Решение "Аналитика цен" использует данные журнала транзакций, чтобы показать, как спрос на продукты отвечает на цены, которые вы предлагаете.
Архитектура
Скачайте файл Visio для этой архитектуры.
Поток данных
- Машинное обучение Azure позволяет создавать модели ценообразования.
- Хранилище BLOB-объектов Azure хранит модель и все созданные промежуточные данные.
- База данных SQL Azure хранит данные журнала транзакций и все созданные прогнозы модели.
- Фабрика данных Azure используется для планирования периодических (например, еженедельно) обновлений модели.
- Power BI позволяет визуализировать результаты.
- Электронные таблицы Excel используют прогнозные веб-службы.
Компоненты
- Фабрика данных Azure
- Машинное обучение Azure
- Листы Microsoft Excel
- Хранилище BLOB-объектов Azure
- База данных SQL Azure
- Панель мониторинга в Power BI
Описание решения
Решение "Аналитика цен" использует данные журнала транзакций, чтобы показать, как спрос на продукты отвечает на цены, которые вы предлагаете. Он рекомендует изменения цен и позволяет имитировать, как изменения в цене повлияют на ваш спрос, при тонкой детализации.
Решение предоставляет панель мониторинга, в которой можно увидеть следующее:
- Оптимальные рекомендации по ценообразованию.
- Эластичность элементов на уровне сегмента item-site-channel-segment.
- Оценки эффектов, связанных с продуктом, таких как каннибализация.
- Прогнозы с учетом текущего процесса.
- Метрики производительности модели.
С помощью прямого взаимодействия с моделью ценообразования в Excel можно:
- Вставьте данные о продажах и проанализируйте цены без необходимости сначала интегрировать данные в базу данных решения.
- Имитация рекламных акций и кривых спроса на график (показывающая ответ на спрос на цену).
- Работа с данными панели мониторинга в числовой форме.
Функциональные возможности не ограничиваются Excel. Она зависит от веб-служб, которые вы или партнер по реализации может вызывать непосредственно из бизнес-приложений, интегрируя анализ цен в бизнес-приложения.
Потенциальные варианты использования
Эта архитектура идеально подходит для розничной отрасли, предоставляя рекомендации по ценам, оценки и прогнозы.
Описание решения
В основе рабочего процесса тщательного анализа цен лежит моделирование эластичности цен и рекомендации по оптимальному ценообразованию. Современный подход к моделированию решает две наихудшие проблемы моделирования чувствительности к цене на основе исторических данных: смешение и разреженность данных.
Смешение заключается в наличии факторов, отличных от цен, влияющих на спрос. Мы используем подход "double-ML", который вычитает прогнозируемые компоненты изменения цен и спроса перед оценкой эластичности. Этот подход иммунизирует оценки большинства форм запутания. Решение также может настроить партнер-исполнитель, чтобы использовать ваши данные для сбора потенциальных внешних факторов спроса, отличных от цены. Наша запись блога содержит более подробную информацию о ценах на обработку и анализ данных.
Разреженность данных возникает, так как оптимальная цена зависит от тонкого зерна: предприятия могут устанавливать цены по элементам, сайтам, каналу продаж и даже сегменту клиентов. Но решения по ценообразованию часто дают оценки только на уровне категории продуктов, так как журнал транзакций может содержать только несколько продаж для каждой конкретной ситуации. Наше ценовое решение использует "иерархическую регуляризацию" для получения последовательных оценок в ситуациях нехватки данных: при отсутствии доказательств модель заимствует информацию из других позиций в той же категории или те же позиции на других сайтах и т. д. По мере увеличения количества исторических данных в определенной комбинации "позиция — сайт — канал" оценка эластичности будет уточняться.
Эта идея решения аналитики цен показывает, как разработать модель ценообразования для продуктов, основанных на оценках эластичности из данных журнала транзакций. Это решение предназначено для компаний среднего размера с небольшими группами цен, которые не имеют обширной поддержки обработки и анализа данных для моделей аналитики цен.
Взаимодействие с моделью ценообразования осуществляется через Excel, где можно легко вставить данные о продажах и проанализировать цены без необходимости интегрировать данные в базу данных решения. В электронной таблице можно имитировать рекламные акции и кривые спроса на графики (показывая ответ на цены) и получать доступ к данным панели мониторинга в числовой форме. Широкие функциональные возможности модели ценообразования также можно получить из веб-служб, интегрируя ценовую аналитику непосредственно в бизнес-приложения.
Машинное обучение Azure является основной логикой в этом решении, из которого создаются модели эластичности. Модели машинного обучения можно настроить, чтобы избежать двух распространенных ошибок моделирования цен из исторических данных: смешения эффектов и разреженности данных.
Решение обеспечивает следующие преимущества:
- Показывает, насколько эластичным спросом на продукт является один взгляд (через панель мониторинга).
- Предоставляет рекомендации по ценам для каждого продукта в каталоге элементов.
- Обнаруживает связанные продукты (замены и дополнения).
- Позволяет имитировать рекламные сценарии в Excel.
Рекомендации
Рекомендации реализуют основные принципы платформы Azure Well-Architected Framework, которая представляет собой набор руководящих принципов, которые можно использовать для улучшения качества рабочей нагрузки. Дополнительные сведения см. в статье Microsoft Azure Well-Architected Framework.
Оптимизация затрат
Оптимизация затрат заключается в поиске способов уменьшения ненужных расходов и повышения эффективности работы. Дополнительные сведения см. в разделе Обзор критерия "Оптимизация затрат".
Чтобы вычислить текущую оценку, используйте калькулятор цен Azure. Предполагаемое решение должно включать следующие затраты на обслуживание:
- Стандартный план обслуживания машинного обучения S1
- S2 База данных SQL
- План размещения приложений
- Прочие действия с данными ADF и затраты на хранение
Если вы только изучаете решение, его можно удалить через несколько дней или часов. Затраты перестают взиматься при удалении компонентов Azure.
Развертывание этого сценария
Решение коллекции ИИ, которое является реализацией этой архитектуры решения, имеет две ключевые роли: технические ресурсы и конечные пользователи (например, менеджеры по ценообразованию).
Технические ресурсы развертывают решение и подключают его к хранилищу бизнес-данных. Дополнительные сведения см. в техническом руководстве. Конечные пользователи, использующие модель через электронную таблицу (или интегрированную в бизнес-приложение), должны прочитать руководство пользователя.
Приступая к работе
Разверните решение, нажав кнопку справа. Инструкции, которые появятся в конце развертывания, содержат важную информацию о конфигурации. Оставьте их открытыми.
Решение развертывается с тем же набором данных цен на апельсиновый сок, который можно открыть, нажав кнопку "Попробуйте сейчас" справа.
Во время развертывания решения вы можете начать работу, проверив и просмотрив следующее:
- Панель мониторинга Try-It-Now.
- Ознакомьтесь с руководством пользователя по инструкциям по использованию с точки зрения аналитика цен (требуется имя входа MSFT).
- Ознакомьтесь с руководством по техническому развертыванию для представления технической реализации (требуется имя входа MSFT).
- Скачайте интерактивный лист Excel.
После развертывания решения выполните инструкции в пошаговом руководстве (требуется вход в MSFT).
Панель мониторинга решения
Наиболее эффективной частью панели мониторинга решения является вкладка "Предложение цен". Он сообщает вам, какие из ваших элементов недооценны или перепрячены. Вкладка предлагает оптимальную цену для каждого элемента и прогнозируемое влияние принятия предложения. Предложения упорядочены по возможности получения прироста валовой прибыли.
Реализация этой идеи решения аналитики цен описана в решении коллекции ИИ и репозитории GitHub. Решение коллекции ИИ использует данные журнала транзакций, чтобы показать, как спрос на ваши продукты отвечает на предлагаемые цены, рекомендует изменения цен и позволяет имитировать, как изменения в цене повлияют на ваш спрос, при тонкой детализации. Это решение предоставляет панель мониторинга, где можно увидеть оптимальные рекомендации по ценообразованию, эластичность элементов на уровне сегмента "канал-сайта", оценки эффектов связанных продуктов, таких как "каннибализация", прогнозы с учетом текущего процесса и метрики производительности модели.
Архитектура решения
Решение использует экземпляр База данных SQL Azure для хранения транзакционных данных и прогнозов созданной модели. Существуют десятки служб моделирования эластичности, созданных в Машинном обучении Azure с помощью основных библиотек Python. В фабрике данных Azure планируется еженедельное обновление моделей. Результаты отображаются на панели мониторинга Power BI. В представленной таблице Excel используются прогнозные веб-службы.
Ознакомьтесь с руководством по техническому развертыванию для более подробного обсуждения архитектуры, включая тему подключения собственных данных и настройки (требуется имя входа GitHub).
Следующие шаги
Дополнительные сведения о технологиях компонентов:
- Общие сведения о службе фабрики данных Azure, службе интеграции данных в облаке
- Что такое Машинное обучение Azure?
- Общие сведения о хранилище BLOB-объектов Azure
- Что такое База данных SQL Azure
- Что такое Power BI?
- Создание панелей мониторинга в Power BI
Дополнительные сведения о решениях по ценообразованию:
- Интерактивное решение для коллекции ИИ
- Репозиторий GitHub для интерактивной аналитики цен
- Техническое руководство по развертыванию — для более подробного обсуждения архитектуры, подключения собственных данных и настройки.
- Руководство пользователя — для конечных пользователей решения, например диспетчеров ценообразования.
- Запись блога: подсистема ценообразования для всех, созданных с помощью AzureML и Python
- Путь Microsoft Learn: создание решений ИИ с помощью Машинное обучение Azure
Связанные ресурсы
Сведения о связанных архитектурах: