A solução de Análise de Preços utiliza seus dados de histórico transacional para mostrar como a demanda por seus produtos responde aos preços que você oferece.
Arquitetura
Transfira um ficheiro do Visio desta arquitetura.
Fluxo de dados
- O Azure Machine Learning permite criar modelos de preços.
- O armazenamento de Blob do Azure armazena o modelo e todos os dados intermediários gerados.
- O Banco de Dados SQL do Azure armazena dados do histórico de transações e quaisquer previsões de modelo geradas.
- O Azure Data Factory é usado para agendar atualizações periódicas (por exemplo, semanais) do modelo.
- O Power BI permite uma visualização dos resultados.
- As planilhas do Excel consomem serviços Web preditivos.
Componentes
- Fábrica de Dados do Azure
- Azure Machine Learning
- Planilhas do Microsoft Excel
- Armazenamento de Blobs do Azure
- Base de Dados SQL do Azure
- Painel no Power BI
Detalhes da solução
A solução de Análise de Preços utiliza seus dados de histórico transacional para mostrar como a demanda por seus produtos responde aos preços que você oferece. Ele recomenda alterações de preços e permite que você simule como as mudanças no preço afetariam sua demanda, com uma granularidade fina.
A solução fornece um painel onde você pode ver:
- Recomendações de preços ideais.
- Elasticidades de item em um nível de segmento item-site-canal.
- Estimativas dos efeitos dos produtos relacionados, como a canibalização.
- Previsões tendo em conta o processo em curso.
- Modele métricas de desempenho.
Usando a interação direta com o modelo de preços no Excel, você pode:
- Cole seus dados de vendas lá e analise seus preços sem a necessidade de integrar os dados no banco de dados da solução primeiro.
- Simule promoções e plote curvas de demanda (mostrando a resposta da demanda ao preço).
- Trabalhe com dados do painel em forma numérica.
A funcionalidade avançada não se limita ao Excel. Ele é impulsionado por serviços da Web que você ou seu parceiro de implementação podem chamar diretamente de seus aplicativos de negócios, integrando a análise de preços em seus aplicativos de negócios.
Potenciais casos de utilização
Essa arquitetura é ideal para o setor de varejo, fornecendo recomendações de preços, estimativas e previsões.
Descrição da solução
No centro de um rigoroso fluxo de trabalho de análise de preços está a modelação da elasticidade dos preços e recomendações de preços ideais. A abordagem de modelação de última geração mitiga os dois piores perigos da modelação da sensibilidade de preço a partir de dados históricos: a confusão e a dispersividade dos dados.
A confusão é a presença de outros fatores, além do preço, que afetam a demanda. Usamos uma abordagem de "duplo ML" que subtrai os componentes previsíveis da variação de preço e demanda antes de estimar a elasticidade. Esta abordagem imuniza as estimativas para a maioria das formas de confusão. A solução também pode ser personalizada por um parceiro de implementação para utilizar os seus dados para captar potenciais impulsionadores de procura externos para alem do preço. Nosso post no blog dá mais detalhes sobre a ciência de dados dos preços.
A paridade de dados ocorre porque o preço ideal varia em um grão fino: as empresas podem definir preços por item, local, canal de vendas e até mesmo segmento de cliente. Mas as soluções de preços muitas vezes só fornecem estimativas no nível da categoria do produto, porque o histórico de transações pode conter apenas algumas vendas para cada situação específica. A nossa solução de fixação de preços utiliza a "regularização hierárquica" para produzir estimativas consistentes nestas situações de escassez de dados: na ausência de provas, o modelo apropria-se de informações de outros itens da mesma categoria, dos mesmos itens noutros sites, etc. À medida que a quantidade de dados históricos numa determinada combinação de item-site-canal aumenta, a respetiva estimativa de elasticidade será ajustada de forma mais específica.
Esta ideia de solução de análise de preços mostra como você pode desenvolver um modelo de preços para produtos baseado em estimativas de elasticidade a partir de dados do histórico de transações. Esta solução destina-se a empresas de médio porte com pequenas equipes de preços que não têm suporte extensivo de ciência de dados para modelos de análise de preços personalizados.
A interação com o modelo de preços é via Excel, onde você pode facilmente colar seus dados de vendas e analisar seus preços sem a necessidade de integrar os dados no banco de dados da solução primeiro. Na planilha, você pode simular promoções e plotar curvas de demanda (mostrando a resposta da demanda ao preço) e acessar os dados do painel de forma numérica. A rica funcionalidade do modelo de preços também pode ser acessada a partir de serviços da Web, integrando a análise de preços diretamente em seus aplicativos de negócios.
O Azure Machine Learning é a lógica central nesta solução a partir da qual os modelos de elasticidade são criados. Os modelos de aprendizado de máquina podem ser configurados para evitar duas armadilhas comuns da modelagem de preços a partir de dados históricos: efeitos de confusão e parsidade de dados.
A solução oferece as seguintes vantagens:
- Mostra de uma só vez (através do painel) como a sua demanda de produtos é elástica.
- Fornece recomendações de preços para cada produto em seu catálogo de itens.
- Descobre produtos relacionados (substituições e complementos).
- Permite simular cenários promocionais no Excel.
Considerações
As considerações implementam os pilares do Azure Well-Architected Framework, que é um conjunto de princípios orientadores que podem ser usados para melhorar a qualidade de uma carga de trabalho. Para obter mais informações, consulte Microsoft Azure Well-Architected Framework.
Otimização de custos
A otimização de custos consiste em procurar formas de reduzir despesas desnecessárias e melhorar a eficiência operacional. Para obter mais informações, consulte Visão geral do pilar de otimização de custos.
Para calcular uma estimativa atual, use a calculadora de preços do Azure. A solução estimada deve incluir os seguintes custos de serviço:
- Plano de serviço de ML padrão S1
- Banco de dados SQL S2
- Plano de hospedagem de aplicativos
- Atividades diversas de dados ADF e custos de armazenamento
Se estiver apenas a explorar a solução, pode eliminá-la em poucos dias ou horas. Os custos deixarão de ser cobrados quando você excluir os componentes do Azure.
Implementar este cenário
A solução AI Gallery, que é uma implementação dessa arquitetura de solução, tem duas funções principais: recursos técnicos e usuários finais (como gerentes de preços).
Os recursos técnicos implantam a solução e a conectam a um data warehouse corporativo. Para obter mais informações, leia o Guia Técnico. Os utilizadores finais que utilizem o modelo através de uma folha de cálculo (ou integrados numa aplicação empresarial), devem ler o Guia do Utilizador.
Introdução
Para implementar a solução, utilize o botão que se encontra no lado direito. As instruções no fim da implementação incluem informações de configuração importantes. Deixe-os abertos.
A solução é implementada com o mesmo conjunto de dados de exemplo de preços do sumo de laranja que poderá encontrar ao clicar no botão Experimentar agora à direita.
Enquanto a solução está sendo implantada, você pode obter uma vantagem inicial testando e revisando:
- O painel Try-It-Now.
- Leia o Guia do Usuário para obter instruções de uso da perspetiva de um analista de preços (login MSFT necessário).
- Consulte o Guia de Implantação Técnica para obter uma exibição de implementação técnica (login MSFT necessário).
- Transfira a folha de cálculo interativa do Excel.
Após a implementação da solução, siga as primeiras instruções (início de sessão da MSFT necessário).
Dashboard de soluções
A parte mais acionável do painel da solução é a guia Sugestão de preço. Ele informa quais de seus itens estão subfaturados ou superfaturados. A aba sugere um preço ideal para cada item e o impacto previsto da adoção da sugestão. As sugestões são priorizadas pela maior oportunidade de obter uma margem bruta incremental.
Uma implementação dessa ideia de solução de análise de preços é descrita na solução AI Gallery e no GitHub repro. A solução AI Gallery usa seus dados de histórico transacional para mostrar como a demanda por seus produtos responde aos preços que você oferece, recomendar alterações de preços e permitir que você simule como as mudanças no preço afetariam sua demanda, com uma granularidade fina. A solução fornece um painel, onde você pode ver recomendações de preços ideais, elasticidades de itens em um nível de segmento item-site-canal, estimativas de efeitos relacionados ao produto, como "canibalização", previsões dadas ao processo atual e métricas de desempenho do modelo.
Arquitetura de soluções
A solução usa uma instância do Banco de Dados SQL do Azure para armazenar seus dados transacionais e as previsões de modelo geradas. Há uma dúzia de serviços principais de modelagem de elasticidade, que são criados no Azure ML usando bibliotecas de núcleo do Python. O Azure Data Factory agenda atualizações de modelos semanais. Os resultados são exibidos em um painel do Power BI. A folha de cálculo do Excel fornecida consome os Serviços Web preditivos.
Leia o Guia de implantação técnica para obter uma discussão mais detalhada sobre a arquitetura, incluindo o tópico de conexão de seus próprios dados e personalização (login no GitHub necessário).
Próximos passos
Saiba mais sobre as tecnologias de componentes:
- Introdução ao Azure Data Factory
- O que é o Azure Machine Learning?
- Introdução ao armazenamento de Blob do Azure
- O que é a Base de Dados SQL do Azure?
- O que é o Power BI?
- Criar painéis no Power BI
Saiba mais sobre as soluções de preços:
- Solução de preços interativos da AI Gallery
- Repositório GitHub para análise interativa de preços
- Postagem de blog: Um mecanismo de preços para todos criado com AzureML e Python
- Caminho do Microsoft Learn: Criar soluções de IA com o Azure Machine Learning
Recursos relacionados
Explore arquiteturas relacionadas: