价格分析解决方案利用事务历史记录数据来展示产品需求对所提供价格的响应方式。
体系结构
下载此体系结构的 Visio 文件。
数据流
- Azure 机器学习支持构建定价模型。
- Azure Blob 存储存储模型和生成的任何中间数据。
- Azure SQL 数据库存储事务历史记录数据和任何生成的模型预测。
- Azure 数据工厂用于计划定期（例如每周）模型刷新。
- Power BI 支持结果的可视化。
- Excel 电子表格使用预测 Web 服务。
组件
解决方案详细信息
价格分析解决方案利用事务历史记录数据来展示产品需求对所提供价格的响应方式。 它建议进行定价更改，并允许你以精细粒度模拟价格变化如何影响需求。
该解决方案提供了一个仪表板，可在其中查看：
- 最佳定价建议。
- 项-站点-渠道-细分级别的项弹性。
- 对相关产品影响的估计，如侵蚀。
- 给定当前进程的预测。
- 模型性能指标。
使用与 Excel 中的定价模型的直接交互，可以：
- 将销售数据粘贴到该位置并分析价格，而无需先将数据集成到解决方案数据库中。
- 模拟促销并绘制需求曲线（显示需求对价格的响应）。
- 以数字形式处理仪表板数据。
丰富的功能不仅限于 Excel。 它由你或你的实施合作伙伴可以直接从你的业务应用程序调用的 Web 服务驱动，将价格分析集成到你的业务应用程序中。
可能的用例
此体系结构非常适合零售行业，提供定价建议、估计和预测。
解决方案描述
严格的价格分析工作流的核心是价格弹性建模和最佳定价建议。 最先进的建模方法减轻了根据历史数据建立价格敏感度模型的两个最严重的缺陷：混淆和数据稀疏。
混淆在于，除了价格之外，还有其他因素会影响需求。 我们使用“双 ML”方法，该方法在估计弹性之前减去价格和需求变化的可预测部分。 这种方法使估计可以避免大多数形式的混淆。 该解决方案还可以由实施合作伙伴自定义，以使用你的数据捕获除价格之外的潜在外部需求驱动因素。 我们的博客文章提供了有关价格数据科学的更多详细信息。
数据稀疏的出现是因为最佳价格的变化很小：企业可以按项、站点、销售渠道甚至客户细分来设置价格。 但定价解决方案通常只提供产品类别级别的估计，因为事务历史记录可能只包含针对每种特定情况的少量销售。 我们的定价解决方案使用“分层正则化”在这种数据匮乏的情况下产生一致的估计：在没有证据的情况下，模型从同一类别的其他项、其他站点的相同项等处借用信息。 随着给定项-站点-渠道组合的历史数据量增加，其弹性估计将更具体地进行微调。
此定价分析解决方案理念展示了如何开发一种基于事务历史记录数据的弹性估计的产品定价模型。 此解决方案面向拥有小型定价团队的中型公司，这些公司缺乏对定制定价分析模型的广泛数据科学支持。
与定价模型的交互是通过 Excel 进行的，可在其中轻松粘贴销售数据并分析价格，而无需先将数据集成到解决方案数据库中。 在电子表格中，可模拟促销并绘制需求曲线（显示需求对价格的响应），并以数字形式访问仪表板数据。 定价模型的丰富功能也可以从 Web 服务访问，将价格分析直接集成到你的业务应用程序中。
Azure 机器学习是此解决方案的核心逻辑，弹性模型就是据其创建的。 可设置机器学习模型来避免根据历史数据进行价格建模的两个常见缺陷：混淆效应和数据稀疏。
该解决方案具有以下优点：
- 让你一目了然地了解（通过仪表盘）产品需求有多大弹性。
- 为项目录中的每个产品提供定价建议。
- 发现相关产品（替代品和补充品）。
- 允许在 Excel 中模拟促销场景。
注意事项
注意事项实施 Azure 架构良好的框架的支柱原则，即一套可用于改善工作负载质量的指导原则。 有关详细信息，请参阅 Microsoft Azure 架构良好的框架。
成本优化
成本优化是关于寻找减少不必要的费用和提高运营效率的方法。 有关详细信息，请参阅成本优化支柱概述。
若要计算当前估计值，请使用 Azure 定价计算器。 估计的解决方案应包括以下服务成本：
- S1 标准 ML 服务计划
- S2 SQL 数据库
- 应用托管计划
- 其他 ADF 数据活动和存储成本
如果你只是在探索解决方案，可在几天或几个小时内将其删除。 删除 Azure 组件时，将停止收取费用。
部署此方案
AI 库解决方案是此解决方案体系结构的实现，具有两个关键角色：技术资源和最终用户（例如定价管理员）。
技术资源部署该解决方案并将其连接到业务数据仓库。 有关详细信息，请阅读技术指南。 通过电子表格使用模型的（或集成到业务应用程序中的）最终用户应阅读用户指南。
入门
使用右侧的按钮部署解决方案。 部署结束时的说明将提供重要的配置信息。 让其保持打开状态。
该解决方案部署了相同的橙汁价格示例数据集，可在右侧的“立即试用”按钮后面找到该数据集。
在部署解决方案的过程中，可通过测试和审查来获得一个良好的开端：
部署解决方案后，完成第一次演练（需要登录 MSFT）。
解决方案仪表板
解决方案仪表板最具操作性的部分是“定价建议”选项卡。它会告诉你哪些项价格过低或过高。 该选项卡会建议每个项的最佳价格，以及采用该建议的预期影响。 这些建议按照赚取增量毛利润的最大机会进行优先排序。
AI 库解决方案和 GitHub 存储库中描述了此定价分析解决方案理念的实现。 AI 库解决方案使用交易历史记录数据以适当的粒度来展示产品需求如何响应你提供的价格、建议定价更改，并允许你模拟价格变化对需求的影响。 该解决方案提供了一个仪表板，可在其中查看最佳定价建议、项-站点-渠道-细分级别的项弹性、对相关产品影响的估计（例如“侵蚀”）、给定当前进程的预测以及模型性能指标。
解决方案体系结构
该解决方案使用 Azure SQL 数据库实例来存储事务数据和生成的模型预测。 有十几个弹性建模核心服务，它们是使用 Python 核心库在 Azure ML 中创作的。 Azure 数据工厂计划每周模型刷新。 结果显示在 Power BI 仪表板中。 提供的 Excel 电子表格使用预测 Web 服务。
阅读技术部署指南，了解关于体系结构的更详细讨论，包括连接自己的数据和自定义的主题（需要登录 GitHub）。
后续步骤
了解有关组件技术的详细信息：
详细了解定价解决方案：
- AI 库交互式定价解决方案
- 交互式价格分析的 GitHub 存储库
- 博客文章：使用 AzureML 和 Python 构建的面向所有人的定价引擎
- Microsoft Learn 路径：使用 Azure 机器学习生成 AI 解决方案
相关资源
探索相关体系结构：