La soluzione Price Analytics usa i dati della cronologia transazionale per mostrare in che modo la domanda dei prodotti risponde ai prezzi offerti.
Architettura
Scaricare un file di Visio di questa architettura.
Flusso di dati
- Azure Machine Learning consente di creare modelli di determinazione prezzi.
- Archiviazione BLOB di Azure archivia il modello e tutti i dati intermedi generati.
- database SQL di Azure archivia i dati della cronologia delle transazioni ed eventuali stime del modello generate.
- Azure Data Factory viene usato per pianificare gli aggiornamenti periodici (ad esempio, settimanali).
- Power BI consente una visualizzazione dei risultati.
- I fogli di calcolo di Excel utilizzano servizi Web predittivi.
Componenti
- Azure Data Factory
- Azure Machine Learning
- Fogli di lavoro di Microsoft Excel
- Archiviazione BLOB di Azure
- Database SQL di Azure
- Dashboard in Power BI
Dettagli della soluzione
La soluzione Price Analytics usa i dati della cronologia transazionale per mostrare in che modo la domanda dei prodotti risponde ai prezzi offerti. Consiglia le modifiche ai prezzi e consente di simulare il modo in cui le variazioni del prezzo influiscono sulla domanda, con una granularità fine.
La soluzione fornisce un dashboard in cui è possibile visualizzare:
- Suggerimenti ottimali sui prezzi.
- Elasticità degli elementi a livello di segmento item-site-channel.
- Stime degli effetti correlati al prodotto, ad esempio la cannibalizzazione.
- Previsioni in base al processo corrente.
- Metriche delle prestazioni del modello.
Usando l'interazione diretta con il modello di determinazione prezzi in Excel, è possibile:
- Incollare prima i dati di vendita e analizzare i prezzi senza la necessità di integrare i dati nel database della soluzione.
- Simulare promozioni e tracciare le curve della domanda (che mostra la risposta della domanda al prezzo).
- Usare i dati del dashboard in formato numerico.
La funzionalità avanzata non è limitata a Excel. È basata su servizi Web che l'utente o il partner di implementazione può chiamare direttamente dalle applicazioni aziendali, integrando l'analisi dei prezzi nelle applicazioni aziendali.
Potenziali casi d'uso
Questa architettura è ideale per il settore delle vendite al dettaglio, fornendo raccomandazioni sui prezzi, stime e previsioni.
Descrizione della soluzione
La modellazione dell'elasticità dei prezzi e consigli ottimali sulla determinazione dei prezzi sono alla base di un flusso di lavoro rigoroso per l'analisi dei prezzi. Un approccio moderno per la modellazione riduce al minimo i due problemi principali della sensibilità della creazione di modelli di prezzi dai dati cronologici, ovvero la confusione e la scarsità dei dati.
La confondazione è la presenza di fattori diversi dal prezzo che influiscono sulla domanda. Viene usato un approccio "double-ML" che sottrae i componenti prevedibili della variazione di prezzo e domanda prima di stimare l'elasticità. Questo approccio immunizza le stime alla maggior parte delle forme di confondimento. La soluzione può essere anche personalizzata da un partner di implementazione per usare i dati per l'acquisizione di fattori esterni diversi dal prezzo che possono influenzare la domanda. Il post di blog offre maggiori dettagli sulla data science dei prezzi.
La spaziatura dei dati si verifica perché il prezzo ottimale varia a livello di granularità fine: le aziende possono impostare i prezzi per articolo, sito, canale di vendita e anche segmento di clienti. Tuttavia, le soluzioni di determinazione dei prezzi spesso forniscono stime solo a livello di categoria di prodotto, perché la cronologia delle transazioni può contenere solo alcune vendite per ogni situazione specifica. La nostra soluzione per la determinazione dei prezzi usa la "regolarizzazione gerarchica" per produrre stime coerenti in situazioni di scarsità dei dati: in assenza di dati concreti, il modello ottiene informazioni da altri articoli nella stessa categoria, da articoli uguali in altri siti e così via. Con la crescita continua della quantità di dati cronologici su una combinazione di articolo-sito-canale specifica, la rispettiva stima dell'elasticità verrà perfezionata in modo più specifico.
Questa soluzione di analisi dei prezzi illustra come sviluppare un modello di determinazione prezzi per i prodotti basati su stime di elasticità dei dati della cronologia delle transazioni. Questa soluzione è destinata a aziende di medie dimensioni con team di prezzi di piccole dimensioni che non dispongono di un ampio supporto di data science per modelli di analisi dei prezzi su misura.
L'interazione con il modello di determinazione prezzi è tramite Excel, in cui è possibile incollare facilmente i dati di vendita e analizzare i prezzi senza dover prima integrare i dati nel database della soluzione. Nel foglio di calcolo è possibile simulare promozioni e tracciare le curve di domanda (che mostrano la risposta alla domanda al prezzo) e accedere ai dati del dashboard in formato numerico. È anche possibile accedere alle funzionalità avanzate del modello di determinazione prezzi dai servizi Web, integrando analisi dei prezzi direttamente nelle applicazioni aziendali.
Azure Machine Learning è la logica di base di questa soluzione da cui vengono creati modelli di elasticità. I modelli di Machine Learning possono essere configurati con per evitare due problemi comuni di modellazione dei prezzi dai dati cronologici: effetti confondibili e sparsity dei dati.
La soluzione offre i vantaggi seguenti:
- Viene illustrato in modo immediato (tramite il dashboard) il modo in cui è elastica la domanda di prodotti.
- Fornisce consigli sui prezzi per ogni prodotto nel catalogo di articoli.
- Individua i prodotti correlati (sostituzioni e complementi).
- Consente di simulare scenari promozionali in Excel.
Considerazioni
Le considerazioni implementano i pilastri di Azure Well-Architected Framework, che è un set di set di principi guida che possono essere usati per migliorare la qualità di un carico di lavoro. Per altre informazioni, vedere Microsoft Azure Well-Architected Framework.
Ottimizzazione dei costi
L'ottimizzazione dei costi riguarda l'analisi dei modi per ridurre le spese non necessarie e migliorare l'efficienza operativa. Per altre informazioni, vedere Panoramica del pilastro di ottimizzazione dei costi.
Per calcolare una stima corrente, usare il calcolatore prezzi di Azure. La soluzione stimata deve includere i costi di servizio seguenti:
- Piano di servizio ml standard S1
- Database SQL S2
- Piano di hosting delle app
- Varie attività di dati di Azure Data Factory e costi di archiviazione
Se si sta semplicemente esplorando la soluzione, è possibile eliminarla in pochi giorni o ore. I costi non verranno addebitati quando si eliminano i componenti di Azure.
Distribuire lo scenario
La soluzione AI Gallery, che è un'implementazione di questa architettura della soluzione, ha due ruoli chiave: risorse tecniche e utenti finali (ad esempio i gestori prezzi).
Le risorse tecniche distribuiscono la soluzione e la connettono a un data warehouse aziendale. Per altre informazioni, vedere la Guida tecnica. Gli utenti finali che usano il modello tramite un foglio di calcolo (o integrati in un'applicazione aziendale) devono leggere la Guida per l'utente.
Introduzione
Distribuisci la soluzione con il pulsante a destra. Le istruzioni disponibili al termine della distribuzione includeranno informazioni importanti sulla configurazione. Lasciali aperti.
La soluzione viene distribuita con lo stesso set di dati di esempio relativo ai prezzi del succo di arancia disponibile selezionando il pulsante Prova adesso.
Durante la distribuzione della soluzione, è possibile iniziare testando ed esaminando:
- Dashboard Try-It-Now.
- Leggere la Guida dell'utente per istruzioni sull'utilizzo dal punto di vista di un analista dei prezzi (è necessario l'accesso MSFT).
- Consultare la Guida alla distribuzione tecnica per una visualizzazione dell'implementazione tecnica (è necessario l'account di accesso MSFT).
- Scaricare il foglio di lavoro interattivo di Excel.
Al termine della distribuzione della soluzione, completa la prima procedura dettagliata. È necessario l'accesso Microsoft.
Dashboard della soluzione
La parte più pratica del dashboard della soluzione è la scheda Suggerimento prezzi. Indica quali dei tuoi articoli sono sottoprico o troppo costosi. La scheda suggerisce un prezzo ottimale per ogni articolo e l'impatto stimato dell'adozione del suggerimento. I suggerimenti vengono classificati in ordine di priorità in base alla opportunità più elevata di ottenere un profitto lordo incrementale.
Un'implementazione di questa soluzione di analisi dei prezzi è descritta in questo repository GitHub per Interactive Price Analytics. La soluzione fornisce un dashboard, in cui è possibile visualizzare raccomandazioni ottimali sui prezzi, elasticità degli articoli a livello di segmento di canale-elemento, stime di effetti correlati al prodotto, ad esempio cannibalizzazione, previsioni date il processo corrente e metriche delle prestazioni del modello.
Architettura della soluzione
La soluzione usa un'istanza di database SQL di Azure per archiviare i dati transazionali e le stime del modello generate. Esistono una dozzina di servizi di base di modellazione dell'elasticità creati in Azure ML usando le librerie di base python. Azure Data Factory pianifica aggiornamenti settimanali dei modelli. I risultati vengono visualizzati in un dashboard di Power BI. Il foglio di calcolo di Excel fornito utilizza i servizi Web predittivi.
Leggere la Guida alla distribuzione tecnica per una descrizione più dettagliata dell'architettura, incluso l'argomento relativo alla connessione dei propri dati e personalizzazione (è necessario l'accesso a GitHub).
Passaggi successivi
Altre informazioni sulle tecnologie dei componenti:
- Introduzione al servizio Azure Data Factory
- Cos'è Azure Machine Learning?
- Introduzione ad Archiviazione BLOB di Azure
- Informazioni sul database SQL di Azure
- Che cos'è Power BI?
- Creare dashboard in Power BI
Altre informazioni sulle soluzioni per i prezzi:
- Repository GitHub per Interactive Price Analytics
- Post di blog: Motore prezzi per Tutti gli utenti compilati con AzureML e Python
- Percorso di Microsoft Learn: Creare soluzioni di intelligenza artificiale con Azure Machine Learning
Risorse correlate
Esplorare le architetture correlate: