Solusi Analitik Harga menggunakan data riwayat transaksional Anda untuk menunjukkan kepada Anda bagaimana permintaan produk Anda merespons harga yang Anda tawarkan.
Arsitektur
Unduh file Visio arsitektur ini.
Aliran data
- Azure Machine Learning memungkinkan model harga bangunan.
- Penyimpanan Azure Blob menyimpan model dan data perantara apa pun yang dihasilkan.
- Azure SQL Database menyimpan data riwayat transaksi dan prediksi model yang dihasilkan.
- Azure Data Factory digunakan untuk menjadwalkan refresh model berkala (misalnya, mingguan).
- Power BI memungkinkan visualisasi hasil.
- Excel spreadsheet mengkonsumsi layanan web prediktif.
Komponen
- Azure Data Factory
- Pembelajaran Mesin Azure
- Lembar kerja Microsoft Excel
- Penyimpanan Blob Azure
- Azure SQL Database
- Dasbor di Power BI
Detail solusi
Solusi Analitik Harga menggunakan data riwayat transaksional Anda untuk menunjukkan kepada Anda bagaimana permintaan produk Anda merespons harga yang Anda tawarkan. Ini merekomendasikan perubahan harga dan memungkinkan Anda untuk mensimulasikan bagaimana perubahan harga akan mempengaruhi permintaan Anda, pada granuralitas halus.
Solusi ini menyediakan dasbor tempat Anda dapat melihat:
- Rekomendasi harga yang optimal.
- Elastisitas item pada tingkat segmen saluran-situs-item.
- Perkiraan efek produk terkait seperti kanibalisasi.
- Prakiraan yang diberikan proses saat ini.
- Metrik performa model.
Dengan menggunakan interaksi langsung dengan model harga dalam Excel, Anda dapat:
- Tempelkan data penjualan Anda di sana dan analisis harga Anda tanpa perlu mengintegrasikan data ke dalam database solusi terlebih dahulu.
- Simulasikan promosi dan kurva permintaan plot (menunjukkan respons permintaan terhadap harga).
- Bekerja dengan data dasbor dalam bentuk numerik.
Fungsi yang kaya tidak terbatas pada Excel. Ini didorong oleh layanan web yang dapat Anda atau mitra penerapan Anda hubungi langsung dari aplikasi bisnis Anda, mengintegrasikan analisis harga ke dalam aplikasi bisnis Anda.
Kemungkinan kasus penggunaan
Arsitektur ini sangat ideal untuk industri ritel, memberikan rekomendasi harga, estimasi, dan prakiraan.
Deskripsi solusi
Inti dari alur kerja analisis harga yang ketat adalah pemodelan elastisitas harga dan rekomendasi harga yang optimal. Pendekatan pemodelan canggih mengurangi dua perangkap terburuk dari pemodelan sensitivitas harga dari data historis: membingungkan dan sparsity data.
Confounding adalah adanya faktor selain harga yang mempengaruhi permintaan. Kami menggunakan pendekatan "double-ML" yang mengurangi komponen variasi harga dan permintaan yang dapat diprediksi sebelum memperkirakan elastisitasnya. Pendekatan ini mengimunisasi perkiraan untuk sebagian besar bentuk pembaur. Solusi ini juga dapat disesuaikan oleh mitra penerapan untuk menggunakan data Anda menangkap driver permintaan eksternal potensial selain harga. Posting blog kami memberikan rincian lebih lanjut tentang ilmu data harga.
Perdebatan data terjadi karena harga optimal bervariasi pada biji-bijian halus: bisnis dapat menetapkan harga berdasarkan item, situs, saluran penjualan, dan bahkan segmen pelanggan. Tetapi solusi penetapan harga seringkali hanya memberikan perkiraan pada tingkat kategori produk, karena riwayat transaksi mungkin hanya berisi beberapa penjualan untuk setiap situasi tertentu. Solusi penetapan harga kami menggunakan "regularisasi hierarkis" untuk menghasilkan perkiraan yang konsisten dalam situasi miskin data tersebut: tanpa adanya bukti, model meminjam informasi dari item lain dalam kategori yang sama, item yang sama di situs lain, dan sebagainya. Karena jumlah data historis pada kombinasi saluran-situs-item tertentu meningkat, perkiraan elastisitasnya akan disesuaikan lebih spesifik.
Ide solusi analisis harga ini menunjukkan kepada Anda bagaimana Anda dapat mengembangkan model penetapan harga untuk produk yang didasarkan pada perkiraan elastisitas dari data riwayat transaksi. Solusi ini ditargetkan untuk perusahaan menengah dengan tim harga murah yang kuran memiliki dukungan ilmu data yang lebih untuk model analisis harga yang dipesan lebih dahulu.
Interaksi dengan model harga adalah melalui Excel di mana Anda dapat dengan mudah menempelkan data penjualan Anda dan menganalisis harga Anda tanpa perlu mengintegrasikan data ke dalam database solusi terlebih dahulu. Di spreadsheet, Anda dapat mensimulasikan promosi dan kurva permintaan plot (menampilkan respons permintaan terhadap harga), dan mengakses data dasbor dalam bentuk numerik. Fungsionalitas model harga yang kaya juga dapat diakses dari layanan web, mengintegrasikan analisis harga langsung ke aplikasi bisnis Anda.
Azure Machine Learning adalah logika inti dalam solusi ini dari mana model elastisitas dibuat. Model pembelajaran mesin dapat diatur untuk menghindari dua perangkap umum pemodelan harga dari data historis: efek membingungkan dan sparsity data.
Solusi ini memberikan keuntungan berikut:
- Menunjukkan kepada Anda selintas (melalui dasbor) tentang seberapa elastis permintaan produk Anda.
- Memberikan rekomendasi harga untuk setiap produk di katalog item Anda.
- Menemukan produk terkait (penggantian dan pelengkap).
- Memungkinkan Anda mensimulasikan skenario promosi dalam Excel.
Pertimbangan
Pertimbangan mengimplementasikan pilar Azure Well-Architected Framework, yang merupakan serangkaian tenet panduan yang dapat digunakan untuk meningkatkan kualitas beban kerja. Untuk informasi selengkapnya, lihat Microsoft Azure Well-Architected Framework.
Pengoptimalan biaya
Optimalisasi biaya adalah tentang mencari cara untuk mengurangi pengeluaran yang tidak perlu dan meningkatkan efisiensi operasional. Untuk informasi selengkapnya, lihat Gambaran umum pilar pengoptimalan biaya.
Untuk menghitung perkiraan saat ini, gunakan kalkulator harga Azure. Perkiraan solusi harus mencakup biaya layanan berikut:
- Paket layanan ML standar S1
- SQL Database S2
- Paket hosting aplikasi
- Aktivitas data dan biaya penyimpanan ADF lain-lain
Jika Anda hanya menjelajahi solusinya, Anda dapat menghapusnya dalam beberapa hari atau jam. Biaya akan berhenti ditagih saat Anda menghapus komponen Azure.
Menyebarkan skenario ini
Solusi Galeri AI, yang merupakan penerapan dari arsitektur solusi ini, memiliki dua peran kunci: sumber daya teknis dan pengguna akhir (seperti manajer harga).
Sumber daya teknis menyebarkan solusi dan menghubungkannya ke gudang data bisnis. Untuk informasi lebih lengkap, baca Panduan Teknis. Pengguna akhir yang menggunakan model melalui spreadsheet (atau diintegrasikan ke dalam aplikasi bisnis), harus membaca Panduan Pengguna.
Memulai
Sebarkan solusi dengan tombol di sebelah kanan. Instruksi di akhir penyebaran akan memiliki informasi konfigurasi penting. Biarkan terbuka.
Solusi ini disebarkan dengan contoh data harga jus jeruk yang sama yang Anda temukan di balik tombol Try-It-Now di sebelah kanan.
Saat solusi sedang disebarkan, Anda bisa mendapatkan awal dengan menguji dan meninjau:
- Dasbor Try-It-Now.
- Baca Panduan Pengguna untuk petunjuk penggunaan dari perspektif analis harga (diperlukan login MSFT).
- Tinjau Panduan Penyebaran Teknis untuk tampilan penerapan teknis (diperlukan masuk ke MSFT).
- Unduh lembar kerja Excel interaktif.
Setelah solusi disebarkan, selesaikan penelusuran pertama (diperlukan masuk ke MSFT).
Dasbor solusi
Bagian dasbor solusi yang paling dapat ditindaklanjuti adalah tab Saran Harga. Ini memberi tahu Anda barang mana yang kurang mahal atau terlalu mahal. Tab menunjukkan harga optimal untuk setiap item dan dampak yang diprediksi dari mengadopsi saran. Saran diprioritaskan oleh kesempatan terbesar untuk mendapatkan tambahan bertahap margin kotor.
Penerapan ide solusi analisis harga ini dijelaskan dalam solusi Galeri AI dan GitHub repro. Solusi Galeri AI menggunakan data riwayat transaksional Anda untuk menunjukkan bagaimana permintaan produk Anda merespons harga yang Anda tawarkan, merekomendasikan perubahan harga, dan memungkinkan Anda mensimulasikan bagaimana perubahan harga akan memengaruhi permintaan Anda, dengan granularitas yang baik. Solusi ini menyediakan dasbor, di mana Anda dapat melihat rekomendasi harga optimal, elastisitas item pada tingkat segmen saluran-item-situs, perkiraan efek produk terkait seperti "seperti kanibalisasi", prakiraan yang diberikan proses saat ini, dan metrik performa model.
Solusi Arsitektur
Solusinya menggunakan instans Azure SQL Database untuk menyimpan data transaksional Anda dan prediksi model yang dihasilkan. Ada selusin layanan inti pemodelan elastisitas, yang ditulis di Azure ML menggunakan pustaka inti Python. Azure Data Factory menjadwalkan penyegaran model mingguan. Hasilnya ditampilkan di dasbor Power BI. Spreadsheet Excel yang tersedia mengonsumsi Layanan Web prediktif.
Baca Panduan Penyebaran Teknis untuk diskusi yang lebih rinci tentang arsitektur, termasuk topik menghubungkan data dan penyesuaian Anda sendiri (diperlukan masuk ke GitHub).
Langkah berikutnya
Pelajari selengkapnya tentang teknologi komponen:
- Pengenalan Azure Data Factory
- Apa itu Azure Pembelajaran Mesin?
- Pengantar penyimpanan Blob Azure
- Apa itu Azure SQL Database?
- Apa itu Power BI?
- Membuat dasbor di Power BI
Pelajari lebih lanjut tentang solusi harga:
- Solusi Harga Interaktif Galeri AI
- GitHub repo untuk Interactive Price Analytics
- Panduan Penyebaran Teknis - untuk diskusi yang lebih rinci tentang arsitektur, menyambungkan data dan penyesuaian Anda sendiri.
- Panduan Pengguna - untuk pengguna akhir solusi seperti manajer harga.
- Posting blog: Mesin Harga untuk Semua Orang yang dibangun dengan AzureML dan Python
- Microsoft Learn Path: Bangun solusi AI dengan Azure Machine Learning
Sumber daya terkait
Jelajahi arsitektur terkait: