Løsningsarkitektur: Prognosticering af efterspørgsel og prisoptimering til markedsføringsformål

Prisfastsættelse er afgørende i mange brancher, men det kan være en af de mest udfordrende opgaver. Virksomheder kæmper ofte med at lave præcise prognoser for den økonomiske effekt af potentielle taktikker, som fuldt ud tager højde for essentielle forretningsmæssige begrænsninger, og som på en fair måde validerer prisrelaterede beslutninger, når de først er truffet. Efterhånden som produkttilbuddene udvides og komplicerer beregningerne bag de prisrelaterede beslutninger, der træffes i realtid, bliver processen endnu vanskeligere.

Denne løsning tager fat i disse udfordringer ved at anvende historiske transaktionsdata til at træne en model for efterspørgselsprognoser i en detailmæssig kontekst. Den inkorporerer også prisfastsættelse af produkter i en konkurrerende gruppe for at forudsige kannibalisering og andre virkninger på tværs af produkterne. Derefter bruger en prisoptimeringsalgoritme denne model til at prognosticere efterspørgslen ved forskellige prispoint og faktorer i forretningsmæssige begrænsninger for at maksimere den potentielle fortjeneste.

Ved at bruge denne løsning til at overføre historiske transaktionsdata, forudsige fremtidig efterspørgsel og jævnligt optimere prisfastsættelsen kan du spare tid og kræfter i forbindelse med processen og dermed øge virksomhedens rentabilitet.

Installér på Azure

Brug følgende forhåndsbyggede skabelon til at installere denne arkitektur på Azure

Installér på Azure
behovsprognose + prisoptimering | Microsoft Azure Diagram, der viser forholdet mellem fem produkter og serviceydelser – repræsenteret af ikoner. Diagrammet viser to ikoner i øverst række, to i den midterste række og et i den nederste række. Øverst til venstre ses ikonet for Azure Web Jobs, som genererer simuleringsdata. Til højre ses Azure Data Lake Store, som er forbundet med en envejspil, og her gemmer løsningen simuleringsdataene. Under Data Lake Store ses Spark på HDInsight, som er forbundet med en tovejspil, og her overføres data, som bruges til at træne modeller og udføre optimeringsalgoritmer. Derunder ses Data Factory, som også er forbundet med en tovejspil. Her tilrettelægges og planlægges hele dataflowet. Og til højre for Spark på HDInsight ses Power BI, der er forbundet med en envejspil. Her visualiseres dataene, så det er lette at overvåge. Data Factory: Move data, orchestrate, schedule and monitor Power BI Data Simulator Web Job Azure Data Lake Store Spark on HDInsight

Implementeringsvejledning

Produkter Dokumentation

Data Lake Store

Data Lake Store gemmer rådata for salg hver uge, og de læses af Spark på HDInsight.

Apache Spark for Azure HDInsight

Spark på HDInsight overfører dataene og udfører forbehandling af data, prognosticeringsmodeller og prisoptimeringsalgoritmer.

Data Factory

Data Factory håndterer tilrettelæggelse og planlægning af gentræningen af modeller.

Power BI

Power BI visualiserer salgsresultater, den forudsagte kommende efterspørgsel, og de anbefalede optimale priser for en række produkter, der er solgt i forskellige butikker.

Relaterede løsningsarkitekturer