzungsanweisungen von einem Preisanalysten zu erhalten (MSFT-Anmeldung erforderlich).
  • Lesen Sie das Handbuch zur technischen Bereitstellung, um Einblicke in die technische Implementierung zu erhalten (MSFT-Anmeldung erforderlich).
  • Laden Sie das interaktive Excel-Arbeitsblatt herunter.

Schließen Sie nach der Bereitstellung der Lösung die erste exemplarische Vorgehensweise ab (MSFT-Anmeldung erforderlich).

Lösungsdashboard

Der interaktivste Bereich des Lösungsdashboards ist die Registerkarte mit den Preisempfehlungen. Ihr können Sie entnehmen, welche Artikel zu wenig und welche zu viel kosten. Die Registerkarte schlägt einen optimalen Preis für jedes Element vor und zeigt die vorhergesagten Auswirkungen der Annahme des Vorschlags an. Die Vorschläge sind nach der größten Bruttoumsatzchance priorisiert.

In diesem GitHub-Repository für interactive Price Analytics wird eine Implementierung dieser Lösungsidee zur Preisanalyse beschrieben. Die Lösung bietet ein Dashboard, in dem Sie optimale Preisempfehlungen, Elementlastizitäten auf Elementkanalsegmentebene, Schätzungen verwandter Produkteffekte wie Cannibalisierung, Prognosen nach aktuellem Prozess und Modellleistungsmetriken sehen können.

Lösungsarchitektur

Die Lösung verwendet eine Azure SQL-Datenbankinstanz zum Speichern der Transaktionsdaten und der generierten Modellvorhersagen. Es gibt ein Dutzend zentrale Dienste für die Elastizitätsmodellierung, die in Azure Machine Learning mithilfe von Python-Kernbibliotheken erstellt wurden. Azure Data Factory plant wöchentliche Aktualisierungen von Modellen. Die Ergebnisse werden in einem Power BI-Dashboard angezeigt. Das bereitgestellte Excel-Arbeitsblatt verwendet die Vorhersagewebdienste.

Eine ausführlichere Erläuterung zur Architektur, einschließlich dem Verbinden Ihrer eigenen Daten und Anpassungen (GitHub-Anmeldung erforderlich) finden Sie im Handbuch zur technischen Bereitstellung.

Nächste Schritte

Erfahren Sie mehr über die Komponententechnologien:

Erfahren Sie mehr über Preislösungen:

Erkunden Sie die verwandten Architekturen: