Etterspørselsprognoser og prisoptimering

Prissetting anses som en sentral suksessfaktor i mange bransjer og det kan være en av de mest utfordrende oppgavene. Bedrifter sliter ofte med mange forskjellige aspekter i prisprosessen, disse inkluderer nøyaktig prognose av den finansielle påvirkningen av potensielle taktikker, tilstrekkelig vurdering av begrensningene til kjernevirksomheten og riktig vurdering av de utførte prisavgjørelsene. Utvidelse av produkttilbudet og videre databehandlingskrav for å kunne foreta prisavgjørelser i sanntid, gjør denne overveldede oppgaven enda vanskeligere.

Denne løsninger adresserer utfordringene ovenfor ved å bruke historiske transaksjonsdata for å lære opp en behovsprognosemodell. Prissetting av produkter i en konkurrerende gruppe blir også inkludert for å forutse påvirkninger på tvers av produkter, slik som kannibalisering. En algoritme for prisoptimalisering bruker deretter den modellen for å forutse behov ved forskjellige prispunkter og vurderer forretningsbegrensinger for å maksimere fortjeneste. Løsningen kan tilpasses for å analysere forskjellige prisscenarier så sant den generelle tilnærmingen for datavitenskap forblir liknende.

Prosessen som beskrives ovenfor er operasjonalisert og distribuert i Cortana Intelligence Suite. Denne løsningen gir bedrifter mulighet til å importere historiske transaksjonsdata, forutse fremtidig behov og få regelmessige optimale prisanbefalinger. Som et resultat av dette driver løsningen muligheter for forbedret lønnsomhet og reduksjon i tid og arbeid som brukes på prissettingsoppgaver.

Beskrivelse

Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.

Spar tid og la en av disse opplærte SI-partnerne hjelpe deg med konseptgodkjenning, distribusjon og integrering av denne løsningen.

Estimert klargjøringstid: 1 time

Cortana Intelligence Suite tilbyr avanserte analyseverktøy igjennom Microsoft Azure – komponenter for datainntak, datalagring, databehandling og avansert analyse – all de viktige elementene for å utvikle en forespørselsprognose og prisoptimaliseringsløsning.

Denne løsningen kombinerer flere Azure-tjenester for å skape kraftige fordeler. Azure Blob Storage lagrer de ukentlige rå salgsdataene. Apache Spark for Azure HDInsight importerer dataene og utfører dataforhåndsbehandling, prognosemodellering og algoritmer for prisoptimalisering. Til slutt orkestrerer og planlegger Data Factory den fullstendige dataflyten.

Knappen «Distribuer» starter en arbeidsflyt som distribuerer en forekomst av løsningen i en ressursgruppe i Azure-abonnementet som du spesifiserer. Løsningen inkluderer flere Azure-tjenester (beskrevet nedenfor) i sammen med en nettjobb som simulerer data slik at du ser en datastrøm igjennom det fullstendige datasamlebåndet umiddelbart etter distribusjonen.

For instruksjoner etter distribusjon og mer informasjon om den tekniske implementeringen, kan du se instruksjonene her.

Tekniske detaljer og arbeidsflyt

  1. Simuleringsdataene genereres hver time av den nylig distribuerte Azure Web Jobs.
  2. Disse syntetiske dataene lagres i Azure Blob Storage, som blir brukt i resten av løsningsflyten.
  3. Spark på HDInsight brukes for å importere og forhåndsbehandle rådataene, utvikle og omskolere modellene for forespørselsprognose og kjøre algoritmene for prisoptimering.
  4. Azure Data Factory orkestrerer og planlegger den fullstendige dataflyten.
  5. Til slutt brukes PowerBI for visualisering av resultatene, slik at brukere kan overvåke salgsresultatene, forutsagt fremtidig behov samt anbefalte optimale priser for en ut utvalg av produkter som selges i forskjellige butikker.

Ansvarsfraskrivelse

©2017 Microsoft Corporation. Med enerett. Denne informasjonen gis «som den er» og kan endres uten varsel. Microsoft gir ingen garantier, uttrykkelig eller underforstått, i forbindelse med informasjonen som oppgis her. Tredjepartsdata ble benyttet for å generere løsningen. Du er ansvarlig for å respektere andres rettigheter, inkludert anskaffelse og overhold av relevante lisenser for å opprette lignende datasett.

Relaterte løsningsarkitekturer

Prognose av etterspørsel

Faktiske prognosetopper i forespørsel for produkter og tjenester kan gi en bedrift en konkurransefordel. Denne løsningen fokuserer på prognose av etterspørsel innen energisektoren.

Prognose av etterspørsel for frakt og distribusjon

Løsningen for prognose av etterspørsel for frakt og distribusjon bruker historiske etterspørselsdata for å gi en prognose over forespørsel i fremtidige perioder på tvers av forskjellige kunder, produkter og destinasjoner. Et frakt- eller leveranseselskap ønsker for eksempel en prognose over mengdene av de forskjellige produktene kundene vil ha levert til forskjellige lokasjoner i fremtiden. Et selskap kan bruke disse prognosene som informasjon i et allokeringsverktøy som optimerer operasjoner, slik som ruteplanlegging for leveransekjøretøy eller langsiktig kapasitetsplanlegging.

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

Tilpassede tilbud

I dagens veldig konkurrerende og tilkoblede miljø, kan moderne bedrifter ikke lenger overleve med generisk, statisk nettinnhold. Markedsføringsstrategier som benytter tradisjonelle verktøy er i tillegg ofte dyre, vanskelige å implementere og de produserer ikke den ønskede returen på investeringen. Disse systemene er ofte ikke i stand til å benytte seg fullt ut av de innsamlede dataene for å skape en mer tilpasset brukeropplevelse.