Prognozowanie popytu i optymalizacja cen

Ceny są postrzegane jako decydujący wyznacznik sukcesu w wielu branżach, w związku z czym ustalanie cen może być jednym z najtrudniejszych zadań. Firmy mają często problemy z wieloma aspektami procesu ustalania cen, takimi jak precyzyjne prognozowanie finansowego wpływu potencjalnych taktyk, racjonalna ocena podstawowych ograniczeń biznesowych i właściwa weryfikacja wprowadzonych w życie decyzji cenowych. Rozszerzenie oferty produktów oznacza kolejne wymagania w zakresie środowiska obliczeniowego, których spełnienie jest konieczne, aby móc podejmować decyzje cenowe w czasie rzeczywistym, co dodatkowo komplikuje to trudne zadanie.

To rozwiązanie pozwala przezwyciężyć te wyzwania dzięki możliwości wykorzystania historycznych danych transakcji do szkolenia modelu prognozowania popytu. Uwzględnia ono również ceny produktów w grupie konkurentów w celu przewidywania czynników mających wpływ na różne produkty (takich jak kanibalizacja). Następnie algorytm optymalizacji cen używa tego modelu do prognozowania popytu w różnych proponowanych punktach cenowych z uwzględnieniem ograniczeń biznesowych w celu maksymalizacji zysków. Rozwiązanie można dostosować w taki sposób, aby analizowało różne scenariusze cenowe. Wystarczy stosować zbliżone metody wykorzystujące naukę o danych.

Cały opisany powyżej proces został wdrożony (z podziałem na operacje) w pakiecie Cortana Intelligence Suite. Powstało rozwiązanie, które pozwala firmom pozyskiwać historyczne dane transakcji, prognozować przyszły popyt i regularnie generować sugestie optymalizacji cen. Umożliwia ono zwiększenie zysków firmy oraz skrócenie i uproszczenie zadań związanych z wyznaczaniem cen.

Opis

Uwaga: Jeśli masz już wdrożone to rozwiązanie, kliknij tutaj, aby wyświetlić to wdrożenie.

Zaoszczędź czas i zwróć się do jednego z wyszkolonych partnerów SI o pomoc w zweryfikowaniu koncepcji, przeprowadzeniu wdrożenia i integracji tego rozwiązania.

Szacowany czas aprowizacji: 1 godzina

Pakiet Cortana Intelligence Suite oferuje za pośrednictwem platformy Microsoft Azure zaawansowane narzędzia analityczne do pozyskiwania, magazynowania i przetwarzania danych oraz zaawansowane składniki analizy — czyli wszystko, co jest potrzebne, aby utworzyć rozwiązanie do prognozowania popytu i optymalizacji cen.

To rozwiązanie łączy kilka usług platformy Azure, udostępniając olbrzymie korzyści. Tygodniowe pierwotne dane sprzedaży są przechowywane w usłudze Azure Blob Storage. Rozwiązanie Apache Spark dla usługi Azure HDInsight pozyskuje dane i wykonuje wstępne przetwarzanie, modelowanie prognozowania i algorytmy optymalizacji ceny. Na koniec usługa Data Factory organizuje i planuje cały przepływ danych.

Przycisk „Deploy” (Wdróż) uruchomi przepływ pracy, który wdroży wystąpienie tego rozwiązania w grupie zasobów we wskazanej subskrypcji platformy Azure. Rozwiązanie obejmuje wiele usług platformy Azure (opisanych poniżej) wraz z zadaniem Web Job symulującym dane, dzięki czemu bezpośrednio po wdrożeniu dostępny jest działający potok danych.

Instrukcje dotyczące etapu po wdrożeniu i więcej informacji o implementacji technicznej można znaleźć w na tej stronie z instrukcjami.

Szczegóły techniczne i przepływ pracy

  1. Dane symulacji są generowane co godzinę przez nowo wdrożone zadania Azure Web Job.
  2. Te syntetyczne dane są przechowywane w usłudze Azure Blob Storage, która będzie używana w dalszej części przepływu w rozwiązaniu.
  3. Rozwiązanie Spark w usłudze HDInsight pozyskuje i wstępnie przetwarza dane pierwotne, tworzy i szkoli modele prognozowania popytu oraz wykonuje algorytmy optymalizacji cen.
  4. Usługa Azure Data Factory organizuje i planuje cały przepływ danych.
  5. Na koniec następuje wizualizacja wyników w usłudze Power BI. Dzięki niej użytkownicy mogą monitorować wyniki sprzedaży, prognozować przyszły popyt oraz uzyskiwać rekomendacje optymalnych cen dotyczących różnych produktów sprzedawanych w różnych sklepach.

Zrzeczenie odpowiedzialności

© 2017 Microsoft Corporation. Wszelkie prawa zastrzeżone. Te informacje są udostępniane w stanie „jak są” i mogą ulec zmianie bez powiadomienia. Firma Microsoft nie udziela żadnych gwarancji, jawnych ani dorozumianych, w związku z informacjami przedstawionymi tutaj. Do wygenerowania rozwiązania wykorzystano dane innej firmy. Na Tobie spoczywa odpowiedzialność za przestrzeganie praw innych, w tym za uzyskanie odpowiednich licencji i postępowanie zgodnie z nimi przy tworzeniu podobnych zbiorów danych.

Powiązane architektury rozwiązań

Prognozowanie popytu

Precyzyjne przewidywanie skoków zapotrzebowania na produkty i usługi może dać firmie przewagę konkurencyjną. To rozwiązanie koncentruje się na przewidywaniu popytu w sektorze energetycznym.

Prognozowanie popytu na potrzeby spedycji i dystrybucji

Rozwiązanie Demand Forecasting for Shipping and Distribution (Prognozowanie popytu na potrzeby spedycji i dystrybucji) wykorzystuje historyczne dane popytu do prognozowania popytu w przyszłych okresach z podziałem na klientów, produkty i miejsca przeznaczenia. Na przykład firma specycyjna lub transportowa może za jego pomocą oszacować ilości różnych produktów zamawianych przez klientów w przyszłości, które trzeba będzie dostarczyć do różnych lokalizacji. Firma może przekazać uzyskane prognozy do narzędzia sterującego obciążeniem zasobów, które optymalizuje operacje, na przykład planując trasy dostaw. Można ich też użyć do długoterminowego planowania mocy przerobowych.

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

Spersonalizowane oferty

W dzisiejszym wysoce konkurencyjnym i połączonym środowisku firmy nie mogą już używać ogólnej statycznej zawartości online. Ponadto strategie marketingowe oparte na tradycyjnych narzędziach są często kosztowne i trudne w zaimplementowaniu oraz nie zapewniają oczekiwanego zwrotu z inwestycji. Takie systemy często nie wykorzystują w pełni możliwości zebranych danych do utworzenia bardziej spersonalizowanego środowiska dla użytkownika.