Descrição
No centro de um fluxo de trabalho de análise de preço rigoroso estão as recomendações de preço ideal e de modelagem de elasticidade de preço. A nova abordagem de modelagem mitiga as duas piores armadilhas da modelagem da sensibilidade de preços com base em dados históricos: confusão e dispersão de dados.
A confusão é a presença de fatores que não são o preço e que afetam a demanda. Usamos uma abordagem de “ML duplo” que retira os componentes previsíveis da variação de preço e demanda antes de estimar a elasticidade, imunizando as estimativas da maioria das formas de confusão. A solução também pode ser personalizada por um parceiro de implementação para usar seus dados capturando possíveis acionadores de demanda externos que não sejam o preço. A postagem em nosso blog oferece detalhes adicionais sobre a ciência de dados de preços.
A dispersão de dados ocorre porque o preço ideal varia com alta granularidade: os negócios podem definir os preços por item, local, canal de vendas e até mesmo segmento de clientes, mas a solução de preços geralmente apenas oferece estimativas no nível de categoria de produto, porque o histórico de transações pode conter apenas algumas vendas para cada situação específica. Nossa solução de preços usa a “regularização hierárquica” para produzir estimativas consistentes em situações com poucos dados: na ausência de evidências, o modelo empresta informações de outros itens na mesma categoria, dos mesmos itens em outros locais e assim por diante. À medida que a quantidade de dados históricos sobre uma determinada combinação de item-local-canal aumenta, sua estimativa de elasticidade será ajustada mais especificamente.
Essa solução analisa seus preços históricos e
- mostra a você imediatamente no dashboard o quão elástica é a demanda do seu produto
- oferece recomendações de preço para cada produto em seu catálogo de itens
- descobre produtos relacionados (substitutos e complementos)
- permite que você simule cenários promocionais no Excel.
Custo estimado
O custo estimado para a solução é de aproximadamente $10/dia ($300/mês)
- $100 para o plano de serviço ML padrão S1
- $75 para um banco de dados SQL S2
- $75 para plano de hospedagem de aplicativo
- $50 em atividades de dados de ADF diversos e custos de armazenamento
Se você estiver apenas explorando a solução, poderá excluí-la em poucos dias ou horas. Os custos são rateados e deixarão de ser cobrados quando você excluir os componentes do Azure.
Introdução
Implante a solução com o botão à direita. As instruções no fim da implantação terão informações de configuração importantes. Deixe-as abertas.
A solução é implantada com o mesmo conjunto de dados de exemplo de preços de suco de laranja que você encontra no botão Experimente Agora à direita.
Enquanto a solução está sendo implantada, você pode obter uma vantagem inicial e
- ver o que está disponível no dashboard Experimente Agora
- ler atentamente o Guia do Usuário para instruções de uso da perspectiva de um analista de preços (logon de MSFT necessário)
- examinar o Guia de Implantação Técnica para uma exibição da implantação técnica (logon de MSFT necessário)
- baixar a planilha interativa do Excel
Após a implantação da solução, conclua o primeiro guia passo a passo (logon de MSFT necessário).
Dashboard da solução
A parte mais acionável do dashboard da solução é a guia Sugestão de Preço. Ela informa quais dos seus itens têm preço baixo ou sobrepreço e sugere um preço ideal para cada item, além do impacto previsto da adoção da sugestão. As sugestões são priorizadas pela maior oportunidade de ganhar uma margem bruta incremental.

Outras guias fornecem informações suplementares que elucidam como o sistema chegou nas sugestões e elas são discutidas mais detalhadamente no Guia do usuário. (Você deverá estar conectado no GitHub com uma conta do MSFT Azure enquanto a solução estiver na versão prévia privada).
Arquitetura da Solução
A solução usa um SQL Server do Azure para armazenar seus dados transacionais e as previsões de modelo geradas. Há uma dúzia de serviços de núcleo de modelagem de elasticidade, que são criados no AzureML usando bibliotecas de núcleo do Python. O Azure Data Factory programa atualizações de modelo semanalmente. Os resultados são exibidos em um dashboard do Power BI. A planilha do Excel fornecida consome os Serviços Web preditivos.
Leia o Guia de Implantação Técnica para uma discussão mais detalhada da arquitetura, conectando seus próprios dados e personalização (logon no GitHub necessário).
Aviso de isenção de responsabilidade
© 2017 Microsoft Corporation. Todos os direitos reservados. Estas informações são fornecidas “no estado em que se encontram” e poderão ser alteradas sem aviso. A Microsoft não oferece garantias, expressas ou implícitas, com relação às informações aqui fornecidas. Dados de terceiros foram utilizados para gerar esta Solução. Você é responsável por respeitar os direitos de terceiros, incluindo a obtenção e o cumprimento de licenças relevantes com o intuito de criar conjuntos de dados similares.