A Price Analytics-megoldás a tranzakciós előzmények adatait felhasználva megmutatja, hogy a termékek iránti kereslet hogyan reagál az Ön által kínált árakra.
Architektúra
Töltse le az architektúra Visio-fájlját.
Adatfolyam
- Az Azure Machine Tanulás lehetővé teszi a díjszabási modellek készítését.
- Az Azure Blob Storage tárolja a modellt és a létrehozott köztes adatokat.
- Az Azure SQL Database tárolja a tranzakcióelőzmények adatait és a létrehozott modellelőzményeket.
- Az Azure Data Factory rendszeres (például heti) modellfrissítések ütemezésére szolgál.
- A Power BI lehetővé teszi az eredmények vizualizációját.
- Az Excel-számolótáblák prediktív webszolgáltatásokat használnak.
Összetevők
- Azure Data Factory
- Azure Machine Learning
- Microsoft Excel-munkalapok
- Azure Blob Storage
- Azure SQL Database
- Irányítópult a Power BI-ban
Megoldás részletei
A Price Analytics-megoldás a tranzakciós előzmények adatait felhasználva megmutatja, hogy a termékek iránti kereslet hogyan reagál az Ön által kínált árakra. A díjszabás változásait javasolja, és lehetővé teszi annak szimulálására, hogy az árváltozások milyen hatással lennének a keresletre, finom részletességgel.
A megoldás egy irányítópultot biztosít, ahol a következőket láthatja:
- Optimális díjszabási javaslatok.
- Elemrugalmasságok elem-hely-csatornaszegmens szinten.
- A kapcsolódó termékhatások, például a kannibalizálás becslése.
- Az aktuális folyamathoz megadott előrejelzések.
- Modellteljesítmény-metrikák.
Az Excel díjszabási modelljével való közvetlen interakcióval a következő műveleteket végezheti el:
- Illessze be az értékesítési adatokat, és elemezze az árakat anélkül, hogy először integrálnia kellene az adatokat a megoldásadatbázisba.
- Promóciók szimulálása és keresleti görbék ábrázolása (az árra adott keresleti válasz megjelenítésével).
- Irányítópult-adatok használata numerikus formában.
A gazdag funkciók nem korlátozódnak az Excelre. Ezt olyan webszolgáltatások vezérlik, amelyeket Ön vagy a megvalósítási partner közvetlenül az üzleti alkalmazásokból hívhat meg, és integrálhatja az árelemzést az üzleti alkalmazásokba.
Lehetséges használati esetek
Ez az architektúra ideális a kiskereskedelmi iparág számára, és díjszabási javaslatokat, becsléseket és előrejelzéseket nyújt.
Megoldás leírása
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.
A zavaró tényező az ártól eltérő tényezők jelenléte, amelyek befolyásolják a keresletet. A "dupla ML" megközelítést használjuk, amely kivonja az ár- és keresletváltozás kiszámítható összetevőit a rugalmasság becslése előtt. Ez a megközelítés immunizálja a becsléseket a legtöbb zavaró formában. 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. Blogbejegyzésünk részletesebben ismerteti az árak adatelemzését.
Az adatok ritkulása azért fordul elő, mert az optimális ár finomszemcsés: a vállalkozások termék, hely, értékesítési csatorna, sőt akár ügyfélszegmens szerint is beállíthatnak árakat. A díjszabási megoldások azonban gyakran csak a termékkategória szintjén adnak becslést, mivel a tranzakciós előzmények csak néhány értékesítést tartalmazhatnak az egyes helyzetekben. 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.
Ez a tarifaelemzési megoldás ötlete bemutatja, hogyan fejleszthet ki olyan termékhez tartozó tarifamodellt, amely a tranzakcióelőzmények adataiból származó rugalmassági becsléseken alapul. Ez a megoldás olyan közepes méretű vállalatokra irányul, amelyek kis tarifacsomagokkal rendelkeznek, és nem támogatják az adatelemzési modellek széles körű adatelemzési támogatását.
A díjszabási modellel való interakció az Excelen keresztül történik, ahol egyszerűen beillesztheti az értékesítési adatokat, és anélkül elemezheti az árakat, hogy először integrálnia kellene az adatokat a megoldásadatbázisba. A számolótáblában szimulálhatja az előléptetéseket és a keresleti görbéket (az árra adott keresleti választ jelenítve meg), és numerikus formában érheti el az irányítópult adatait. A díjszabási modell sokoldalú funkciói webszolgáltatásokból is elérhetők, így az árelemzést közvetlenül az üzleti alkalmazásokba integrálhatja.
Az Azure Machine Tanulás a megoldás alapvető logikája, amelyből a rugalmassági modellek jönnek létre. A gépi tanulási modellek úgy állíthatók be, hogy elkerüljék az ármodellezés két gyakori buktatóját az előzményadatokból: zavaró hatások és adatritkulás.
A megoldás a következő előnyöket nyújtja:
- Egyetlen pillantással (az irányítópulton keresztül) mutatja be, hogy mennyire rugalmas a termékigénye.
- Az elemkatalógus minden termékéhez kínál díjszabási javaslatokat.
- Felderíti a kapcsolódó termékeket (csere és kiegészítések).
- Lehetővé teszi, hogy promóciós forgatókönyveket szimuláljon az Excelben.
Megfontolandó szempontok
A szempontok az Azure Well-Architected Framework alappilléreit valósítják meg, amely a számítási feladatok minőségének javítására használható vezérelvek készlete. További információ: Microsoft Azure Well-Architected Framework.
Költségoptimalizálás
A költségoptimalizálás a szükségtelen kiadások csökkentésének és a működési hatékonyság javításának módjairól szól. További információ: A költségoptimalizálási pillér áttekintése.
Az aktuális becslés kiszámításához használja az Azure díjkalkulátorát. A becsült megoldásnak a következő szolgáltatási költségeket kell tartalmaznia:
- S1 standard ML szolgáltatási csomag
- S2 SQL Database
- Alkalmazásüzemeltetési csomag
- Egyéb ADF-adattevékenységek és tárolási költségek
Ha csak a megoldást vizsgálja, néhány nap vagy óra alatt törölheti. Az Azure-összetevők törlésekor a költségek megszűnnek.
A forgatókönyv üzembe helyezése
A megoldásarchitektúra implementációját képező AI-katalógus megoldás két fő szerepkörrel rendelkezik: a műszaki erőforrások és a végfelhasználók (például a díjszabáskezelők).
A technikai erőforrások üzembe helyezik a megoldást, és csatlakoztatják egy üzleti adattárházhoz. További információkért olvassa el a műszaki útmutatót. A modellt számolótáblán (vagy üzleti alkalmazásba integrálva) használó végfelhasználóknak el kell olvasniuk a felhasználói útmutatót.
Első lépések
A megoldás a jobb oldalon lévő gombra kattintva helyezhető üzembe. Az üzembe helyezés végén megjelenő utasítások fontos konfigurációs információkat tartalmaznak, Hagyja nyitva őket.
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 a teszteléssel és a felülvizsgálattal kezdheti meg az első lépések elvégzését:
- A Try-It-Now irányítópult.
- A használati útmutatót a díjszabási elemző szemszögéből olvassa el (MSFT-bejelentkezés szükséges).
- Tekintse át a műszaki üzembe helyezési útmutatót egy műszaki megvalósítási nézethez (MSFT-bejelentkezés szükséges).
- Töltse le az interaktív Excel-munkalapot.
A megoldás üzembe helyezése után megtekintheti az első lépéseket megkönnyítő bemutatót (MSFT-bejelentkezés szükséges).
A megoldás irányítópultja
A megoldás irányítópultjának legművelhetőbb része a Díjszabási javaslat lap. Megmutatja, hogy mely elemek vannak alulárazva vagy túlárazva. A lap az egyes elemek optimális árát és a javaslat elfogadásának előrejelzett hatását javasolja. A javaslatok a bruttó nyereség növelésének valószínűsége szerint vannak rangsorolva.
Ennek a tarifaelemzési megoldásnak egy implementációját az AI-katalógus megoldásában és a GitHub-reproban ismertetjük. Az AI-katalógus megoldása a tranzakciós előzmények adataival mutatja be, hogy a termékek iránti kereslet hogyan reagál az Ön által kínált árakra, javaslatot tesz a díjszabás módosítására, és lehetővé teszi, hogy finom részletességgel szimulálja az árváltozások hatását a keresletre. A megoldás egy irányítópultot biztosít, ahol megtekintheti az optimális díjszabási javaslatokat, az elemrugalmasságokat az elem-hely-csatorna szegmens szintjén, a kapcsolódó termékeffektusok becslését, például a "kannibalizálást", az aktuális folyamat előrejelzéseit és a modell teljesítménymetrikáit.
Megoldásarchitektúra
A megoldás egy Azure SQL Database-példányt használ a tranzakciós adatok és a létrehozott modell-előrejelzések tárolására. Több tucat rugalmassági modellezési alapszolgáltatás létezik, amelyeket az Azure ML Python-magkódtárak használatával hoz létre. Az Azure Data Factory hetente frissíti a modellt. Az eredmények egy Power BI-irányítópulton jelennek meg. egy Excel-számolótáblában. amely a prediktív webszolgáltatások adatait használja.
Az architektúra részletesebb ismertetéséhez olvassa el a műszaki üzembe helyezési útmutatót , beleértve a saját adatok csatlakoztatásának és testreszabásának témakörét (GitHub-bejelentkezés szükséges).
Következő lépések
További információ az összetevők technológiáiról:
- Az Azure Data Factory bemutatása
- Mi az Azure Machine Learning?
- Az Azure Blob Storage bemutatása
- Mi az Azure SQL Database?
- Mi az a Power BI?
- Irányítópultok létrehozása a Power BI-ban
További információ a díjszabási megoldásokról:
- AI-katalógus interaktív díjszabási megoldása
- GitHub-adattár interaktív árelemzéshez
- Technikai üzembe helyezési útmutató – az architektúra részletesebb ismertetéséhez, saját adatok csatlakoztatásához és testreszabásához.
- Felhasználói útmutató – a megoldás végfelhasználóinak, például a díjszabáskezelőknek.
- Blogbejegyzés: Mindenki számára elérhető díjszabási motor, amely az AzureML és a Python használatával készült
- Microsoft Learn Path: AI-megoldások létrehozása az Azure Machine Tanulás
Kapcsolódó erőforrások
Ismerkedjen meg a kapcsolódó architektúrákkal: