Omitir navegación

Análisis de precios interactivo

La solución de análisis de precios utiliza datos históricos de transacciones para mostrar cómo responde la demanda de sus productos a los precios que ofrece, con el fin de recomendar cambios en los precios y permitir una simulación pormenorizada del impacto que tendrían esos cambios en la demanda.

La solución proporciona un panel donde puede ver precios óptimos recomendados, la elasticidad de los artículos en el nivel de artículo-sitio-canal-segmento, estimaciones de efectos en productos relacionados, como la “canibalización”, previsiones para el proceso actual y métricas de rendimiento del modelo.

La interacción directa con el modelo de precios en Excel permite, simplemente, pegar ahí sus datos de ventas y analizar los precios sin necesidad de integrar primero los datos en la base de datos de la solución, simular promociones y trazar curvas de demanda (mostrando la respuesta de la demanda a los precios), así como acceder a los datos del panel con formato numérico.

Esta funcionalidad tan completa no se limita solo a Excel. También se utilizan servicios web a los que usted o su asociado de implementación pueden llamar directamente desde sus aplicaciones empresariales e integrar así el análisis de precios en dichas aplicaciones.

Descripción

Nota: Si ya ha implementado esta solución, haga clic aquí para ver la implementación.

Tiempo de aprovisionamiento estimado: 15 minutos

En el núcleo de un flujo de trabajo de análisis de precios riguroso se encuentran los modelos de elasticidad y las recomendaciones de precios óptimos. La novedosa metodología de elaboración de modelos mitiga las dos mayores dificultades de la creación de modelos de elasticidad de los precios: la confusión y la escasez de datos.

La confusión es la presencia de factores que no sean los precios que afectan a la demanda. Usamos un método de "doble ML" que sustrae los componentes predecibles de la variación del precio y la demanda antes de calcular la elasticidad, lo que inmuniza las estimaciones frente a la mayoría de los factores de confusión. Un asociado de implementación puede personalizar también la solución para que use sus datos capturando posibles impulsores de la demanda externos distintos del precio. En esta entrada de blog, se ofrece información más detallada sobre la ciencia de datos de precios.

La escasez de datos se produce porque el precio óptimo varía en algo muy específico: las empresas pueden establecer precios por artículo, sitio, canal de ventas e, incluso, segmento de clientes, pero, con frecuencia, las soluciones de precios solo ofrecen estimaciones en el nivel de categoría del producto, porque el historial de transacciones puede contener solo algunas ventas para cada situación específica. Nuestra solución de precios utiliza "regularización jerárquica" para ofrecer estimaciones coherentes en estas situaciones de escasez de datos: en ausencia de pruebas, el modelo toma prestada información de otros artículos de la misma categoría, de los mismos artículos en otros sitios, etc. Conforme aumentan los datos históricos para una combinación determinada de artículo-sitio-canal, se va ajustando el cálculo estimado de la elasticidad de manera más específica.

Esta solución analiza los datos históricos de precios y

  • muestra en el panel en qué medida es elástica la demanda de un producto,
  • proporciona precios recomendados para cada producto del catálogo,
  • detecta productos relacionados (sustitutos y complementos),
  • permite simular escenarios promocionales en Excel.

Coste estimado

El costo estimado de la solución es de, aproximadamente, $10/día ($300/mes)

  • $100 por el plan de servicio de ML para Estándar S1
  • $75 por una instancia S2 de SQL Database
  • $75 por el plan de hospedaje de aplicaciones
  • $50 en varias actividades de datos de ADF y costos de almacenamiento

Si solo está explorando la solución, puede eliminarla dentro de unos días o de unas horas. Los costos se prorratean y dejarán de cobrarse cuando elimine los componentes de Azure.

Introducción

Implemente la solución usando el botón de la derecha. Al final de la implementación, se proporcionan instrucciones con información de configuración importante. Déjelas abiertas.

La solución se implementa con el mismo conjunto de datos de ejemplo de los precios de los zumos de naranja que puede ver si elige el botón Probarlo ahora de la derecha.

Mientras se implementa la solución, puede ir adelantando trabajo y

Cuando se haya implementado la solución, vea el primer tutorial (requiere inicio de sesión de MSFT).

Panel de la solución

La parte más útil del panel de la solución es la ficha Pricing Suggestion (Sugerencias de precios). Indica qué artículos tienen precios demasiado bajos o demasiado altos y sugiere un precio óptimo para cada artículo, así como el posible impacto que podría tener la implementación de los precios sugeridos. Las sugerencias se clasifican por orden de prioridad según la que ofrece la mayor oportunidad de aumentar el margen bruto.

Ficha de sugerencias del panel

Otras fichas proporcionan información complementaria que explica cómo ha llegado el sistema a estas sugerencias y se comentan con más detalle en el manual del usuario. Mientras la solución esté en versión preliminar pública, debe iniciar sesión en Github con una cuenta de MSFT Azure.

Arquitectura de la solución

La solución utiliza un servidor de Azure SQL para almacenar los datos transaccionales y las predicciones del modelo generado. Hay una docena de servicios principales para la elaboración de modelos de elasticidad que se han creado en Azure ML con bibliotecas básicas de Python. Azure Data Factory programa actualizaciones semanales del modelo. Los resultados se muestran en un panel de PowerBI. La hoja de cálculo de Excel consume los servicios web predictivos.

Consulte la guía de implementación técnica para obtener información más detallada sobre la arquitectura, la conexión de sus propios datos y la personalización (requiere inicio de sesión en GitHub).

Declinación de responsabilidades

©2017 Microsoft Corporation. Todos los derechos reservados. Esta información se proporciona "tal cual" y puede cambiar sin previo aviso. Microsoft no ofrece ninguna garantía, ni expresa ni implícita, respecto a la información que aquí se proporciona. Para generar la solución, se utilizaron datos de terceros. Usted es responsable de respetar los derechos de otros, incluida la adquisición y el cumplimiento de las licencias correspondientes para crear conjuntos de datos similares.

Arquitecturas de soluciones relacionadas

Previsión de la demanda

Prever con exactitud los picos de demanda de productos y servicios puede suponer una ventaja competitiva para una compañía. Esta solución se centra en la previsión de la demanda en el sector energético.

Previsión de la demanda y optimización de precios

Los precios son un factor determinante del éxito de muchas industrias y su establecimiento puede ser una de las tareas más complejas. A menudo, las empresas deben afrontar varios aspectos del proceso de establecimiento de precios; entre ellos, una previsión exacta de las consecuencias financieras de posibles tácticas, una consideración razonable de las limitaciones de su actividad principal y una validación real de las decisiones sobre precios que se han puesto en marcha. La ampliación de las ofertas de productos supone más requisitos informáticos para tomar decisiones sobre precios en tiempo real, lo que agrava aún más la dificultad de esta tediosa tarea.

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

Ofertas personalizadas

En el entorno de hoy en día tan competitivo y conectado, las empresas modernas ya no pueden sobrevivir con contenido en línea genérico y estático. Además, las estrategias de marketing que usan herramientas tradicionales suelen ser caras, difíciles de implementar y no generan la rentabilidad de la inversión deseada. Estos sistemas no suelen sacar el máximo provecho a los datos recopilados para crear una experiencia de usuario más personalizada.