Navigation überspringen

Interaktive Preisanalyse

Die Preisanalyselösung verwendet Daten Ihres Transaktionsverlaufs, um Ihnen zu zeigen, wie die Nachfrage nach Ihren Produkten auf die von Ihnen angebotenen Preise reagiert. Zudem empfiehlt die Lösung Preisänderungen und ermöglicht es Ihnen, mit einem hohen Detailgrad zu simulieren, wie sich Änderungen am Preis auf die Nachfrage auswirken würden.

Die Lösung bietet ein Dashboard, auf dem Sie Folgendes anzeigen können: Empfehlungen für den optimalen Preis, Artikelelastizität auf Artikel-, Website-, Kanal- oder Segmentebene, voraussichtliche Auswirkungen auf verwandte Produkte (z.B. Kannibalisierung), Vorhersagen basierend auf dem aktuellen Prozess sowie Leistungsmetriken des Modells.

Durch direkte Interaktion mit dem Preismodell in Excel können Sie einfach Ihre Vertriebsdaten einfügen und Ihre Preise analysieren. Sie müssen nicht erst Daten in die Lösungsdatenbank einspielen, Werbeaktionen simulieren, Nachfragekurven erzeugen (um die Reaktion der Nachfrage auf den Preis zu veranschaulichen) und Dashboarddaten in numerischer Form anzeigen.

Dieser Funktionsumfang ist nicht auf Excel beschränkt. Er basiert auf Webdiensten, die Sie bzw. Ihr Implementierungspartner direkt aus Ihren Geschäftsanwendungen aufrufen können, um die Preisanalyse direkt in diese Anwendungen zu integrieren.

Beschreibung

Hinweis: Wenn Sie diese Lösung bereits bereitgestellt haben, klicken Sie hier, um sich Ihre Bereitstellung anzeigen zu lassen.

Geschätzte Bereitstellungszeit: 15 Minuten

Den Kern eines präzisen Preisanalyseworkflows bilden die Modellierung der Preiselastizität und Empfehlungen zum optimalen Preis. Ein modernes Modellierungskonzept minimiert die beiden schlimmsten Stolperfallen bei der Modellierung der Preisgestaltung aus früheren Daten: Störfaktoren und unzureichende Datengrundlage.

Störfaktoren sind Faktoren, bei denen es sich nicht um den Preis handelt, die sich aber auf die Nachfrage auswirken. Wir verwenden einen „Doppel-ML“-Ansatz, der vor der Einschätzung der Elastizität die vorhersehbaren Komponenten von Preis- und Nachfrageabweichungen herausrechnet, sodass die Schätzungen gegen die meisten Störfaktoren immunisiert sind. Die Lösung kann auch durch einen Implementierungspartner so angepasst werden, dass Ihre Daten verwendet und dabei potenzielle externe Nachfragefaktoren erfasst werden, bei denen es sich nicht um den Preis handelt. In unserem Blogbeitrag erhalten Sie weitere Informationen zur Data Science in Bezug auf Preise.

Eine unzureichende Datengrundlage kann vorliegen, wenn die optimalen Preise auf Detailebene abweichen: Unternehmen können Preise nach Artikel, Website, Vertriebskanal und sogar Kundensegment festlegen. Preisgestaltungslösungen bieten jedoch häufig nur Schätzungen auf Ebene des Produktkatalogs, weil der Transaktionsverlauf möglicherweise nur einige wenige Verkäufe für jede spezifische Situation enthält. Unsere Preisgestaltungslösung verwendet eine „hierarchische Regularisierung“, um in solchen Situationen konsistente Schätzungen zu liefern: Aus Mangel an belastbaren Daten bezieht das Modell Informationen aus anderen Artikeln in der gleichen Kategorie, den gleichen Artikeln auf anderen Websites usw. Wenn die Menge an Verlaufsdaten für eine bestimmte Kombination aus Artikel, Website und Kanal wächst, wird die Elastizitätsschätzung verfeinert.

Diese Lösung analysiert frühere Preise und bietet zudem Folgendes:

  • Sie können auf dem Dashboard auf den ersten Blick erkennen, wie elastisch die Nachfrage nach Ihren Produkten ist.
  • Sie erhalten Preisempfehlungen für jedes Produkt in Ihrem Katalog.
  • Die Lösung erkennt verwandte Produkte (Ersatz- und Ergänzungsprodukte).
  • Sie können Angebotsszenarien in Excel simulieren.

Geschätzte Kosten

Die Kosten für die Lösung belaufen sich auf ca. $10/Tag ($300/Monat).

  • $100 für einen ML-Standard-Serviceplan im Tarif S1
  • $75 für eine S2-SQL-Datenbank
  • $75 für einen App-Hostingplan
  • $50 für verschiedene ADF-Datenaktivitäten und Speicherkosten

Wenn Sie die Lösung nur erkunden möchten, können Sie sie nach wenigen Stunden oder Tagen löschen. Die Kosten werden anteilig berechnet und entfallen ganz, wenn Sie die Azure-Komponenten löschen.

Erste Schritte

Stellen Sie die Lösung über die Schaltfläche auf der rechten Seite bereit. Die Anweisungen am Ende der Bereitstellung enthalten wichtige Konfigurationsinformationen. Lassen Sie diese geöffnet.

Die Lösung wird mit dem gleichen Dataset für Orangensaftpreise bereitgestellt, auf das Sie über die Schaltfläche „Jetzt ausprobieren“ auf der rechten Seite zugreifen können.

Während die Lösung bereitgestellt wird, können Sie schon loslegen:

  • Sehen Sie sich an, welche Elemente auf dem Jetzt ausprobieren-Dashboard zur Verfügung stehen.
  • Im User Guide (Benutzerleitfaden) erhalten Sie nützliche Hinweise aus der Perspektive eines Preisanalysten (Microsoft-Anmeldung erforderlich).
  • Lesen Sie den Technical Deployment Guide (Leitfaden für die technische Bereitstellung), um einen Einblick in die technische Implementierung zu erhalten (Microsoft-Anmeldung erforderlich).
  • Laden Sie die interaktive Excel-Tabelle herunter.

Sobald die Bereitstellung abgeschlossen ist, sehen Sie sich die erste exemplarische Vorgehensweise an (Microsoft-Anmeldung erforderlich).

Lösungsdashboard

Der Teil des Lösungsdashboards, der die meisten umsetzbaren Informationen bietet, ist die Registerkarte mit den Preisvorschlägen. Hier erfahren Sie, für welche Artikel der Preis zu hoch oder zu niedrig ist, und Sie erhalten Empfehlungen zum optimalen Preis für jeden Artikel sowie Informationen dazu, wie sich eine Übernahme der Empfehlungen auswirken wird. Die Empfehlungen werden anhand der möglichen Bruttomarge priorisiert.

Registerkarte des Dashboards mit Empfehlungen

Auf den weiteren Registerkarten erhalten Sie ergänzende Informationen, die veranschaulichen, wie das System zu den Empfehlungen gelangt ist. Diese Informationen werden im User Guide (Benutzerleitfaden) ausführlich erläutert. (Sie müssen mit einem Microsoft Azure-Konto bei GitHub angemeldet sein, während die Lösung sich in der privaten Vorschau befindet.)

Lösungsarchitektur

Diese Lösung verwendet eine Azure SQL Server-Instanz, um Ihre Transaktionsdaten und die generierten Modellprognosen zu speichern. Es gibt ein Dutzend grundlegende Dienste für die Elastizitätsmodellierung, die mithilfe von Python-Kernbibliotheken in Azure ML erstellt werden. Azure Data Factory plant wöchentliche Modellaktualisierungen. Die Ergebnisse werden auf einem Power BI-Dashboard angezeigt. Die bereitgestellte Excel-Tabelle verwendet die Prognosewebdienste.

Eine genauere Erläuterung der Architektur, der Einbindung Ihrer eigenen Daten und der Anpassung finden Sie im Technical Deployment Guide (Leitfaden für die technische Bereitstellung, Anmeldung bei GitHub erforderlich).

Haftungsausschluss

©2017 Microsoft Corporation. Alle Rechte vorbehalten. Alle Informationen werden im vorliegenden Zustand bereitgestellt und können sich ohne Vorankündigung ändern. Microsoft leistet weder ausdrücklich noch stillschweigend Gewähr hinsichtlich der hier zur Verfügung gestellten Informationen. Zur Erstellung der Lösung wurden Drittanbieterdaten verwendet. Sie sind dafür verantwortlich, die Rechte Dritter zu berücksichtigen. Hierzu zählen u.a. das Beschaffen relevanter Lizenzen, die zur Erstellung ähnlicher Datensätze benötigt werden, und das Erfüllen der jeweiligen Lizenzbedingungen.

Zugehörige Lösungsarchitekturen

Nachfragevorhersage

Die genaue Vorhersage von Nachfragespitzen für Produkte und Dienste kann Unternehmen einen Wettbewerbsvorteil verschaffen. Diese Lösung konzentriert sich auf die Nachfragevorhersage innerhalb des Energiesektors.

Nachfragevorhersage und Preisoptimierung

Die Preisgestaltung ist in vielen Branchen der Dreh- und Angelpunkt des Erfolgs und kann eine der größten Herausforderungen sein. Unternehmen haben häufig mit verschiedenen Aspekten des Preisgestaltungsprozesses zu kämpfen, z.B. der exakten Vorhersage der finanziellen Auswirkungen möglicher Taktiken, der sinnvollen Einbeziehung wichtiger geschäftlicher Einschränkungen und der richtigen Bewertung der angewandten Preisentscheidungen. Eine Erweiterung des Produktangebots kann die Anforderungen hinsichtlich der Berechnung erhöhen, um Preisentscheidungen in Echtzeit fällen zu können – so wird diese Aufgabe, die sowie schon nahezu überwältigend ist, noch schwieriger.

User ActionSimulation Personalized OfferLogic System ResponseQueue User ActionQueue Event Hub Stream Analytics Power BI Machine Learning Cold StartProduct Affinity User Document DB Product Offers Reference Product Views Offer Views Cache Update Logic Azure Services Raw Stream Data 1 2 3 5 4

Personalisierte Angebote

Moderne Unternehmen können in der heutigen wettbewerbsorientierten und verbundenen Umgebung mit generischen, statischen Onlineinhalten nicht mehr überleben. Marketingstrategien mit traditionellen Mitteln sind darüber hinaus oft teuer, aufwendig zu implementieren und führen nicht zu der erwünschten ROI. Diese Systeme nutzen häufig nicht alle gesammelten Daten, um eine persönlichere Benutzererfahrung zu erzeugen.