De oplossing Price Analytics maakt gebruik van uw transactionele geschiedenisgegevens om u te laten zien hoe de vraag naar uw producten reageert op de prijzen die u aanbiedt.
Architectuur
Een Visio-bestand van deze architectuur downloaden.
Gegevensstroom
- Met Azure Machine Learning kunt u prijsmodellen bouwen.
- In Azure Blob Storage worden model en eventuele tussenliggende gegevens opgeslagen die worden gegenereerd.
- In Azure SQL Database worden transactiegeschiedenisgegevens en gegenereerde modelvoorspellingen opgeslagen.
- Azure Data Factory wordt gebruikt om periodieke (bijvoorbeeld wekelijkse) modelvernieuwing te plannen.
- Power BI maakt een visualisatie van de resultaten mogelijk.
- Excel-spreadsheets gebruiken voorspellende webservices.
Onderdelen
- Azure Data Factory
- Azure Machine Learning
- Microsoft Excel-werkbladen
- Azure Blob-opslag
- Azure SQL-database
- Dashboard in Power BI
Details oplossing
De oplossing Price Analytics maakt gebruik van uw transactionele geschiedenisgegevens om u te laten zien hoe de vraag naar uw producten reageert op de prijzen die u aanbiedt. Het raadt prijswijzigingen aan en stelt u in staat om te simuleren hoe wijzigingen in prijs van invloed zijn op uw vraag, met een fijne granulariteit.
De oplossing biedt een dashboard waar u het volgende kunt zien:
- Optimale prijsaanaanveling.
- Elasticiteit van items op item-site-kanaalsegmentniveau.
- Schattingen van effecten van gerelateerde producten, zoals cannibalisatie.
- Prognoses op basis van het huidige proces.
- Metrische gegevens over modelprestaties.
Met behulp van directe interactie met het prijsmodel in Excel kunt u het volgende doen:
- Plak uw verkoopgegevens daar en analyseer uw prijzen zonder dat u de gegevens eerst hoeft te integreren in de oplossingsdatabase.
- Simuleer promoties en plotvraagcurven (met vraagrespons op prijs).
- Werken met dashboardgegevens in numerieke vorm.
De uitgebreide functionaliteit is niet beperkt tot Excel. Het wordt aangestuurd door webservices die u of uw implementatiepartner rechtstreeks vanuit uw bedrijfstoepassingen kan aanroepen, waarbij prijsanalyse in uw bedrijfstoepassingen wordt geïntegreerd.
Potentiële gebruikscases
Deze architectuur is ideaal voor de detailhandel en biedt prijsaanvelingen, schattingen en prognoses.
Beschrijving van oplossing
De kern van een rigoureuze prijsanalyseworkflow wordt gevormd door modellering van prijselasticiteit en optimale prijsaanbevelingen. De state-of-the-art benadering van modellering voorkomt de twee grootste valkuilen van het modelleren van de prijsgevoeligheid aan de hand van historische gegevens: vertekening en schaarste.
Confounding is de aanwezigheid van andere factoren dan prijs die van invloed zijn op de vraag. We gebruiken een 'double-ML'-benadering waarmee de voorspelbare onderdelen van prijs- en vraagvariatie worden afgetrokken voordat we de elasticiteit schatten. Deze aanpak immuniseert de schattingen tot de meeste vormen van verwarrende. De oplossing kan ook door een implementatiepartner worden aangepast om uw gegevens te gebruiken om mogelijk andere externe vraagsturende factoren dan prijs vast te leggen. Onze blogpost geeft meer informatie over de data science van prijzen.
Gegevens spaarzaamheid vindt plaats omdat de optimale prijs varieert met een fijnmazige prijs: bedrijven kunnen prijzen instellen op artikel, site, verkoopkanaal en zelfs klantsegment. Maar prijsoplossingen geven vaak alleen schattingen op productcategorieniveau, omdat de transactiegeschiedenis slechts een paar verkopen voor elke specifieke situatie kan bevatten. Onze prijsoplossing gebruikt ‘hiërarchische regularisatie’ om in dergelijke situaties, waarin weinig gegevens aanwezig zijn, consistente schattingen te geven: in afwezigheid van bewijs leent het model informatie van andere items in dezelfde categorie, zelfde items in andere sites, enzovoort. Naarmate de hoeveelheid historische gegevens op een gegeven combinatie van item-/sitekanaal toeneemt, wordt de elasticiteitsschatting ervan specifieker afgestemd.
Deze oplossingsidee voor prijsanalyse laat zien hoe u een prijsmodel kunt ontwikkelen voor producten die zijn gebaseerd op elasticiteitsramingen op basis van transactiegeschiedenisgegevens. Deze oplossing is gericht op middelgrote bedrijven met kleine prijsteams die geen uitgebreide data science-ondersteuning hebben voor op maat gemaakte prijsanalysemodellen.
Interactie met het prijsmodel is via Excel, waar u eenvoudig uw verkoopgegevens kunt plakken en uw prijzen kunt analyseren zonder dat u de gegevens eerst hoeft te integreren in de oplossingsdatabase. In het werkblad kunt u promoties simuleren en vraagcurven tekenen (met reactie op vraag op prijs) en dashboardgegevens in numerieke vorm openen. De uitgebreide functionaliteit van het prijsmodel kan ook worden geopend vanuit webservices, waarbij prijsanalyses rechtstreeks in uw bedrijfstoepassingen worden geïntegreerd.
Azure Machine Learning is de kernlogica in deze oplossing waaruit elasticiteitsmodellen worden gemaakt. Machine learning-modellen kunnen worden ingesteld om twee veelvoorkomende valkuilen van prijsmodellering uit historische gegevens te voorkomen: verstorende effecten en spaarzaamheid van gegevens.
De oplossing biedt de volgende voordelen:
- Hier ziet u in één oogopslag (via het dashboard) hoe elastisch uw productvraag is.
- Biedt prijsaanaanveling voor elk product in uw artikelcatalogus.
- Detecteert verwante producten (vervangingen en aanvullingen).
- Hiermee kunt u promotiescenario's in Excel simuleren.
Overwegingen
Overwegingen implementeren de pijlers van het Azure Well-Architected Framework, een set richtlijnen die kunnen worden gebruikt om de kwaliteit van een workload te verbeteren. Zie Microsoft Azure Well-Architected Framework voor meer informatie.
Kostenoptimalisatie
Kostenoptimalisatie gaat over manieren om onnodige uitgaven te verminderen en operationele efficiëntie te verbeteren. Zie Overzicht van de pijler kostenoptimalisatie voor meer informatie.
Als u een huidige schatting wilt berekenen, gebruikt u de Azure-prijscalculator. De geschatte oplossing moet de volgende servicekosten bevatten:
- S1 standard ML-serviceplan
- S2 SQL Database
- App-hostingabonnement
- Diverse ADF-gegevensactiviteiten en opslagkosten
Als u alleen de oplossing verkent, kunt u deze binnen een paar dagen of uren verwijderen. De kosten worden niet meer in rekening gebracht wanneer u de Azure-onderdelen verwijdert.
Dit scenario implementeren
De AI Gallery-oplossing, een implementatie van deze oplossingsarchitectuur, heeft twee belangrijke rollen: technische resources en eindgebruikers (zoals prijsbeheerders).
Technische resources implementeren de oplossing en verbinden deze met een business datawarehouse. Lees de technische handleiding voor meer informatie. Eindgebruikers die het model gebruiken via een spreadsheet (of geïntegreerd in een bedrijfstoepassing), moeten de gebruikershandleiding lezen.
Aan de slag
Implementeer de oplossing met de knop rechts. In de instructies aan het einde van de implementatie vindt u belangrijke configuratie-informatie. Laat ze open.
De oplossing wordt geïmplementeerd met dezelfde voorbeeldgegevensset met prijzen van sinaasappelsap die u vindt achter de knop Nu uitproberen rechts.
Terwijl de oplossing wordt geïmplementeerd, kunt u een voorsprong krijgen door het testen en controleren van:
- Het dashboard Try-It-Now.
- Lees de gebruikershandleiding voor gebruiksinstructies vanuit het perspectief van een prijsanalist (MSFT-aanmelding vereist).
- Raadpleeg de technische implementatiehandleiding voor een technische implementatieweergave (MSFT-aanmelding vereist).
- Download het interactieve Excel-werkblad.
Nadat de oplossing is geïmplementeerd, voltooit u de eerste walkthrough (MSFT-aanmelding vereist).
Oplossingsdashboard
Het meest bruikbare onderdeel van het oplossingsdashboard is het tabblad Prijssuggesties. Er wordt aangegeven welke items onderpriced of te duur zijn. Op het tabblad wordt een optimale prijs voorgesteld voor elk item en de voorspelde impact van het aannemen van de suggestie. De suggesties worden geprioriteerd op de grootste mogelijkheid om de brutowinstmarge te verhogen.
Een implementatie van dit oplossingsidee voor prijsanalyse wordt beschreven in de AI Gallery-oplossing en gitHub-repro. De AI Gallery-oplossing gebruikt uw transactionele geschiedenisgegevens om te laten zien hoe de vraag naar uw producten reageert op de prijzen die u aanbiedt, prijswijzigingen aanbeveelt en u kunt simuleren hoe wijzigingen in de prijs van invloed zijn op uw vraag, met een fijne granulariteit. De oplossing biedt een dashboard, waar u optimale prijsaanbevelingen, elasticiteit van items op item-site-kanaalsegmentniveau kunt zien, schattingen van gerelateerde producteffecten, zoals 'cannibalisatie', prognoses van het huidige proces en metrische gegevens over modelprestaties.
Architectuur voor de oplossing
De oplossing maakt gebruik van een Azure SQL Database-exemplaar om uw transactionele gegevens en de gegenereerde modelvoorspellingen op te slaan. Er zijn tientallen elasticiteitsmodelleringsservices die zijn geschreven in Azure ML met behulp van Python-kernbibliotheken. Azure Data Factory plant wekelijkse modelvernieuwingen. De resultaten worden weergegeven in een Power BI-dashboard. De bijgeleverde Excel-spreadsheet verbruikt de voorspellende webservices.
Lees de technische implementatiehandleiding voor een gedetailleerdere bespreking van de architectuur, waaronder het onderwerp over het verbinden van uw eigen gegevens en aanpassingen (GitHub-aanmelding vereist).
Volgende stappen
Meer informatie over de onderdeeltechnologieën:
- Inleiding tot Azure Data Factory
- Wat is Azure Machine Learning?
- Inleiding tot Azure Blob-opslag
- Wat is Azure SQL Database?
- Wat is Power BI?
- Dashboards maken in Power BI
Meer informatie over prijsoplossingen:
- Interactieve prijsoplossing voor AI Gallery
- GitHub-opslagplaats voor Interactive Price Analytics
- Technische implementatiehandleiding : voor een gedetailleerdere bespreking van de architectuur, het verbinden van uw eigen gegevens en aanpassingen.
- Gebruikershandleiding : voor eindgebruikers van de oplossing, zoals prijsbeheerders.
- Blogbericht: Een prijsengine voor iedereen die is gebouwd met AzureML en Python
- Microsoft Learn-pad: AI-oplossingen bouwen met Azure Machine Learning
Verwante resources
Gerelateerde architecturen verkennen: