Utiliser un modèle de prévision de la demande pour l’optimisation des prix

Cette solution prédit la demande des clients et optimise les prix pour maximiser la rentabilité à l’aide des services de Big Data et d’analytique avancée de Microsoft Azure.

Architecture

Téléchargez un fichier Visio de cette architecture.

Dataflow

La plateforme d’intelligence artificielle de Microsoft fournit des outils d’analyse avancée, par exemple, de l’ingestion, du stockage et du traitement des données, ainsi que des composants d’analytique avancée. Ces outils sont les éléments essentiels à la création d’une solution de prévision de la demande et d’optimisation des prix.

1. Le service Azure Data Lake (ou Stockage Blob Azure) stocke, chaque semaine, les données de ventes brutes.
2. Apache Spark pour Azure HDInsight ingère les données et exécute des algorithmes de prétraitement des données, de modélisation des prévisions et d’optimisation des prix.
3. Azure Data Factory orchestre et planifie l’intégralité du flux de données.

Components

• Data Lake Storage stocke, chaque semaine, les données de ventes brutes qui sont lues par Spark sur HDInsight. Vous pouvez également utiliser le service Stockage Blob Azure.
• Spark sur HDInsight ingère les données et exécute des algorithmes de prétraitement des données, de modélisation des prévisions et d'optimisation des prix.
• Data Factory assure l'orchestration et la planification du nouvel apprentissage du modèle.
• Power BI permet de visualiser des résultats afin de surveiller les résultats des ventes, les prévisions de demande future, les prix optimaux recommandés.

Détails du scénario

La tarification est essentielle pour de nombreux secteurs, mais il peut s'agir d'une tâche particulièrement délicate. Les entreprises ont souvent du mal à prévoir avec précision l'impact fiscal des tactiques potentielles, à prendre pleinement en compte les contraintes liées à leur activité principale et à valider avec impartialité les décisions de tarification une fois qu'elles ont été prises. À mesure que l'offre de produits s'élargit et complique les calculs qui sous-tendent les décisions de tarification en temps réel, le processus devient encore plus difficile.

Cette solution répond à ces défis en utilisant les données historiques des transactions pour effectuer l'apprentissage d'un modèle de prévision de la demande dans un contexte de vente au détail. Elle intègre également la tarification des produits d'un groupe concurrent afin de prévoir la cannibalisation et autres impacts transversaux. Un algorithme d'optimisation des prix utilise ensuite ce modèle pour prévoir la demande à différents niveaux de prix et tient compte des contraintes commerciales afin de maximiser le profit potentiel.

Le processus décrit ci-dessus peut être mis en œuvre et déployé sur la plateforme d’intelligence artificielle de Microsoft.

Cas d’usage potentiels

Avec cette solution, vous pouvez ingérer des données historiques sur les transactions, prédire la demande future, et optimiser régulièrement la tarification, ce qui vous permet d’économiser du temps et des efforts en lien avec les tâches de tarification.

Étapes suivantes

Consultez la documentation du produit :

• En savoir plus sur Data Lake Store
• Prise en main d'Azure HDInsight à l'aide d'un cluster Spark avec R Server
• En savoir plus sur Data Factory
• En savoir plus sur Power BI

Liens externes sur les prévisions :

• Prévision de la demande et optimisation des prix dans Azure AI Gallery
• Meilleures pratiques en matière de prévision sur GitHub

Ressources associées

Consultez les articles relatifs au Centre des architectures Azure :

• Prévision de la demande pour les secteurs de la livraison et de la distribution
• Prévision de la demande avec Azure Stream Analytics et Machine Learning