Leírás
Az árelemzési munkafolyamat precizitása két tényezőn, az árrugalmassági modellezésen és az optimális árképzési ajánlásokon múlik. A korszerű modellezési módszerek kiküszöbölik az árérzékenység előzményadatok alapján történő modellezésének két legnagyobb buktatóját: a zavaró változókat és az adatelégtelenséget.
Az ár mellett vannak egyéb olyan tényezők is, amelyek hatással vannak a keresletre – ezek a zavaró változók. Az általunk használt „double-ML” módszer a rugalmasságbecslés előtt kiszűri az ár- és keresletváltozás kiszámítható összetevőit, ezáltal a becslések immúnissá válnak a zavaró válozók többségével szemben. A megoldás egy megvalósítási partner által testre is szabható, mégpedig oly módon, hogy a megoldás ne az árat, hanem az adatrögzítési potenciál egyéb külső keresletösztönzőit használja. Blogbejegyzésünkben további részleteket talál a data science-alapú ármodellezésről.
Az adatelégtelenséget az okozza, hogy az optimális ár nem egységes, hanem elemenként, telephelyenként, értékesítési csatornánként, sőt, ügyfélszegmensenként is változik. Az árelemzési megoldások azonban gyakran csak termékkategória-szintű ajánlásokat készítenek, mivel előfordul, hogy a tranzakciós előzményekben a konkrét termékekre vonatkozóan csak néhány értékesítési adat található. A mi megoldásunk adatelégtelenség esetén hierarchikus szabályozással biztosítja az ajánlások egységességét: releváns adatok hiányában a modell például az ugyanabban a kategóriában lévő egyéb elemek vagy az egyéb telephelyeken található azonos elemek adatait használja fel. Minél nagyobb az előzményadatok száma egy adott elemből, telephelyből és csatornából álló kombináció esetében, annál specifikusabb rugalmassági becslés készíthető az adott árról.
A megoldás elemzi a korábbi árakat, és
- egyetlen irányítópult-nézetben áttekintést nyújt a termékkereslet rugalmasságáról
- árajánlásokat készít minden elemkatalógusban szereplő termék esetében
- felderíti a kapcsolódó termékeket (helyettesítők és kiegészítők)
- lehetővé teszi a promóciós alkalmazási helyzetek szimulálását az Excelben.
Becsült költség
A megoldás használatának becsült költsége $10/nap ($300/hónap)
- $100 standard szintű S1 ML-szolgáltatáscsomag esetén
- $75 S2 SQL-adatbázis esetén
- $75 alkalmazásszolgáltatási csomag esetén
- $50 különböző ADF-adatműveletekben és tárolási költségekben
Ha a megoldást csak kipróbálás céljából használja, és törölni szeretné, ezt néhány napon vagy órán belül megteheti. A díjak időarányosak, és az Azure-összetevők törlése után már nem számítjuk fel őket.
Első lépések
A megoldás a jobb oldalon lévő gombra kattintva helyezhető üzembe. Az üzembe helyezés végén megjelenő utasítások fontos konfigurációs információkat tartalmaznak, ezért az adott lapot ne zárja be.
A megoldás üzembe helyezett példánya a narancsléárak ugyanazon mintaadatkészletét használja, mint ami a jobb oldalon lévő Kipróbálás gombra kattintva megjelenik.
A megoldás üzembe helyezése közben
- megtekintheti a Try-It-Now (Kipróbálás) irányítópultot
- tanulmányozhatja a használati útmutató árelemzéssel kapcsolatos utasításait (MSFT-bejelentkezés szükséges)
- megtekintheti a gyakorlati megvalósítást ismertető üzembe helyezési útmutatót (MSFT-bejelentkezés szükséges)
- letöltheti az interaktív Excel-munkalapot
A megoldás üzembe helyezése után megtekintheti az első lépéseket megkönnyítő bemutatót (MSFT-bejelentkezés szükséges).
Megoldások irányítópultja
A megoldás irányítópultjának a gyakorlatban leginkább hasznosítható része a Pricing Suggestion (Árjavaslatok) lap. A lap felsorolja az alulárazott és a túlárazott elemeket, és mindegyik esetében javasol egy optimális árat, továbbá ismerteti a javaslat elfogadásának várható hatását is. A javaslatok a bruttó nyereség növelésének valószínűsége szerint vannak rangsorolva.
A többi lapon kiegészítő információk találhatók arra vonatkozóan, hogy a rendszer milyen szempontok alapján készítette el a javaslatokat. E lapok részletes ismertetése a használati útmutatóban található. (A Githubba MSFT Azure fiókkal kell bejelentkezni, amíg a megoldás privát előzetes verzióban érhető el.)
Megoldásarchitektúra
A megoldás egy Azure SQL Server-kiszolgálón tárolja a tranzakciós adatokat és a létrehozott modell-előrejelzéseket, továbbá egy tucat rugalmasságelemzési alapszolgáltatást biztosít, amelyek az AzureML fő Python-függvény-táraiban készülnek. Az Azure Data Factory hetente frissíti a modellt. Az eredmény egy PowerBI-irányítópulton jelenik meg. egy Excel-számolótáblában. amely a prediktív webszolgáltatások adatait használja.
Bővebb információt az architektúráról, a saját adatok csatlakoztatásáról és a testreszabásról az üzembe helyezési útmutató tartalmaz (Github-hozzáférés szükséges).
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.