Redigera

Dela via

Interaktiv prisanalys med transaktionshistorikdata

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

Price Analytics-lösningen använder dina transaktionshistorikdata för att visa hur efterfrågan på dina produkter svarar på de priser du erbjuder.

Arkitektur

Screenshot showing interactive price analytics.

Ladda ned en Visio-fil med den här arkitekturen.

Dataflöde

  1. Med Azure Machine Learning kan du skapa prismodeller.
  2. Azure Blob Storage lagrar modellen och eventuella mellanliggande data som genereras.
  3. Azure SQL Database lagrar transaktionshistorikdata och eventuella genererade modellförutsägelser.
  4. Azure Data Factory används för att schemalägga periodiska (till exempel veckovisa) modelluppdateringar.
  5. Power BI möjliggör en visualisering av resultaten.
  6. Excel-kalkylblad använder prediktiva webbtjänster.

Komponenter

Lösningsdetaljer

Price Analytics-lösningen använder dina transaktionshistorikdata för att visa hur efterfrågan på dina produkter svarar på de priser du erbjuder. Den rekommenderar prisändringar och gör att du kan simulera hur prisändringar skulle påverka din efterfrågan med en fin kornighet.

Lösningen innehåller en instrumentpanel där du kan se:

  • Optimala prisrekommendationer.
  • Objektelasticiteter på objekt-plats-kanal-segmentnivå.
  • Uppskattningar av relaterade produkteffekter, till exempel kannibalisering.
  • Prognoser med tanke på den aktuella processen.
  • Modellprestandamått.

Med direkt interaktion med prismodellen i Excel kan du:

  • Klistra in dina försäljningsdata där och analysera dina priser utan att först behöva integrera data i lösningsdatabasen.
  • Simulera kampanjer och rita efterfrågekurvor (som visar efterfrågans svar på priset).
  • Arbeta med instrumentpanelsdata i numerisk form.

De omfattande funktionerna är inte begränsade till Excel. Den drivs av webbtjänster som du eller din implementeringspartner kan anropa direkt från dina affärsprogram och integrera prisanalys i dina affärsprogram.

Potentiella användningsfall

Den här arkitekturen är perfekt för detaljhandeln och ger prisrekommendationer, uppskattningar och prognoser.

Lösningsbeskrivning

I kärnan av ett arbetsflöde för rigorös prisanalys ligger modellerna för priselasticitet och rekommendationer för optimala priser. De toppmoderna metoderna i modellen undviker de två allvarligaste problemen inom modellering av priskänslighet från historiska data: confounding och glesheten för data.

Confounding är förekomsten av andra faktorer än priset som påverkar efterfrågan. Vi använder en "double-ML"-metod som subtraherar de förutsägbara komponenterna i pris- och efterfrågan innan vi beräknar elasticiteten. Den här metoden immuniserar uppskattningarna till de flesta former av förvirrande. Lösningen kan även anpassas av en partner så att dina data används, och du kan fånga upp potentiella externa faktorer förutom priset som påverkar efterfrågan. Vårt blogginlägg ger mer information om prisers datavetenskap.

Datagleshet beror på att det optimala priset varierar i detalj: företag kan ange priser efter objekt, webbplats, försäljningskanal och till och med kundsegment. Men prislösningar ger ofta bara uppskattningar på produktkategorinivå, eftersom transaktionshistoriken kanske bara innehåller några få försäljningar för varje specifik situation. I vår prissättningslösning används ”hierarkisk regularisering” till att producera konsekventa uppskattningar i sådana datafattiga situationer: när det inte finns tillräckligt många datapunkter så lånar modellen information från andra artiklar i samma kategori, samma artiklar på andra försäljningsställen och så vidare. När mängden historiska data för en given kombination av artikel, försäljningsställe och kanal ökar kommer uppskattningen av elasticiteten att finjusteras.

Den här lösningen för prisanalys visar hur du kan utveckla en prismodell för produkter som baseras på elasticitetsuppskattningar från transaktionshistorikdata. Den här lösningen riktar sig till medelstora företag med små pristeam som saknar omfattande datavetenskapsstöd för skräddarsydda prisanalysmodeller.

Interaktion med prismodellen sker via Excel där du enkelt kan klistra in dina försäljningsdata och analysera dina priser utan att behöva integrera data i lösningsdatabasen först. I kalkylbladet kan du simulera kampanjer och rita efterfrågekurvor (som visar efterfrågans svar på pris) och få åtkomst till instrumentpanelsdata i numerisk form. De omfattande funktionerna i prismodellen kan också nås från webbtjänster och integrera prisanalys direkt i dina affärsprogram.

Azure Machine Learning är kärnlogik i den här lösningen som elasticitetsmodeller skapas från. Maskininlärningsmodeller kan konfigureras med för att undvika två vanliga fallgropar med prismodellering från historiska data: förvirrande effekter och datasparsitet.

Lösningen ger följande fördelar:

  • Visar dig med en enda blick (via instrumentpanelen) hur elastisk din produktefterfrågan är.
  • Innehåller prisrekommendationer för varje produkt i objektkatalogen.
  • Identifierar relaterade produkter (ersättningar och komplement).
  • Gör att du kan simulera kampanjscenarier i Excel.

Överväganden

Överväganden implementerar grundpelarna i Azure Well-Architected Framework, som är en uppsättning vägledande grundsatser som kan användas för att förbättra kvaliteten på en arbetsbelastning. Mer information finns i Microsoft Azure Well-Architected Framework.

Kostnadsoptimering

Kostnadsoptimering handlar om att titta på sätt att minska onödiga utgifter och förbättra drifteffektiviteten. Mer information finns i Översikt över kostnadsoptimeringspelare.

Om du vill beräkna en aktuell uppskattning använder du Priskalkylatorn för Azure. Den uppskattade lösningen bör innehålla följande tjänstkostnader:

  • Serviceplan för S1-standard-ML
  • S2 SQL Database
  • Programvärdplan
  • Diverse ADF-dataaktiviteter och lagringskostnader

Om du bara utforskar lösningen kan du ta bort den om några dagar eller timmar. Kostnaderna slutar att debiteras när du tar bort Azure-komponenterna.

Distribuera det här scenariot

AI-gallerilösningen, som är en implementering av den här lösningsarkitekturen, har två viktiga roller: tekniska resurser och slutanvändare (till exempel prisansvariga).

Tekniska resurser distribuerar lösningen och ansluter den till ett informationslager för företag. Mer information finns i den tekniska guiden. Slutanvändare som använder modellen via ett kalkylblad (eller är integrerade i ett affärsprogram) bör läsa användarhandboken.

Komma igång

Distribuera lösningen med knappen till höger. I instruktionerna efter distributionen ges viktig konfigurationsinformation. Låt dem vara öppna.

Lösningen distribueras med samma exempeldatamängd för apelsinjuicepriser som du hittar bakom knappen Prova nu till höger.

När lösningen distribueras kan du få ett försprång genom att testa och granska:

  • Instrumentpanelen Try-It-Now.
  • Läs användarhandboken för användningsinstruktioner från en prisanalytikers perspektiv (MSFT-inloggning krävs).
  • Läs den tekniska distributionsguiden för en teknisk implementeringsvy (MSFT-inloggning krävs).
  • Ladda ned det interaktiva Excel-kalkylbladet.

När lösningen har distribuerats ska du genomföra den första guiden (du behöver en MSFT-inloggning).

Instrumentpanel för lösningen

Lösningsinstrumentpanelens mest användbara del är fliken Prisförslag. Den anger vilka av dina objekt som är underprisade eller överprisade. Fliken föreslår ett optimalt pris för varje objekt och den förväntade effekten av att anta förslaget. Förslagen är ordnade i prioritetsordning efter den största möjligheten till att förbättra bruttomarginalen.

En implementering av den här prisanalyslösningen beskrivs i AI Gallery-lösningen och GitHub-repro. AI-gallerilösningen använder dina transaktionshistorikdata för att visa hur efterfrågan på dina produkter svarar på de priser du erbjuder, rekommenderar prisändringar och låter dig simulera hur prisändringar skulle påverka din efterfrågan med fin kornighet. Lösningen tillhandahåller en instrumentpanel där du kan se optimala prisrekommendationer, objektelasticiteter på segmentnivå för objekt-plats-kanal, uppskattningar av relaterade produkteffekter som "kannibalisering", prognoser med tanke på aktuell process och modellprestandamått.

Lösningsarkitektur

Lösningen använder en Azure SQL Database-instans för att lagra dina transaktionsdata och de genererade modellförutsägelserna. Det finns ett dussin kärntjänster för elasticitetsmodellering som skapas i Azure ML med hjälp av Python-kärnbibliotek. Azure Data Factory schemalägger modelluppdateringar varje vecka. Resultatet visas på en Power BI-instrumentpanel. Det Excel-kalkylblad som tillhandahålls förbrukar den prediktiva webbtjänsten.

Läs den tekniska distributionsguiden för en mer detaljerad beskrivning av arkitekturen, inklusive avsnittet om att ansluta dina egna data och anpassningar (GitHub-inloggning krävs).

Nästa steg

Läs mer om komponentteknikerna:

Läs mer om prislösningar:

Utforska relaterade arkitekturer: