Beskrivelse
Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.
Estimert klargjøringstid: 15 minutter
I kjernen av en omfattende arbeidsflyt for prisanalyse finner du priselastisitetsmodeller og optimale prisanbefalinger. Den avanserte modelltilnærmingen reduserer de to verste fallgruvene for modellering av prisfølsomhet fra historiske data: konfundering og datamangel.
Konfundering er når det eksisterer andre faktorer enn pris som kan påvirke etterspørselen. Vi benytter en «dobbel-ML»-tilnærming som trekker fra de forutsigbare komponentene av variasjon i pris og etterspørsel før vi beregner elastisiteten og immuniserer beregningene til de fleste former av konfundering. Løsningen kan også tilpasses av en implementeringspartner som bruker dataene dine for å finne andre potensielle eksterne etterspørselsfaktorer enn pris. Blogginnlegget vårt gir deg videre informasjon om prisdatavitenskapen.
Datamangel oppstår fordi den optimale prisen varierer i en fin grad: bedrifter kan sette priser for element, anlegg, salgskanal og til og med kundesegment, men prisløsinger gir ofte bare beregninger på produktkategorinivået da transaksjonshistorikken bare inneholder noen få salg for hver spesifikke situasjon. Vår prisløsning bruker «hierarkisk regulering» for å produsere konsistente beregninger i slike datasvake situasjoner: ved bevismangel, låner modellen informasjon fra andre elementer i samme kategori, samme elementer på andre steder og så videre. Når mengden historiske data på en angitt kombinasjon av element-sted-kanal øker, blir elastitetsberegningen mer spesifikt finjustert.
Denne løsningen analyseres de historiske prisene dine og
- viser deg i ett bilde på dashbordet hvor elastisk produktetterspørselen din er
- gir prisanbefalinger for hvert produkt i elementkatalogen
- oppdager relaterte produkter (erstatninger og utfyllende)
- lar deg simulere kampanjescenarier i Excel.
Anslått kostnad
Den beregnede kostnaden for løsninger er omtrent $10/dag ($300/måned)
- $100 for S1 standard ML-tjenesteplan
- $75 for en S2 SQL-database
- $75 for en app-drifteplan
- $50 i forskjellige ADF-dataaktiviteter og lagringskostnader
Hvis du bare utforsker løsningen, kan du slette den etter noen få dager eller timer. Kostnadene er fordelt og vil ikke bli belastet etter at du sletter Azure-komponentene.
Komme i gang
Distribuer løsningen med knappen til høyre. Instruksjonene ved slutten av distribusjonen vil inneholde viktig konfigurasjonsinformasjon. Ikke lukk dem.
Løsningen distribueres med det samme eksempelsettet av priser på appelsinsaft som du finner bak Prøv nå-knappen til høyre.
Når løsningen er distribuert kan du få et forsprang og
- se hva som er tilgjengelig i Prøv nå-dashbordet
- benytt brukerveiledningen for bruksinstruksjoner fra perspektivet til en prisanalytiker (MSFT-pålogging nødvendig)
- se den tekniske distribusjonsveiledningen for et teknisk implementeringssynspunkt (MSFT-pålogging nødvendig)
- last ned det interaktive Excel-regnearket
Etter at løsninger distribueres kan du fullføre den første gjennomgangen (MSFT-pålogging nødvendig).
Løsningsdashbord
Den mest handlingsdyktige delen til løsningsdashbordet er prisforlagsfanen. Den forteller deg hvilke elementer som er underpriset, overpriset og foreslår en optimal pris for hvert element, i tillegg til den anslåtte virkningen ved bruk av forslaget. Forslagene prioriteres etter den største muligheten for å øke inkrementell bruttomargin.

Andre faner gir ekstra informasjon som fremhever hvordan systemet kom frem til forslagene, disse beskrives i mer detalj i brukerveiledningen. (Du må være pålogget GitHub med en MSFT Azure-konto mens løsningen er i privat testversjon).
Løsningsarkitektur
Løsningen bruker en Azure SQL-server for å lagre transaksjonsdataene og de genererte modellprognosene. Det finnes et dusin elastisitetsmodellerende kjernetjenester som opprettes i AzureML med Python-kjernebiblioteker. Azure Data Factory planlegger ukentlige modelloppdateringer. Resultatene vises i et PowerBI-dashbord. Det medleverte Excel-regnearket bruker de prediktive nettjenestene.
Les den tekniske distribusjonsveiledningen for en mer detaljer diskusjon om arkitekturen, tilkobling av egne data og tilpasning (GitHub-pålogging er nødvendig).
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.