編集

取引履歴データを使用した対話型価格分析

Azure Data Factory
Azure Machine Learning
Excel
Azure Blob Storage
Azure SQL データベース

価格分析ソリューションでは、トランザクション履歴データを使用して、製品の需要が提供価格にどのように対応しているかが示されます。

アーキテクチャ

Screenshot showing interactive price analytics.

このアーキテクチャの Visio ファイルをダウンロードします。

データフロー

  1. Azure Machine Learning では、価格モデルを構築できます。
  2. Azure Blob ストレージは、生成されたモデルと任意の中間データを格納します。
  3. Azure SQL Database は、トランザクション履歴データと生成されたモデル予測を格納します。
  4. Azure Data Factory は、定期的な (毎週など) モデルの更新をスケジュールするために使用されます。
  5. Power BI では、結果を視覚化できます。
  6. Excel スプレッドシートでは、予測 Web サービスが使用されます。

Components

ソリューションの詳細

価格分析ソリューションでは、トランザクション履歴データを使用して、製品の需要が提供価格にどのように対応しているかが示されます。 価格の変更が推奨され、価格の変化が需要に与える影響を詳細にシミュレートできます。

このソリューションでは、次の情報が表示されるダッシュボードが提供されます。

  • 最適な価格に関するレコメンデーション。
  • アイテム サイト チャネル セグメント レベルでのアイテムの弾力性。
  • カニバリゼーションなどの関連製品の影響の見積もり。
  • 現在のプロセスを考慮した予測。
  • モデル パフォーマンス メトリック。

Excel で価格モデルの直接操作を使用することで、次が行えます。

  • 最初にソリューション データベースにデータを統合することなく、販売データをそこに貼り付け、価格を分析します。
  • プロモーションをシミュレートし、需要曲線をプロットします (価格に対する需要の反応を示します)。
  • 数値形式でダッシュボード データを操作します。

豊富な機能は Excel に限定されません。 お客様や実装パートナーがビジネス アプリケーションから直接呼び出すことができる Web サービス駆動型であり、価格分析をビジネス アプリケーションに統合できます。

考えられるユース ケース

このアーキテクチャは小売業界に最適であり、価格に関するレコメンデーション、見積もり、予測を提供します。

ソリューションの説明

適格な価格分析ワークフローの中核となるのは、価格弾力性モデリングと最適な価格設定の推奨です。 最先端のモデリング アプローチにより、履歴データから価格感度をモデリングする際の 2 つの最悪の落とし穴、つまり交絡とデータのスパース性を軽減できます。

交絡とは、需要に影響を与える価格以外の要因が存在することです。 このソリューションでは、弾力性を見積もる前に、価格と需要の変動の予測可能な要素を除去する "ダブル ML" アプローチを使用しています。 このアプローチでは、推定値にほとんどの形式の交絡に対する免責を与えます。 また、実装パートナーがこのソリューションをカスタマイズし、お客様のデータを使用して、価格以外の潜在的な外部需要ドライバーを把握することもできます。 このブログ記事では、価格のデータ サイエンスに関する詳細情報を提供しています。

データのスパース性は、最適な価格が細かく変動するために発生します。企業はアイテム、サイト、販売チャンネル、さらには顧客セグメントごとに価格を設定できます。 しかし、取引履歴には特定の状況ごとの販売が少数しか残らないことがあるため、価格設定ソリューションでは、製品カテゴリ レベルでの見積もりのみが提供されることがよくあります。 この価格設定ソリューションでは、"階層的正則化" を使用して、そのようなデータが少ない状況でも一貫した推定値を生成できます。証拠がない場合は、同じカテゴリの他のアイテム、他のサイトの同じアイテムなどの情報がモデルに借用されます。 特定のアイテム、サイト、チャンネルの組み合わせに関する履歴データの量が増えると、その弾力性の推定値はより具体的に微調整されます。

この価格分析ソリューションのアイデアは、トランザクション履歴データからの弾力性の見積もりに基づく製品の価格モデルを開発する方法を示しています。 このソリューションは、特定の価格分析モデルに対する広範なデータ サイエンス サポートがない小規模な価格設定チームを持つ中規模企業を対象にしています。

価格モデルは Excel を介して操作します。ここで、最初にソリューション データベースにデータを統合することなく、販売データを簡単に貼り付け、価格を分析できます。 スプレッドシートでは、プロモーションをシミュレートし、需要曲線 (価格に対する需要の反応を示す) をプロットし、数値形式でダッシュボード データにアクセスできます。 価格モデルの豊富な機能には、Web サービスからもアクセスでき、価格分析をビジネス アプリケーションに直接統合できます。

Azure Machine Learning は、弾力性モデルの作成に使用される、このソリューションのコア ロジックです。 履歴データからの価格モデリングの 2 つの一般的な落とし穴 (効果の混同とデータの低密度性) を回避するために、機械学習モデルを合わせて設定できます。

このソリューションには次の利点があります。

  • ダッシュボードを使用して一目で確認し、製品の需要を柔軟に確認できます。
  • アイテム カタログ内のすべての製品の価格に関するレコメンデーションを提供します。
  • 関連製品 (代用品と補完製品) を検出します。
  • Excel でプロモーションのシナリオをシミュレートできます。

考慮事項

考慮事項は、ワークロードの品質向上に使用できる一連の基本原則である Azure Well-Architected Framework の要素を組み込んでいます。 詳細については、「Microsoft Azure Well-Architected Framework」を参照してください。

コスト最適化

コストの最適化とは、不要な費用を削減し、運用効率を向上させる方法を検討することです。 詳しくは、コスト最適化の柱の概要に関する記事をご覧ください。

現在の見積もりを計算するには、Azure 料金計算ツールを使用します。 見積もられたソリューションには、次のサービス コストが含まれているはずです。

  • S1 標準 ML サービス プラン
  • S2 Microsoft Azure SQL Database
  • アプリ ホスティング プラン
  • その他の ADF データ アクティビティとストレージのコスト

ソリューションを調べるだけであれば、数日または数時間で削除しても構いません。 この Azure コンポーネントを削除すると、コストの料金は発生しなくなります。

このシナリオのデプロイ

このソリューション アーキテクチャの実装である AI ギャラリー ソリューションには、技術リソースとエンド ユーザー (価格マネージャーなど) の 2 つの重要な役割があります。

技術リソースによってソリューションがデプロイされ、ビジネス データ ウェアハウスに接続されます。 詳細については、テクニカル ガイドを参照してください。 スプレッドシート (またはビジネス アプリケーションに統合) を介してモデルを使用するエンド ユーザーは、ユーザー ガイドを読む必要があります。

作業の開始

右側にあるボタンを使用してソリューションをデプロイします。 デプロイの最後の手順には、重要な構成情報が表示されます。 開いたままにしてください。

このソリューションでは、右側にある [Try-It-Now](今すぐ試す) ボタンの背後にあるオレンジ ジュース価格の同じサンプル データ セットを使用してデプロイします。

ソリューションのデプロイ時に、テストとレビューを行うことで、有利に開始できます。

  • [今すぐ試す] ダッシュボード。
  • 価格アナリストの観点からの使用方法については、ユーザー ガイドを参照してください (MSFT のログインが必要です)。
  • 技術的な実装ビューについては、テクニカル デプロイ ガイドを参照してください (MSFT のログインが必要です)。
  • 対話式の Excel ワークシートをダウンロードします。

ソリューションがデプロイされたら、最初のチュートリアル (MSFT のログインが必要です) を完了します。

ソリューションのダッシュボード

ソリューション ダッシュボードの最も実用的な部分は、[Pricing Suggestion](価格提案) タブです。ここで、どのアイテムが低価格または高価格であるかがわかります。 このタブでは、各アイテムの最適な価格と、提案を採用した場合に予測される影響が提案されます。 粗利益の増加を達成できる最大の機会によって提案の優先順位が決まります。

この価格分析ソリューションのアイデアの実装については、AI ギャラリー ソリューションと GitHub repro で説明されています。 AI ギャラリー ソリューションでは、トランザクション履歴データを使用して、製品の需要が提供価格にどのように対応しているかが示され、価格の変更が推奨されます。また、価格の変化が需要にどのように影響するかをきめ細かくシミュレートすることができます。 このソリューションにはダッシュボードが用意されており、最適な価格設定の推奨事項、アイテム、サイト、チャンネル、セグメント レベルでのアイテムの弾力性、"共食い" などの関連製品効果の見積もり、現在のプロセスでの予測、モデル パフォーマンス メトリックを確認できます。

ソリューションのアーキテクチャ

このソリューションでは、Microsoft Azure SQL Database インスタンスを使用して、トランザクション データと生成されたモデル予測を格納します。 Python コア ライブラリを使用して Azure ML で作成された弾力性モデリング コア サービスが多数あります。 Azure Data Factory を使うと、週単位のモデル更新をスケジュールできます。 結果は Power BI ダッシュボードに表示されます。 用意されている Excel スプレッドシートでは、予測 Web サービスが使用されます。

独自のデータとカスタマイズの接続方法に関するトピックを含む、アーキテクチャの詳細な説明については、「テクニカル デプロイ ガイド」を参照してください (GitHub のログインが必要です)。

次のステップ

コンポーネント テクノロジの詳細については、次を参照してください。

価格ソリューションの詳細については、次を参照してください。

次の関連するアーキテクチャを確認してください。