Vraagprognose en prijsoptimalisatie

Prijsstelling wordt in veel bedrijfstakken gezien als een belangrijke factor voor succes en kan een van de meest uitdagende taken zijn. Bedrijven hebben vaak moeite met verschillende aspecten van het prijsstellingsproces, zoals het nauwkeurig voorspellen van de financiële gevolgen van mogelijke tactieken, het op redelijker wijze aandacht schenken aan belangrijke zakelijke beperkingen en het op een eerlijke manier valideren van de uitgevoerde prijsbeslissingen. Een groter wordend productaanbod brengt verdere verwerkingsvereisten met zich meer om realtimeprijsbeslissingen te nemen, wat deze toch al enorme taak nog moeilijker maakt.

Deze oplossing helpt u de hierboven beschreven uitdagingen het hoofd te bieden door met historische transactiegegevens een model dat de vraag voorspelt te trainen. Productprijzen in een concurrerende groep is ook geïncorporeerd om impact van andere producten, zoals kannibalisatie, te voorspellen. Dat model wordt vervolgens door een algoritme voor prijsoptimalisatie gebruikt om de vraag op diverse mogelijke prijspunten te voorspellen waarbij rekening wordt gehouden met de bedrijfsbeperkingen, om de winst te maximaliseren. De oplossing kan worden aangepast om verschillende prijsscenario’s te analyseren zolang de algemene wetenschappelijk benadering van de gegevens maar dezelfde blijft.

Het proces dat hierboven wordt beschreven, wordt geoperationaliseerd en geïmplementeerd in de Cortana Intelligence Suite. Dankzij deze oplossing kunnen bedrijven historische transactiegegevens opnemen, toekomstige vraag voorspellen en regelmatig optimale prijsaanbevelingen verkrijgen. De oplossing genereert dus kansen voor een betere rentabiliteit en er hoeft minder tijd en moeite te worden gestoken in prijsstellingstaken.

Beschrijving

Opmerking: als u deze oplossing al hebt geïmplementeerd, klikt u hier om de implementatie te bekijken.

Bespaar tijd en laat één van deze getrainde SI-partners u helpen met een bewijs van concept, implementatie en integratie van deze oplossing.

Geschatte inrichtingstijd: 1 uur

De Cortana Intelligence Suite voorziet in geavanceerde analysehulpprogramma's via Microsoft Azure: gegevensopname, gegevensopslag, gegevensverwerking en geavanceerde analyse-onderdelen. Alle essentiële onderdelen voor het bouwen van een oplossing voor vraagprognose en prijsoptimalisatie.

Voor deze oplossing worden meerdere Azure-services gecombineerd om krachtige voordelen te creëren. Azure Blob Storage slaat de wekelijkse onbewerkte verkoopgegevens op. Met Apache Spark voor Azure HDInsight worden de gegevens opgenomen en wordt het vooraf verwerken van gegevens uitgevoerd, worden prognosemodellen gemaakt en worden algoritmen voor de optimalisatie van prijzen uitgevoerd. Ten slotte wordt de volledige gegevensstroom geordend en gepland met Data Factory.

Met de knop Implementeren wordt een werkstroom gestart waarmee een instantie van de oplossing wordt geïmplementeerd binnen een resourcegroep in het Azure-abonnement dat u opgeeft. De oplossing bevat meerdere Azure-services (hieronder beschreven) samen met een webtaak die gegevens simuleert zodat u kunt zien direct na implementatie gegevens door de end-to-end-pijplijn kunt zien stromen.

Zie de instructies hier voor instructies na de implementatie en meer details over de technische implementatie.

Technische details en werkstroom

  1. De simulatiegegevens worden elk uur gegenereerd door de nieuw geïmplementeerde Azure Web Jobs.
  2. Deze synthetische gegevens worden opgeslagen op Azure Blob Storage, die in de rest van de oplossingsstroom wordt gebruikt.
  3. Spark on HDInsight wordt gebruikt om de onbewerkte gegevens op te nemen en vooraf te verwerken, de modellen voor vraagprognose te bouwen en opnieuw te trainen, en prijsoptimalisatiealgoritmen uit te voeren.
  4. De volledige gegevensstroom wordt geordend en gepland met Azure Data Factory.
  5. Power BI, ten slotte, wordt gebruikt voor visualisatie van de resultaten, zodat gebruikers de resultaten van de verkopen, voorspelde toekomstige vraag evenals aanbevolen optimale prijzen voor de diverse producten verkocht in de verschillende winkels kunnen bewaken.

Vrijwaring

© 2017 Microsoft Corporation. Alle rechten voorbehouden. Deze informatie wordt als zodanig geleverd en kan zonder kennisgeving worden gewijzigd. Microsoft biedt geen garanties, expliciet of impliciet, met betrekking tot de hier verstrekte informatie. Gegevens van derden zijn gebruikt om de oplossing te genereren. U bent verantwoordelijk voor het respecteren van de rechten van anderen, inclusief het aanschaffen en naleven van relevante licenties om vergelijkbare gegevenssets te maken.

Gerelateerde architecturen voor oplossingen

Vraagprognose

Het nauwkeurig voorspellen van pieken in de vraag naar producten en services kan een bedrijf een concurrentievoordeel geven. Deze oplossing is gericht op prognoses op aanvraag binnen de energiesector.

Vraagprognose voor vervoer en distributie

De Oplossing vraagprognose voor vervoer en distributie maakt gebruik van historische vraaggegevens om de vraag in toekomstige perioden te voorspellen voor verschillende klanten, producten en bestemmingen. Een verzend- of transportbedrijf wil bijvoorbeeld voorspellen wat de hoeveelheden zijn van de verschillende producten die zijn klanten in de toekomst bezorgd willen hebben op verschillende locaties. Een bedrijf kan deze prognoses gebruiken als invoer voor een toewijzingsprogramma dat de bedrijfsactiviteiten optimaliseert, zoals de routes van bestelwagens, of om de capaciteit op de langere termijn te plannen.

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

Gepersonaliseerde aanbiedingen

In de huidige zeer competitieve en verbonden omgevingen kunnen moderne bedrijven niet langer overleven met generieke, statische online inhoud. Bovendien zijn marketingstrategieën waarbij gebruik wordt gemaakt van traditionele hulpmiddelen vaak duur, moeilijk uitvoerbaar en leveren geen rendement op de investering op. Deze systemen maken vaak niet ten volle gebruik van de verzamelde gegevens om een meer gepersonaliseerde ervaring voor de gebruiker te creëren.