Edytuj

Udostępnij za pośrednictwem

Interaktywna analiza cen przy użyciu danych historii transakcji

Azure Data Factory
Azure Machine Learning
Excel
Azure Blob Storage
Azure SQL Database

Rozwiązanie Price Analytics wykorzystuje dane historii transakcyjnej, aby pokazać, jak zapotrzebowanie na produkty reaguje na oferowane ceny.

Architektura

Screenshot showing interactive price analytics.

Pobierz plik programu Visio z tą architekturą.

Przepływ danych

  1. Usługa Azure Machine Edukacja umożliwia tworzenie modeli cen.
  2. Usługa Azure Blob Storage przechowuje model i wszystkie wygenerowane dane pośrednie.
  3. Usługa Azure SQL Database przechowuje dane historii transakcji i wszystkie wygenerowane przewidywania modelu.
  4. Usługa Azure Data Factory służy do planowania okresowych (na przykład cotygodniowych) odświeżeń modelu.
  5. Usługa Power BI umożliwia wizualizację wyników.
  6. Arkusze kalkulacyjne programu Excel używają predykcyjnych usług sieci Web.

Elementy

Szczegóły rozwiązania

Rozwiązanie Price Analytics wykorzystuje dane historii transakcyjnej, aby pokazać, jak zapotrzebowanie na produkty reaguje na oferowane ceny. Zaleca zmiany cen i pozwala symulować, w jaki sposób zmiany ceny wpływają na zapotrzebowanie, z dokładnością do dokładnego poziomu.

Rozwiązanie udostępnia pulpit nawigacyjny, na którym można zobaczyć:

  • Optymalne zalecenia dotyczące cen.
  • Elastyczne elementy na poziomie segmentu lokacja-lokacja.
  • Oszacowania skutków związanych z produktem, takich jak kanibalizacja.
  • Prognozy podane w bieżącym procesie.
  • Metryki wydajności modelu.

Korzystając z bezpośredniej interakcji z modelem cenowym w programie Excel, można wykonywać następujące czynności:

  • Wklej tam dane sprzedaży i przeanalizuj ceny bez konieczności wcześniejszego zintegrowania danych z bazą danych rozwiązania.
  • Symulowanie promocji i wykreślij krzywe popytu (pokazując odpowiedzi na zapotrzebowanie na cenę).
  • Praca z danymi pulpitu nawigacyjnego w postaci liczbowej.

Rozbudowane funkcje nie są ograniczone do programu Excel. Jest on oparty na usługach internetowych, które Ty lub Twój partner implementacji może wywoływać bezpośrednio z aplikacji biznesowych, integrując analizę cen z aplikacjami biznesowymi.

Potencjalne przypadki użycia

Ta architektura jest idealna dla branży detalicznej, zapewniając rekomendacje cenowe, oszacowania i prognozy.

Opis rozwiązania

Podstawą ściśle określonego przepływu pracy analizy cen są funkcje modelowania elastyczności cen i sugestii optymalizacji cen. Nasza nowoczesna metoda modelowania pozwala uniknąć dwóch najgorszych problemów związanych z czułością modelowania cen na podstawie danych historycznych: wpływu czynników mylących oraz małej gęstości danych.

Dezorientowanie to obecność czynników innych niż cena, które wpływają na popyt. Używamy podejścia "double-ML", które odejmuje przewidywalne składniki zmienności cen i popytu przed oszacowaniem elastyczności. Takie podejście uodparnia szacunki do większości form zakłócania. Rozwiązanie można także dostosować, korzystając z pomocy partnera, tak aby używało innych zewnętrznych czynników generujących popyt na podstawie rejestrowanych danych. Nasz wpis w blogu zawiera bardziej szczegółowe informacje na temat nauki o danych cen.

Występuje rozrzedzenie danych, ponieważ optymalna cena zależy od szczegółowości: firmy mogą ustawiać ceny według pozycji, witryny, kanału sprzedaży, a nawet segmentu klienta. Jednak rozwiązania cenowe często dają tylko szacunki na poziomie kategorii produktów, ponieważ historia transakcji może zawierać tylko kilka sprzedaży dla każdej konkretnej sytuacji. Nasze rozwiązanie do ustalania cen korzysta z „regularyzacji hierarchicznej” do generowania spójnych szacunków w sytuacji niedoboru danych: przy braku faktycznych danych model „pożycza” informacje od innych towarów w ramach tej samej kategorii, tych samych towarów z innych lokacji itd. W miarę wzrostu ilości danych historycznych w określonej kombinacji towaru/lokacji/kanału wzrasta także precyzja szacowania elastyczności.

Ten pomysł na analizę cen pokazuje, jak można opracować model cen produktów oparty na oszacowaniach elastyczności na podstawie danych historii transakcji. To rozwiązanie jest przeznaczone dla średnich firm z małymi zespołami cenowymi, które nie obsługują szerokiej obsługi nauki o danych dla modeli analizy cen na zamówienie.

Interakcja z modelem cenowym odbywa się za pośrednictwem programu Excel, w którym można łatwo wkleić dane sprzedaży i analizować ceny bez konieczności wcześniejszego zintegrowania danych z bazą danych rozwiązania. W arkuszu kalkulacyjnym można symulować promocje i wykreślić krzywe zapotrzebowania (pokazujące odpowiedź na zapotrzebowanie na cenę) oraz uzyskiwać dostęp do danych pulpitu nawigacyjnego w postaci liczbowej. Dostęp do rozbudowanych funkcji modelu cenowego można również uzyskać z poziomu usług internetowych, integrując analizę cen bezpośrednio z aplikacjami biznesowymi.

Usługa Azure Machine Edukacja to podstawowa logika w tym rozwiązaniu, z którego są tworzone modele elastyczności. Modele uczenia maszynowego można skonfigurować, aby uniknąć dwóch typowych pułapek modelowania cen z danych historycznych: zakłócania efektów i rozrzedy danych.

Rozwiązanie zapewnia następujące korzyści:

  • Pokazuje na pierwszy rzut oka (za pośrednictwem pulpitu nawigacyjnego), jak elastyczne jest zapotrzebowanie na produkt.
  • Zawiera zalecenia dotyczące cen dla każdego produktu w katalogu elementów.
  • Odnajduje powiązane produkty (zamienniki i uzupełnienia).
  • Umożliwia symulowanie scenariuszy promocyjnych w programie Excel.

Kwestie wymagające rozważenia

Zagadnienia dotyczące wdrażania filarów platformy Azure Well-Architected Framework, która jest zestawem wytycznych, które mogą służyć do poprawy jakości obciążenia. Aby uzyskać więcej informacji, zobacz Microsoft Azure Well-Architected Framework.

Optymalizacja kosztów

Optymalizacja kosztów dotyczy sposobów zmniejszenia niepotrzebnych wydatków i poprawy wydajności operacyjnej. Aby uzyskać więcej informacji, zobacz Omówienie filaru optymalizacji kosztów.

Aby obliczyć bieżące oszacowanie, użyj kalkulatora cen platformy Azure. Szacowane rozwiązanie powinno obejmować następujące koszty usług:

  • S1 standardowy plan usługi ML
  • S2 SQL Database
  • Plan hostingu aplikacji
  • Różne działania dotyczące danych usługi ADF i koszty magazynowania

Jeśli po prostu eksplorujesz rozwiązanie, możesz go usunąć za kilka dni lub kilka godzin. Koszty przestaną być naliczane po usunięciu składników platformy Azure.

Wdrażanie tego scenariusza

Rozwiązanie z galerii sztucznej inteligencji, które jest implementacją tej architektury rozwiązania, ma dwie kluczowe role: zasoby techniczne i użytkowników końcowych (takich jak menedżerowie cen).

Zasoby techniczne wdrażają rozwiązanie i łączą je z magazynem danych biznesowych. Aby uzyskać więcej informacji, przeczytaj Przewodnik techniczny. Użytkownicy końcowi korzystający z modelu za pośrednictwem arkusza kalkulacyjnego (lub zintegrowanego z aplikacją biznesową) powinni przeczytać podręcznik użytkownika.

Wprowadzenie

Aby wdrożyć rozwiązanie, kliknij przycisk po prawej stronie. Instrukcje wyświetlone na końcu wdrożenia zawierają istotne dane dotyczące konfiguracji. Pozostaw je otwarte.

Rozwiązanie zostanie wdrożone z tym samym przykładowym zestawem danych dotyczących cen soku pomarańczowego, które pojawią się po kliknięciu przycisku „Wypróbuj teraz” po prawej stronie.

Podczas wdrażania rozwiązania możesz rozpocząć od testowania i przeglądania:

  • Pulpit nawigacyjny Wypróbuj teraz.
  • Zapoznaj się z podręcznikiem użytkownika, aby uzyskać instrukcje użycia z perspektywy analityka cen (wymagany jest identyfikator logowania MSFT).
  • Zapoznaj się z przewodnikiem wdrażania technicznego, aby zapoznać się z widokiem implementacji technicznej (wymagany jest identyfikator logowania MSFT).
  • Pobierz interaktywny arkusz programu Excel.

Po wdrożeniu rozwiązania zapoznaj się z pierwszym omówieniem (wymagane zalogowanie w sieci MSFT).

Pulpit nawigacyjny rozwiązania

Najbardziej praktycznym elementem pulpitu nawigacyjnego rozwiązania jest karta Sugestia cenowa. Informuje o tym, które z elementów są niedosycone lub nadmiernie obciążone. Karta sugeruje optymalną cenę dla każdego elementu i przewidywany wpływ przyjęcia sugestii. Sugestie są uporządkowane według potencjału wygenerowania większego zysku.

Implementacja tego rozwiązania do analizy cen została opisana w rozwiązaniu galerii sztucznej inteligencji i odtworzeniu w usłudze GitHub. Rozwiązanie z galerii sztucznej inteligencji używa danych historii transakcyjnej, aby pokazać, w jaki sposób zapotrzebowanie na oferowane produkty odpowiada na oferowane ceny, polecanie zmian cen i pozwala symulować, w jaki sposób zmiany ceny wpłyną na zapotrzebowanie, z precyzyjnym stopniem szczegółowości. Rozwiązanie udostępnia pulpit nawigacyjny, na którym można zobaczyć optymalne rekomendacje cenowe, elastyczne elementy na poziomie elementu-site-channel-segment, oszacowania skutków związanych z produktem, takich jak "kannibalizacja", prognozy podane w bieżącym procesie i metryki wydajności modelu.

Architektura rozwiązania

Rozwiązanie używa wystąpienia usługi Azure SQL Database do przechowywania danych transakcyjnych i wygenerowanych przewidywań modelu. Istnieje tuzin podstawowych usług modelowania elastyczności, które są tworzone w usłudze Azure ML przy użyciu bibliotek podstawowych języka Python. Usługa Azure Data Factory planuje cotygodniowe odświeżenia modelu. Wyniki są wyświetlane na pulpicie nawigacyjnym usługi Power BI. Dane uzyskane z usług internetowych obsługujących prognozy są rejestrowane w dołączonym arkuszu programu Excel.

Przeczytaj Przewodnik wdrażania technicznego, aby zapoznać się z bardziej szczegółowym omówieniem architektury, w tym tematem dotyczącym łączenia własnych danych i dostosowywania (wymagane jest logowanie w usłudze GitHub).

Następne kroki

Dowiedz się więcej o technologiach składników:

Dowiedz się więcej o rozwiązaniach cenowych:

Zapoznaj się z powiązanymi architekturami: