使用交易歷程記錄資料的互動式價格分析

Azure Data Factory
Azure Machine Learning
Excel
Azure Blob 儲存體
Azure SQL Database

價格分析解決方案會利用您的交易歷程記錄資料來示範產品的需求如何回應您所提供的價格。

架構

Screenshot showing interactive price analytics.

下載此架構的 Visio 檔案

資料流程

  1. Azure 機器學習 可讓您建置定價模型。
  2. Azure Blob 儲存體 會儲存模型和產生的任何中繼資料。
  3. Azure SQL 資料庫 會儲存交易歷程記錄資料和任何產生的模型預測。
  4. Azure Data Factory 可用來排程定期(例如每週)模型重新整理。
  5. Power BI 會啟用結果的視覺效果。
  6. Excel 試算表會取用預測性 Web 服務。

元件

解決方案詳細資料

價格分析解決方案會利用您的交易歷程記錄資料來示範產品的需求如何回應您所提供的價格。 它建議價格變更,並可讓您模擬價格變更如何影響您的需求,以精細的資料細微性。

解決方案提供儀表板,您可以在其中看到:

  • 最佳定價建議。
  • 專案網站通道區段層級的專案彈性。
  • 估計相關產品效果,例如食性。
  • 指定目前程式的預測。
  • 模型效能計量。

在 Excel 中使用與定價模式的直接互動,您可以:

  • 將銷售資料貼到該處並分析您的價格,而不需要先將資料整合到解決方案資料庫中。
  • 模擬促銷和繪製需求曲線(顯示對價格的需求回應)。
  • 以數值形式使用儀表板資料。

豐富的功能不限於 Excel。 它是由 Web 服務所驅動,您或您的實作合作夥伴可以直接從您的商務應用程式呼叫,並將價格分析整合到您的商務應用程式中。

潛在的使用案例

此架構適用于零售行業,提供定價建議、估計和預測。

解決方案描述

在嚴謹的價格分析工作流程中,最核心的部分是彈性模型和最佳化的定價建議。 最新的模型方法可以避免下列兩個因歷程記錄資料而起的嚴重模型價格敏感度問題:干擾和資料稀疏性。

混淆是影響需求的價格以外的因素存在。 我們會使用「雙 ML」方法,在估計彈性之前,先減去價格和需求變化的可預測元件。 這種方法將估計值免疫到大多數形式的混淆。 實作合作夥伴也可以自訂這個解決方案,以使用您的資料來擷取價格以外的其他潛在外部需求誘因。 我們的 部落格文章 提供價格資料科學的詳細資料。

資料疏通是因為最佳價格因細微價格而異:企業可以依專案、網站、銷售管道,甚至是客戶區段來設定價格。 但定價解決方案通常只會提供產品類別層級的估計值,因為交易歷程記錄可能只包含一些特定情況的銷售量。 在這類欠缺資料的情況下,我們的定價解決方案會使用「階層式正規化」來產生一致性的估價:當缺少辨識項時,模型會借用來自相同類別的其他項目、其他地點的相同項目等資訊。 隨著特定項目/地點/通路的歷程記錄資料量的增加,其彈性預估就會經過更具體地微調。

此定價分析解決方案概念說明如何針對以交易歷程記錄資料彈性估計為基礎的產品開發定價模型。 此解決方案以小型定價小組的中型公司為目標,這些公司缺乏對定制定價分析模型的廣泛資料科學支援。

與定價模型的互動是透過 Excel,您可以輕鬆地貼上銷售資料並分析價格,而不需要先將資料整合到解決方案資料庫中。 在試算表中,您可以模擬促銷和繪製需求曲線(顯示對價格的需求回應),並以數值形式存取儀表板資料。 您也可以從 Web 服務存取定價模型的豐富功能,將價格分析直接整合到您的商務應用程式中。

Azure 機器學習 是在此解決方案中建立彈性模型的核心邏輯。 機器學習模型可以使用 來設定,以避免從歷史資料產生兩個常見的價格模型化陷阱:混淆效果和資料疏遠。

此解決方案提供下列優點:

  • 一目了然(透過儀表板)顯示產品需求的彈性。
  • 提供專案目錄中每個產品的定價建議。
  • 探索相關的產品(替代品和補數)。
  • 可讓您在 Excel 中模擬促銷案例。

考量

考慮實作 Azure 架構良好架構的要素,這是一組指導原則,可用來改善工作負載的品質。 如需詳細資訊,請參閱 Microsoft Azure Well-Architected Framework

成本最佳化

成本優化是考慮如何減少不必要的費用,並提升營運效率。 如需詳細資訊,請參閱 成本優化要素 概觀。

若要計算目前的估計值,請使用 Azure 定價計算機 。 預估的解決方案應包含下列服務成本:

  • S1 標準 ML 服務方案
  • S2 SQL 資料庫
  • 應用程式主控方案
  • 其他 ADF 資料活動和儲存體成本

如果您只是探索解決方案,可以在幾天或幾小時內刪除它。 當您刪除 Azure 元件時,費用將會停止收費。

部署此案例

AI 資源庫解決方案是此解決方案架構的實作,具有兩個主要角色:技術資源和終端使用者(例如定價管理員)。

技術資源會部署解決方案,並將其連線到商務資料倉儲。 如需詳細資訊,請參閱 技術指南 。 使用者應閱讀 使用者指南 ,透過試算表使用模型(或整合至商務應用程式)。

開始使用

請使用右側按鈕來部署解決方案。 部署結束時顯示的指示中,包含重要的設定資訊。 讓它們保持開啟。

這個解決方案部署的柳橙汁價格資料集範例,與您在右側 [馬上試用] 按鈕之後找到的範例相同。

部署解決方案時,您可以先測試並檢閱:

解決方案部署之後,請完成第一個逐步說明 (需登入 MSFT)。

解決方案儀表板

解決方案儀表板最可採取動作的部分是 [定價建議] 索引標籤。它會告訴您哪些專案已低估或過度定價。 索引標籤會建議每個專案的最佳價格,以及採用建議的預測影響。 系統會先從增量毛利獲得機率最高的建議來排列優先順序。

AI 資源庫解決方案 GitHub 重現 會 說明此定價分析解決方案構想的實作。 AI 資源庫解決方案會使用您的交易歷程記錄資料來顯示產品的需求如何因應您提供的價格、建議價格變更,以及讓您模擬價格變更如何影響您的需求,以精細的資料細微性。 解決方案提供儀表板,您可以在其中查看最佳定價建議、專案彈性在專案-網站通道區段層級、估計相關產品效果,例如「食人化」、根據目前程式預測,以及模型效能計量。

解決方案架構

解決方案會使用 Azure SQL 資料庫 實例來儲存您的交易資料和產生的模型預測。 有十幾個彈性模型化核心服務,這些服務是使用 Python 核心程式庫在 Azure ML 中撰寫。 Azure Data Factory 會每週排程重新整理模型。 結果會顯示在 Power BI 儀表板中。 其中提供的 Excel 試算表會取用預測性 Web 服務。

如需架構的詳細討論,請閱讀技術部署指南 ,包括連接您自己的資料和自訂主題(需要 GitHub 登入)。

下一步

深入瞭解元件技術:

深入瞭解定價解決方案:

探索相關的架構: