Architectuur voor de oplossing:Prognose van vraag en prijsoptimalisatie voor marketing

Het bepalen van prijzen is voor veel sectoren een van de kerntaken. Dit brengt echter vaak veel uitdagingen met zich mee. Voor veel bedrijven is het moeilijk precies de fiscale gevolgen van strategieën voor potentiële mogelijkheden te overzien, de beperkingen ten aanzien van hun kernactiviteiten volledig mee te nemen in hun overwegingen en genomen beslissingen over prijzen op een eerlijke manier te beoordelen. Het proces wordt nog moeilijker wanneer het productaanbod toeneemt waardoor de berekeningen achter de realtime beslissingen complexer worden.

Deze oplossing helpt u uitdagingen het hoofd te bieden door met historische transactiegegevens een model dat de vraag voorspelt te trainen in een retailcontext. Ook houdt deze oplossing rekening met de productprijzen van een concurrerende groep om kannibalisatie en meer impact van andere producten te voorspellen. Dat model wordt vervolgens door een algoritme voor prijsoptimalisatie gebruikt om de vraag op diverse prijspunten te voorspellen waarbij rekening wordt gehouden met de bedrijfsbeperkingen, om de mogelijke winst te maximaliseren.

Door met deze oplossing historische transactiegegevens op te nemen, toekomstige vraag te voorspellen en prijzen regelmatig te optimaliseren bespaart u tijd en moeite bij het proces en verhoogt u de winst van uw bedrijf.

Implementatie in Azure

Gebruik de volgende vooraf gemaakte sjabloon om deze architectuur op Azure te implementeren

Implementatie in Azure
Prognose van vraag en prijsoptimalisatie | Microsoft Azure Diagram dat de relatie weergeeft tussen vijf producten en services die worden voorgesteld door pictogrammen. Het diagram bevat twee pictogrammen in de bovenste rij, twee in de middelste rij en één in de onderste rij. Bovenaan links bevindt zich het pictogram voor Azure-webtaken waarmee simulatiegegevens worden gegenereerd. Rechts bevindt zich, verbonden door een pijl in één richting, Azure Data Lake Store waar de simulatiegegevens worden opgeslagen. Onder Data Lake Store ziet u, verbonden door een pijl in twee richtingen, Spark in HDInsight waarmee gegevens worden opgenomen en deze gegevens worden gebruikt om modellen te trainen en optimalisatiealgoritmen uit te voeren. Daaronder bevindt zich Data Factory, dat ook verbonden is met een pijl in twee richtingen en waarmee de gehele gegevensstroom wordt geregisseerd en gepland. En rechts van Spark in HDInsight bevindt zich Power BI dat is verbonden door een pijl in één richting en waarmee de gegevens voor gemakkelijke controle worden gevisualiseerd. Data Factory: Move data, orchestrate, schedule and monitor Power BI Data Simulator Web Job Azure Data Lake Store Spark on HDInsight

Begeleiding bij implementatie

Producten Documentatie

Data Lake Store

In Data Lake Store worden de wekelijkse onbewerkte verkoopgegevens opgeslagen die door Spark in HDInsight worden gelezen.

Apache Spark voor Azure HDInsight

Met Spark in 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.

Data Factory

Het opnieuw trainen van modellen wordt door Data Factory geregistreerd en gepland.

Power BI

Met Power BI worden verkoopresultaten, de voorspelde toekomstige vraag en de aanbevolen optimale prijzen voor diverse producten in diverse winkels gevisualiseerd.

Gerelateerde architecturen voor oplossingen