Interactieve prijsanalyse

De oplossing Prijsanalyse gebruikt uw transactionele geschiedenisgegevens om u te laten zien hoe de vraag naar uw producten reageert op de prijzen die u vraagt, om prijswijzigingen voor te stellen. U kunt dan vrij nauwkeurig simuleren welke invloed een prijswijziging heeft op uw vraag.

De oplossing bevat een dashboard, waarop uw optimale prijsaanbevelingen ziet, itemelasticiteiten op het niveau item-site-kanaal-segment, schattingen van verwante producteffecten, zoals ‘kannibalisatie’, prognoses aan de hand van het huidige proces en metrische gegevens over modelprestatie.

Dankzij directe interactie met het prijsmodel in Excel kunt u eenvoudig uw verkoopgegevens daar plakken en uw prijzen analyseren zonder dat u de gegevens eerst moet integreren in de oplossingsdatabase, promoties moet simuleren en vraagcurves moet plotten (die de vraagreactie op prijs laten zien) en de dashboardgegevens in numerieke vorm moet weergeven.

De rijke functionaliteit is niet beperkt tot Excel. Het wordt aangestuurd door webservices die u, of uw implementatiepartner, rechtstreeks vanaf uw bedrijfstoepassingen kunt aanroepen om zo prijsanalyse te integreren in uw bedrijfstoepassingen.

Beschrijving

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

Geschatte inrichtingstijd: 15 minuten

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.

Vertekening is de aanwezigheid van andere factoren dan prijs die invloed hebben op de vraag. We gebruiken een ‘dubbele-ML’-benadering die de voorspelbare onderdelen van prijs en vraagvariatie wegwerkt voordat de elasticiteit wordt geschat, waardoor de schattingen worden geïmmuniseerd tot de meeste vormen van vertekening. 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. In onze blogpost vindt u meer details over de wetenschap van prijzen.

Gegevensschaarste komt voor omdat de optimale prijs kan variëren: bedrijven kunnen prijzen instellen per item, site, verkoopkanaal en zelfs klantensegment, maar prijsoplossingen kunnen vaak alleen schattingen geven op productcategorieniveau omdat de transactiegeschiedenis mogelijk maar een paar verkopen bevat voor elke specifieke situatie. 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 oplossing analyseert uw historische prijzen en

  • laat in u in een oogopslag op het dashboard zien hoe elastisch uw productvraag is
  • geeft prijsaanbevelingen voor elk product in uw itemcatalogus
  • ontdekt verwante producten (vervangende en complementaire producten)
  • laat u promotionele scenario’s simuleren in Excel.

Geschatte kosten

De geschatte kosten voor de oplossing zijn ongeveer $10/dag ($300/maand)

  • $100 voor S1 standaard ML-service-abonnement
  • $75 voor een S2 SQL-database
  • $75voor een app-hostingplan
  • $50 aan willekeurige ADF-gegevensactiviteiten en opslagkosten

Als u de oplossing alleen maar verkent, kunt u deze na een paar dagen of uren weer verwijderen. De kosten zijn pro-rato en worden niet meer in rekening gebracht wanneer u de Azure-onderdelen verwijdert.

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 deze geopend.

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 aan de slag en

Nadat de oplossing is geïmplementeerd, voltooit u de eerste walkthrough (MSFT-aanmelding vereist).

Dashboard van de oplossing

Het deel van het dashboard van de oplossing waar de meeste actie kan worden uitgevoerd, is het tabblad Prijssuggestie. Het vertelt u welke van uw items een te lage of een te hoge prijs hebben en stelt een optimale prijs voor elk item voor. Er wordt ook voorspelt wat de impact is wanneer de suggestie wordt overgenomen. De suggesties worden geprioriteerd op de grootste mogelijkheid om de brutowinstmarge te verhogen.

Tabblad Suggestie van het Dashboard

Andere tabbladen geven aanvullende informatie over hoe het systeem tot de suggesties is gekomen; deze tabbladen worden uitgebreider besproken in de Gebruikershandleiding. (U moet zijn aangemeld bij Github met een MSFT Azure-account wanneer de persoonlijke voorbeeldweergave van de oplossing wordt gebruikt.)

Architectuur voor de oplossing

De oplossing gebruikt een Azure SQL-server om uw transactiegegevens en de gegenereerde modelvoorspellingen op te slaan. Er zijn meer dan tien kernservices voor elasticiteitsmodellering, die worden opgesteld in AzureML met behulp van Python-kernbibliotheken. Azure Data Factory plant wekelijkse modelvernieuwingen. De resultaten worden weergegeven in een PowerBI-dashboard. De bijgeleverde Excel-spreadsheet verbruikt de voorspellende webservices.

Lees de Technische implementatiehandleiding voor een uitgebreidere bespreking van de architectuur, uw eigen gegevens koppelen en aanpassing (Github-aanmelding vereist).

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 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.

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.