Lösningsidéer
Den här artikeln är en lösningsidé. Om du vill att vi ska utöka innehållet med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du meddela oss genom att ge GitHub-feedback.
Den här lösningen förutsäger framtida kundefterfrågan och optimerar prissättningen för att maximera lönsamheten med hjälp av stordata- och avancerade analystjänster från Microsoft Azure.
Arkitektur
Ladda ned en Visio-fil med den här arkitekturen.
Dataflöde
Microsoft AI-plattformen tillhandahåller avancerade analysverktyg som datainmatning, lagring, bearbetning och avancerade analyskomponenter. Dessa verktyg är de viktigaste elementen för att skapa en lösning för efterfrågeprognoser och prisoptimering.
- Azure Data Lake (eller Azure Blob Storage) lagrar veckovisa rådata för försäljning.
- Apache Spark för Azure HDInsight matar in data och kör algoritmer för förbearbetning av data, prognosmodellering och prisoptimering.
- Sedan orkestrerar och schemalägger Azure Data Factory hela dataflödet.
Komponenter
- Azure Data Lake Storage lagrar veckovisa rådata, som läse spark på HDInsight. Du kan också använda Azure Blob Storage.
- Spark i HDInsight matar in data och kör förbearbetning av data, prognosmodellering och prisoptimeringsalgoritmer.
- Data Factory hanterar orkestrering och schemaläggning av modellens omträning.
- Power BI möjliggör visualisering av resultat, övervakar resultatet av försäljningen och förutsade framtida efterfrågan och rekommenderade optimala priser.
Information om scenario
Prissättning är centralt för många branscher men kan vara en mycket knepig uppgift. Företag kämpar ofta för att korrekt förutsäga den finanspolitiska effekten av potentiella taktiker, fullt ut överväga kärnaffärsbegränsningar och rättvist validera prissättningsbeslut när de har fattats. Produkterbjudandena blir allt fler vilket ytterligare försvårar den komplicerade processen med att fastställa priser.
Med den här lösningen underlättas förfarandet genom att tidigare transaktionsdata används för att bygga upp en prognosmodell för efterfrågan i en återförsäljarmiljö. Här ingår också prissättning av produkter i en konkurrerande grupp för att förutse kannibalisering och annan korsproduktpåverkan. Med prisoptimeringsalgoritmen beräknas sedan prognosen för efterfrågan vid olika prispunkter och faktorer inom verksamhetens begränsningar för att maximera den potentiella vinsten.
Processen som beskrivs ovan kan operationaliseras och distribueras i Microsoft AI-plattformen.
Potentiella användningsfall
Med den här lösningen kan du mata in historiska transaktionsdata, förutsäga framtida efterfrågan och regelbundet optimera priser, vilket sparar tid och arbete som du lägger på prisuppgifter.
Nästa steg
Se produktdokumentation:
- Läs mer om Data Lake Store
- Kom igång med HDInsight med ett Spark-kluster med R Server
- Läs mer om Data Factory
- Läs mer om Power BI
Externa länkar om prognostisering:
- Prognostisering av efterfrågan och prisoptimering i Azure AI-galleriet
Relaterade resurser
Se relaterade artiklar om Azure Architecture Center: