Lösningsarkitektur: Beräkna prognoser för efterfrågan och prisoptimering för marknadsföring

Prissättning är centralt för många branscher men kan vara en mycket knepig uppgift. För företag kan det vara en utmaning att korrekt förutse den finansiella effekten av en viss strategi, ta hänsyn till kärnverksamhetens begränsningar och korrekt värdera de prissättningsbeslut som 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.

Med den här lösningen för att mata in tidigare transaktionsdata, förutsäga kommande efterfrågan och regelbundet optimera prissättningen kan du spara tid och energi och därmed förbättra företagets lönsamhet.

Distribuera till Azure

Använd följande färdiga mall för att distribuera den här arkitekturen till Azure

Distribuera till Azure
Beräkna prognoser för efterfrågan + prisoptimering | Microsoft Azure Diagram som visar relationen mellan fem produkter och tjänster, i form av symboler. Två symboler visas på den översta raden, två på mittenraden och en på den nedersta raden. Längst till vänster finns symbolen för Azure Web Jobs som genererar simuleringsdata. Till höger visas med en enkelpil Azure Data Lake Store där dessa simuleringsdata lagras. Under Data Lake Store visas med en dubbelpil Spark i HDInsight, som matar in data och använder dem för att lära upp modeller och köra optimeringsalgoritmer. Under den visas, också anslutet med en dubbelpil, Data Factory som orkestrerar och schemalägger hela dataflödet. Och till höger om Spark i HDInsight visas anslutet med en enkelpil Power BI, där informationen visualiseras så att den lätt kan övervakas. Data Factory: Move data, orchestrate, schedule and monitor Power BI Data Simulator Web Job Azure Data Lake Store Spark on HDInsight

Implementeringsanvisningar

Produkter Dokumentation

Data Lake Store

I Data Lake Store lagras råförsäljningsdata per vecka, som sedan läses av Spark i HDInsight.

Apache Spark för Azure HDInsight

Spark i HDInsight matar in data och kör förbearbetning av data, prognosmodeller och prisoptimeringsalgoritmer.

Data Factory

Data Factory hanterar orkestrering samt schemaläggning av modellomskolningen.

Power BI

I Power BI visas säljresultatet, beräknad kommande efterfrågan och rekommenderat optimalt pris för en rad produkter som säljs i olika butiker.

Närliggande lösningsarkitekturer