Hopp over navigasjon

Interaktiv prisanalyse

Prisanalyseløsningen bruker dine historiske transaksjonsdata for å vise hvordan etterspørselen for produktene dine påvirkes av prisene du tilbyr, for å anbefale prisendringer og gi deg mulighet til å simulere hvordan prisendringer vil påvirke etterspørselen, med fine justeringer.

Løsningen gir deg et dashbord hvor du kan se anbefalinger for optimale priser, elementelastisiteter på et nivå fordelt på element-sted-kanal-segment, beregninger for relaterte produkteffekter, slik som «kannibalisering», prognose for angitt aktiv prosess og måledata for modellytelse.

Direkte interaksjon med prismodellen i Excel gir deg mulighet til å enkelt lime inn salgsdataene dine og analysere prisene uten behov for å først integrere dataene inn i løsningsdatabasen, simulere kampanjer og plotte etterspørselskurver (som viser etterspørselrespons på pris) og tilgang til dashborddata i numerisk form.

Den omfattende funksjonaliteten er ikke begrenset til Excel. Den drives av nettjenester som du, eller implementeringspartneren, kan hente direkte fra forretningsprogrammene for å integrere prisanalyse inn i forretningsprogrammene.

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

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.

Forslagsfanen i dashbordet

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.

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.

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.

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.