Использование модели прогнозирования спроса для оптимизации цен

Это решение прогнозирует будущий спрос клиентов и оптимизирует цены, чтобы максимально повысить рентабельность с помощью больших данных и расширенных аналитических служб из Microsoft Azure.

Архитектура

Скачайте файл Visio для этой архитектуры.

Поток данных

Платформа Microsoft AI предоставляет расширенные средства аналитики, такие как прием данных, хранение, обработка и компоненты расширенной аналитики. Эти средства являются основными элементами для создания решения прогнозирования спроса и оптимизации цен.

1. Azure Data Lake (или Хранилище BLOB-объектов Azure) хранит еженедельные необработанные данные о продажах.
2. Apache Spark для Azure HDInsight обрабатывает данные и выполняет предварительную обработку данных, моделирование прогнозирования и алгоритмы оптимизации цен.
3. Фабрика данных Azure оркестрирует и планирует весь поток данных.

Компоненты

• Azure Data Lake служба хранилища хранит еженедельные необработанные данные о продажах, которые считываются Spark в HDInsight. В качестве альтернативы используйте Хранилище BLOB-объектов Azure.
• Spark в HDInsight обрабатывает данные и выполняет предварительную обработку данных, моделирование прогнозирования и алгоритмы оптимизации цен.
• Фабрика данных обрабатывает оркестрацию и планирование переобучения модели.
• Power BI позволяет визуализацию результатов; отслеживать результаты продаж и прогнозировать будущий спрос и рекомендуемые оптимальные цены.

Подробности сценария

Для многих отраслей ценообразование является ключевым фактором и одновременно одной из самых сложных задач. Компании часто пытаются точно прогнозировать финансовое влияние потенциальной тактики, полностью учитывать основные бизнес-ограничения, и справедливо проверять решения о ценах после их принятия. По мере увеличения количества предлагаемых продуктов усложняются и расчеты, задействованные в решениях о ценообразовании, принимаемых в реальном времени, а значит, весь процесс становится еще более сложным.

Это решение помогает справиться с такими задачами, используя данные транзакций за прошлые периоды для обучения модели прогнозирования спроса в контексте розничной торговли. Оно также включает формирование цен на продукты из конкурирующих групп, позволяя предсказать каннибализацию и другие виды влияния продуктов друг на друга. Затем алгоритм оптимизации цены использует эту модель для прогнозирования спроса при различных уровнях цен и с учетом бизнес-ограничений для получения максимальной потенциальной прибыли.

Описанный выше процесс можно выполнить в эксплуатацию и развернуть на платформе ИИ Майкрософт.

Потенциальные варианты использования

С помощью этого решения вы можете получать исторические данные транзакций, прогнозировать будущий спрос и регулярно оптимизировать цены, что экономит время и усилия, которые вы будете тратить на задачи ценообразования.

Следующие шаги

См. документацию по продукту:

• Дополнительные сведения о Data Lake Store
• Начало работы с HDInsight с помощью кластера Spark с R Server
• Дополнительные сведения о фабрике данных
• Дополнительные сведения о Power BI

Внешние ссылки о прогнозировании:

• Прогнозирование спроса и оптимизация цен в коллекции ИИ Azure

Связанные ресурсы

См. статьи, связанные с Центром архитектуры Azure:

• Прогнозирование спроса для доставки и распределения
• Прогнозирование спроса с помощью Azure Stream Analytics и машинной линии