Řešení Analýza cen využívá data transakční historie, která vám ukážou, jak poptávka po produktech reaguje na ceny, které nabízíte.
Architektura
Stáhněte si soubor aplikace Visio s touto architekturou.
Tok dat
- Azure Machine Učení umožňuje vytvářet cenové modely.
- Azure Blob Storage ukládá model a veškerá zprostředkující data, která se generují.
- Azure SQL Database ukládá data historie transakcí a všechny vygenerované předpovědi modelu.
- Azure Data Factory se používá k naplánování pravidelných (například týdenních) aktualizací modelu.
- Power BI umožňuje vizualizaci výsledků.
- Excelové tabulky využívají prediktivní webové služby.
Součásti
- Azure Data Factory
- Azure Machine Learning
- Listy Aplikace Microsoft Excel
- Azure Blob Storage
- Azure SQL Database
- Řídicí panel v Power BI
Podrobnosti řešení
Řešení Analýza cen využívá data transakční historie, která vám ukážou, jak poptávka po produktech reaguje na ceny, které nabízíte. Doporučuje změny cen a umožňuje simulovat, jak by změny cen ovlivnily vaši poptávku, a to v jemné členitosti.
Řešení poskytuje řídicí panel, kde můžete vidět:
- Optimální cenová doporučení.
- Elasticity položek na úrovni segmentu item-site-channel.
- Odhady účinků souvisejících produktů, jako je kanibalizace.
- Prognózy zadanou aktuálním procesem
- Metriky výkonu modelu
Pomocí přímé interakce s cenovým modelem v Excelu můžete:
- Vložte data o prodeji tam a analyzujte ceny, aniž byste je museli nejprve integrovat do databáze řešení.
- Simulujte propagační akce a vykreslujte křivky poptávky (zobrazující odezvu poptávky na cenu).
- Práce s daty řídicího panelu v číselné podobě
Bohaté funkce nejsou omezeny na Excel. Řídí se webovými službami, které vy nebo váš implementační partner můžete volat přímo z obchodních aplikací a integrovat analýzu cen do obchodních aplikací.
Potenciální případy použití
Tato architektura je ideální pro maloobchodní odvětví a poskytuje doporučení k cenám, odhady a prognózy.
Popis řešení
Základem pracovního postupu důkladné analýzy cen je modelování cenové elasticity a doporučení optimálních cen. Špičkový přístup k modelování zmírňuje dvě nejhorší nástrahy modelování citlivosti cen z historických dat: zkreslení a řídkost dat.
Confounding je přítomnost jiných faktorů než cena, které ovlivňují poptávku. Používáme přístup typu double-ML, který před odhadem elasticity odečte předvídatelné komponenty cen a odchylek poptávky. Tento přístup imunizuje odhady většiny forem zavádějících. Partner implementace také může toto řešení upravit tak, aby využívalo váš potenciál zachytávání dat i pro jiné faktory ovlivňující poptávku, než je cena. Náš blog příspěvek poskytuje podrobnější informace o datových vědách o cenách.
K sparsity dat dochází, protože optimální cena se liší v podrobném intervalu: podniky mohou nastavit ceny podle položek, webů, prodejních kanálů a dokonce i zákaznických segmentů. Cenová řešení ale často poskytují odhady pouze na úrovni kategorie produktů, protože historie transakcí může obsahovat pouze několik prodejů pro každou konkrétní situaci. Naše řešení pro nastavení cen v takových situacích, kdy není k dispozici dostatek dat, využívá k vytváření konzistentních odhadů „hierarchické sjednocení“: pokud nejsou k dispozici fakta, model si vypůjčí informace od jiných položek ve stejné kategorii, stejných položek v jiných lokalitách atd. S tím, jak se bude zvyšovat množství historických dat pro danou kombinaci položka-lokalita-kanál, budou odhady elasticity konkrétnější.
Toto řešení analýzy cen vám ukáže, jak můžete vyvíjet cenový model pro produkty založené na odhadech elasticity z dat historie transakcí. Toto řešení je zaměřené na středně velké společnosti s malými cenovými týmy, které nemají rozsáhlou podporu datových věd pro cenové analytické modely.
Interakce s cenovým modelem je prostřednictvím Excelu, kde můžete snadno vložit data o prodeji a analyzovat ceny bez nutnosti integrovat data do databáze řešení. V tabulce můžete simulovat propagační akce a vykreslit křivky poptávky (zobrazující odezvu na cenu) a přistupovat k datům řídicího panelu v číselné podobě. K bohatým funkcím cenového modelu je také možné přistupovat z webových služeb a integrovat analýzy cen přímo do vašich obchodních aplikací.
Azure Machine Učení je základní logika v tomto řešení, ze kterého se vytvářejí modely elasticity. Modely strojového učení je možné nastavit tak, aby se zabránilo dvěma běžným úskalím cenového modelování z historických dat: zavádějící účinky a sparsity dat.
Řešení nabízí následující výhody:
- Ukazuje na první pohled (prostřednictvím řídicího panelu), jak je elastická poptávka po produktu.
- Poskytuje cenová doporučení pro každý produkt v katalogu položek.
- Zjišťuje související produkty (náhrady a doplňky).
- Umožňuje simulovat propagační scénáře v Excelu.
Požadavky
Aspekty implementují pilíře dobře architektuře Azure, což je sada hlavních principů, které je možné použít ke zlepšení kvality úlohy. Další informace naleznete v tématu Microsoft Azure Well-Architected Framework.
Optimalizace nákladů
Optimalizace nákladů se zabývá způsoby, jak snížit zbytečné výdaje a zlepšit efektivitu provozu. Další informace najdete v tématu Přehled pilíře optimalizace nákladů.
K výpočtu aktuálního odhadu použijte cenovou kalkulačku Azure. Odhadované řešení by mělo zahrnovat následující náklady na služby:
- Standardní plán služby ML S1
- S2 SQL Database
- Plán hostování aplikací
- Různé datové aktivity ADF a náklady na úložiště
Pokud řešení právě zkoumáte, můžete ho odstranit za několik dní nebo hodin. Náklady se přestanou účtovat, když odstraníte komponenty Azure.
Nasazení tohoto scénáře
Řešení galerie AI, které je implementací této architektury řešení, má dvě klíčové role: technické prostředky a koncoví uživatelé (například správci cen).
Technické prostředky nasazují řešení a připojují ho k obchodnímu datovému skladu. Další informace najdete v technické příručce. Koncoví uživatelé používající model prostřednictvím tabulky (nebo integrované do obchodní aplikace) by si měli přečíst uživatelskou příručku.
Začínáme
Řešení můžete nasadit pomocí tlačítka na pravé straně. Pokyny na konci nasazení budou obsahovat důležité informace o konfiguraci. Nechte je otevřené.
Řešení se nasadí se stejnou sadou ukázkových dat o cenách pomerančového džusu, jakou najdete po kliknutí na tlačítko Try it now (Vyzkoušet) na pravé straně.
Během nasazování řešení můžete začít testováním a kontrolou:
- Řídicí panel Try-It-Now
- Přečtěte si uživatelskou příručku k pokynům k používání z pohledu cenového analytika (vyžaduje se přihlášení MSFT).
- Projděte si průvodce technickým nasazením a podívejte se na zobrazení technické implementace (vyžaduje se přihlášení MSFT).
- Stáhněte si interaktivní excelové listy.
Po nasazení řešení dokončete prvního průvodce (vyžaduje se přihlášení k MSFT).
Řídicí panel řešení
Nejvýraznější částí řídicího panelu řešení je karta Návrh na ceny. Řekne vám, které z vašich položek jsou nedostatečně nebo přepsané. Karta navrhuje optimální cenu pro každou položku a předpokládaný dopad přijetí návrhu. Návrhy mají určenou prioritu podle největší šance na dosažení růstu hrubé marže.
Implementace tohoto řešení pro analýzu cen je popsaná v řešení galerie AI a v úložišti GitHub. Řešení Galerie AI používá data transakční historie k zobrazení toho, jak poptávka vašich produktů reaguje na ceny, které nabízíte, doporučte změny cen a umožňuje simulovat, jak by změny v ceně ovlivnily vaši poptávku, a to v jemné členitosti. Řešení poskytuje řídicí panel, kde můžete zobrazit optimální doporučení k cenám, elasticity položek na úrovni segmentu webu-kanálu, odhady souvisejících účinků produktu, jako je například kannibalizace, prognózy pro aktuální proces a metriky výkonu modelu.
Architektura řešení
Řešení používá instanci azure SQL Database k ukládání transakčních dat a vygenerovaných predikcí modelu. K dispozici je tucet základních služeb modelování elasticity, které jsou vytvořené v Azure ML pomocí základních knihoven Pythonu. Azure Data Factory plánuje týdenní aktualizace modelu. Výsledky se zobrazí na řídicím panelu Power BI. Poskytnutá tabulka aplikace Excel využívá prediktivní webové služby.
Podrobnější informace o architektuře najdete v průvodci technickým nasazením, včetně tématu připojení vlastních dat a přizpůsobení (vyžaduje se přihlášení GitHubu).
Další kroky
Další informace o technologiích komponent:
- Úvod do Azure Data Factory
- Co je Azure Machine Learning?
- Seznámení se službou Azure Blob Storage
- Co je Azure SQL Database?
- Co je Power BI?
- Vytváření řídicích panelů v Power BI
Další informace o cenových řešeních:
- Interaktivní cenové řešení galerie AI
- Úložiště GitHub pro Interaktivní analýzu cen
- Průvodce technickým nasazením – podrobnější diskuzi o architektuře, propojení vlastních dat a přizpůsobení
- Uživatelská příručka – pro koncové uživatele řešení, jako jsou cenoví manažeři.
- Blogový příspěvek: Cenový modul pro všechny vytvořené pomocí AzureML a Pythonu
- Studijní program Microsoft Learn: Vytváření řešení AI s využitím služby Azure Machine Učení
Související prostředky
Prozkoumejte související architektury: