Navigáció kihagyása

Kereslet-előrejelzés és ároptimalizálás

Az árképzést számos iparágban a siker zálogának és egyszersmint a legnagyobb kihívást jelentő feladatok egyikének tartják. A vállalatoknak gyakran okoz gondot, hogy az árképzési folyamat számos aspektusára tekintettel kell lenniü, ideértve a lehetséges taktikák pénzügyi hatásának pontos előrejelzését, a fő üzleti korlátozó tényezők ésszerű figyelembevételét, és a meghozott pénzügyi döntések alapos kiértékelését. A termékkínálat bővítése további számítási követelményeket támaszt a valós idejű árképzési döntések meghozatalával szemben, tovább növelve ennek a már eleve bonyolult feladatnak az összetettségét.

Ez a megoldás ezekre a kihívásokra kínál hatékony választ azzal, hogy tranzakciós előzményadatokat felhasználásával tanít be egy kereslet-előrejelzési modellt. A megoldásba egy versengő csoport termékeinek árképzése is be van építve a termékcsaládon belüli hatások (például a „kannibalizáció”) előrejelzése érdekében. Egy ároptimalizálási algoritmus a modell használatával előre jelzi a keresletet a különböző előrejelzési árpontok szerint, és a profit maximalizálása érdekében figyelembe veszi az üzleti korlátozó tényezőket is. A megoldás testre szabható, mégpedig oly módon, hogy különböző árképzési helyzetek elemezzen, feltéve, hogy az általános adatelemzési módszer azonos marad.

A fentiekben ismertetett folyamatot működőképessé tettük, és üzembe helyeztük a Cortana Intelligence Suite-ben. Ez a megoldás lehetővé teszi a vállalatok számára, hogy rendszeres időközönként betöltsék a tranzakciós előzményadatokat, és kereslet-előrejelzéseket, valamint optimális árra vonatkozó ajánlásokat készítsenek. Ennek eredményeként javítható a jövedelmezőség, és csökkenthető az árképzésre fordított idő és munka mennyisége.

Leírás

Megjegyzés: ha már üzembe helyezte ezt a megoldást, az üzemelő példányt ide kattintva érheti el.

Időt takaríthat meg, ha szakképzett SI-partnereink egyikének segítségét kéri a megoldás megvalósíthatósági vizsgálatához, üzembe helyezéséhez és integrálásához.

Üzembe helyezés becsült ideje: 1 óra

A Cortana Intelligence Suite a Microsoft Azure segítségével biztosít minden olyan fejlett analitikai eszközt (adatbetöltés, adattárolás, adatfeldolgozás és fejlett analitikai összetevők), ami egy kereslet-előrejelzési és ároptimalizálási megoldás létrehozásához szükséges.

Ez a megoldás több Azure-szolgáltatás kombinációjával versenyképes funkciókat. Az Azure Blob Storage tárolja a hetente feldolgozandó nyers értékesítési adatokat. Az Apache Spark for Azure HDInsight betölti az adatokat, majd előrejelzési modellezéssel és ároptimalizálási algoritmusok alkalmazásával feldolgozza azokat. Végül a Data Factory a teljes adatfolyamatot vezényli és ütemezi.

Az „Deploy” (Üzembe helyezés) gomb elindít egy munkafolyamatot, amely az Ön által megadott Azure-előfizetést használva helyezi üzembe a megoldáspéldányt egy erőforráscsoportban. A megoldás több Azure-szolgáltatást is magában foglal (részletesen lásd lejjebb), továbbá egy olyan Web Jobs-feladatot, amely szimulálja az adatokat, így az üzembe helyezést követően azonnal megkezdődik az adatok áramlása az adatcsatorna két végpontja között.

Az üzembe helyezés utáni teendőkről és a gyakorlati megvalósításról további információt ebben az útmutatóban talál.

Technikai adatok és munkafolyamat

  1. Az újonnan üzembe helyezett Azure Web Jobs óránként hozza létre a szimulációs adatokat.
  2. Ezeket az Azure Blob Storage-ban tárolt szintetikus adatokat használja a megoldás többi munkafolyamat-fázisa is.
  3. A Spark on HDInsight betölti és előzetesen feldolgozza a nyers adatokat, létrehozza és betanítja a kereslet-előrejelzési modelleket, valamint végrehajtja az ároptimalizálási algoritmusokat.
  4. Az Azure Data Factory végzi a teljes adatfolyamat összehangolását és ütemezését.
  5. Végül a Power BI elvégzi az eredmények képi megjelenítését, így a felhasználók monitorozhatják az értékesítések eredményeit, az előre jelzett keresletet és a különböző áruházakban értékesített termékek ajánlott optimális árát.

Jogi nyilatkozat

© 2017 Microsoft Corporation. Minden jog fenntartva. Ezt az információt jelen formájában nyújtjuk, és előzetes értesítés nélkül változhat. Az itt szereplő információkra a Microsoft nem vállal sem kifejezett, sem vélelmezett garanciát. A megoldás harmadik féltől származó adatok felhasználásával lett létrehozva. Ön felelős mások jogainak tiszteletben tartásáért, beleértve a hasonló adatkészletek létrehozásának céljából történő beszerzéseket és a vonatkozó licenceknek való megfelelőséget is.

Kapcsolódó megoldásarchitektúrák

Kereslet-előrejelzés

A termékek és szolgáltatások csúcsterheléseinek előrejelzésével a vállalatok versenyelőnyhöz juthatnak. Ez a megoldás az energiaszektor keresleti előrejelezésére fókuszál.

Kereslet-előrejelzés szállításhoz és forgalmazáshoz

A szállításhoz és forgalmazáshoz készült kereslet-előrejelzési megoldás keresleti előzményadatok alapján előrejelzést készít későbbi időszakok keresletéről különféle ügyfelek, termékek és célhelyek vonatkozásában. Előfordulhat például, hogy egy szállítmányozó vagy forgalmazó cég szeretne előrejelzést kapni arról, hogy a vásárlóik mekkora mennyiséget fognak rendelni különböző termékekből különféle helyekre bizonyos jövőbeli időpontokban. A vállalatok ezeket az előrejelzéseket felhasználhatják olyan elosztási eszköz bemeneti adataként, amely optimalizálja a tevékenységeket, például a szállítójárművek útvonalát, vagy hosszabb távú kapacitástervezést végez.

Personalized Offers 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

Személyre szabott ajánlatok

A mai rendkívül versenyorientált és összekapcsolt környezetben a modern vállalkozások túlélését már nem biztosítja az általános, statikus online tartalom. Emellett a hagyományos eszközöket használó marketingstratégiák gyakran túl drágák, nehezen megvalósíthatók, és nem biztosítják az elvárt megtérülési rátát. Ezek a rendszerek gyakran nem használják ki teljes mértékben az összegyűjtött adatokat ahhoz, hogy személyre szabottabb élményt nyújtsanak a felhasználónak.