Fiyat iyileştirmesi için talep tahmini modeli kullanma

Blob Depolama
Data Factory
HDInsight
Web Apps
Power BI

Çözüm fikirleri

Bu makale bir çözüm fikridir. İçeriği olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma kılavuzu gibi daha fazla bilgiyle genişletmemizi isterseniz GitHub geri bildirimi sağlayarak bize bildirin.

Bu çözüm gelecekteki müşteri talebini tahmin eder ve Microsoft Azure'dan gelen büyük veri ve gelişmiş analiz hizmetlerini kullanarak kârlılığı en üst düzeye çıkarmak için fiyatlandırmayı iyileştirir.

Mimari

Örnek verilerin Power BI'a akışını gösteren mimari diyagramı: Microsoft AI platformu ile fiyat iyileştirme için talep tahminiBu mimarinin SVG'sini indirin.

Veri akışı

Microsoft AI platformu veri alımı, depolama, işleme ve gelişmiş analiz bileşenleri gibi gelişmiş analiz araçları sağlar. Bu araçlar, talep tahmini ve fiyat iyileştirme çözümü oluşturmak için temel öğelerdir.

  1. Azure Data Lake (veya Azure Blob Depolama) haftalık ham satış verilerini depolar.
  2. Azure HDInsight için Apache Spark, verileri alır ve veri ön işleme, tahmin modelleme ve fiyat iyileştirme algoritmalarını yürütür.
  3. Data Factory, veri akışının tamamını düzenler ve zamanlar.

Bileşenler

  • Azure Data Lake Storage, HDInsight üzerinde Spark tarafından okunan haftalık ham satış verilerini depolar. Alternatif olarak Azure Blob Depolama kullanın.
  • HDInsight'ta Spark verileri alır ve veri ön işleme, tahmin modelleme ve fiyat iyileştirme algoritmalarını yürütür.
  • Data Factory , modeli yeniden eğitme işleminin düzenlemesini ve zamanlamasını işler.
  • Power BI , sonuçların görselleştirilmesini sağlar; satış sonuçlarını ve gelecekteki tahmini talebi ve önerilen en uygun fiyatları izlemek.

Senaryo ayrıntıları

Fiyatlandırma birçok sektör için önemli olsa da en zorlu görevlerden biri olabilir. Şirketler genellikle olası taktiklerin mali etkisini doğru tahmin etmek, temel iş kısıtlamalarını tam olarak göz önünde bulundurmak ve fiyatlandırma kararları alındıktan sonra adil bir şekilde doğrulamakta zorlanır. Ürün teklifleri genişledikçe ve gerçek zamanlı fiyatlandırma kararlarının ardındaki hesaplamaları karmaşıklaştırdıkça süreç daha da zorlaşır.

Bu çözüm, perakende bağlamında talep tahmini modelini eğitmek için geçmiş işlem verilerini kullanarak bu zorlukları ele alır. Ayrıca yamyamlaştırma ve diğer çapraz ürün etkilerini tahmin etmek için rakip bir gruptaki ürünlerin fiyatlandırmasını da içerir. Ardından bir fiyat iyileştirme algoritması bu modeli kullanarak olası kârı en üst düzeye çıkarmak için çeşitli fiyat noktalarında talebi ve iş kısıtlamalarındaki faktörleri tahmin eder.

Yukarıda açıklanan işlem , Microsoft AI platformunda kullanıma hazır hale getirilebilir ve dağıtılabilir.

Olası kullanım örnekleri

Bu çözümle geçmiş işlem verilerini alabilir, gelecekteki talebi tahmin edebilir ve fiyatlandırmayı düzenli olarak iyileştirerek fiyatlandırma görevlerine harcayacağınız zaman ve çabadan tasarruf edebilirsiniz.

Sonraki adımlar

Ürün belgelerine bakın:

Tahmin hakkında dış bağlantılar:

İlgili Azure Mimari Merkezi makalelerine bakın: