Lösungsmöglichkeiten
Dieser Artikel ist ein Lösungsvorschlag. Wenn Sie möchten, dass wir diesen Artikel um weitere Informationen ergänzen, z. B. potenzielle Anwendungsfälle, alternative Dienste, Überlegungen zur Implementierung oder Preisempfehlungen, lassen Sie es uns über Feedback auf GitHub wissen.
Diese Lösung prognostiziert die zukünftige Kundennachfrage, und optimiert die Preisgestaltung, um die Rentabilität zu maximieren, indem Sie Big Data- und erweiterte Analysedienste von Microsoft Azure einsetzen.
Aufbau
Laden Sie eine Visio-Datei dieser Architektur herunter.
Datenfluss
Die Microsoft KI-Plattform bietet erweiterte Analysetools wie Datenerfassung, -speicherung, -verarbeitung und erweiterte Analysekomponenten. Diese Tools sind die wesentlichen Elemente für die Entwicklung einer Lösung zur Bedarfsvorhersage und Preisoptimierung.
- Azure Data Lake (oder Azure Blob Storage) speichert die wöchentlichen Rohumsatzdaten.
- Apache Spark für Azure HDInsight erfasst die Daten und führt die Datenvorverarbeitung, Prognosemodellierung und Preisoptimierungsalgorithmen aus.
- Azure Data Factory orchestriert und plant den gesamten Datenfluss.
Komponenten
- Azure Data Lake Storage speichert die wöchentlichen Rohumsatzdaten, die von Spark in HDInsight eingelesen werden. Alternativ können Sie Azure Blob Storage verwenden.
- Spark in Azure HDInsight erfasst die Daten und führt die Datenvorverarbeitung, Prognosemodellierung und Preisoptimierungsalgorithmen aus.
- Data Factory übernimmt die Orchestrierung und Planung des erneuten Trainings des Modells.
- Power BI ermöglicht die Visualisierung von Ergebnissen. Sie können die Umsatzergebnisse und den vorhergesagten zukünftigen Bedarf sowie empfohlene optimale Preise überwachen.
Szenariodetails
Die Preisgestaltung gilt in vielen Branchen als entscheidender Faktor, kann aber eine der anspruchsvollsten Aufgaben darstellen. Unternehmen haben oft Schwierigkeiten, die steuerlichen Auswirkungen möglicher Taktiken genau zu prognostizieren, die Einschränkungen des Kerngeschäfts vollständig zu berücksichtigen und einmal getroffene Preisentscheidungen fair zu bewerten. Da sich das Produktangebot erweitert, was die Berechnungen hinter der Preisgestaltung in Echtzeit erschwert, wird diese Aufgabe noch komplexer.
Diese Lösung geht auf die zuvor genannten Herausforderungen ein, indem historische Transaktionsdaten zum Trainieren eines Nachfrageprognosemodells in einem Einzelhandelskontext verwendet werden. Die Preisgestaltung von Produkten in einer konkurrierenden Gruppe wird ebenfalls integriert, um produktübergreifende Auswirkungen wie Kannibalisierung vorherzusagen. Ein Preisoptimierungsalgorithmus verwendet anschließend dieses Modell, um die Nachfrage zu verschiedenen Preispunkten zu prognostizieren und berücksichtigt dabei geschäftliche Einschränkungen, um den möglichen Gewinn zu maximieren.
Der oben beschriebene Prozess kann in der Microsoft KI-Plattform operationalisiert und bereitgestellt werden.
Mögliche Anwendungsfälle
Mit dieser Lösung können Sie historische Transaktionsdaten erfassen, den zukünftigen Bedarf vorhersagen und Preise regelmäßig optimieren und so Zeit und Aufwand einsparen, die sonst für Preisgestaltungsaufgaben anfallen.
Nächste Schritte
Weitere Informationen finden Sie in der Produktdokumentation:
- Weitere Informationen zu Data Lake Store
- Erste Schritte mit HDInsight mithilfe eines Spark-Clusters mit R Server
- Weitere Informationen zu Data Factory
- Weitere Informationen zu Power BI
Externe Links zur Vorhersage:
- Bedarfsvorhersage und Preisoptimierung im Azure KI-Katalog
Zugehörige Ressourcen
Weitere Informationen finden Sie in verwandten Azure Architecture Center-Artikeln: