A solução Análise de Preços utiliza seus dados de histórico transacional para mostrar como a demanda por seus produtos responde aos preços que você oferece.
Arquitetura
Baixe um Arquivo Visio dessa arquitetura.
Fluxo de dados
- O Azure Machine Learning permite a criação de modelos de preços.
- O Armazenamento de Blobs do Azure armazena o modelo e todos os dados intermediários gerados.
- O Banco de Dados SQL do Azure armazena dados de histórico de transações e quaisquer previsões de modelo geradas.
- O Azure Data Factory é usado para agendar atualizações de modelo periódicas (por exemplo, semanais).
- O Power BI habilita uma visualização dos resultados.
- As planilhas do Excel consomem serviços Web preditivos.
Componentes
- Azure Data Factory
- Azure Machine Learning
- Planilhas do Microsoft Excel
- Armazenamento de Blobs do Azure
- Banco de Dados SQL do Azure
- Painel no Power BI
Detalhes da solução
A solução Análise de Preços utiliza seus dados de histórico transacional para mostrar como a demanda por seus produtos responde aos preços que você oferece. Ele recomenda alterações de preços e permite que você simule como as alterações no preço afetariam sua demanda, em uma granularidade fina.
A solução fornece um painel onde você pode ver:
- Recomendações de preços ideais.
- Elasticidades de item em um nível item-site-channel-segment.
- Estimativas de efeitos relacionados ao produto, como canibalização.
- Previsões fornecidas pelo processo atual.
- Métricas de desempenho do modelo.
Usando a interação direta com o modelo de preços no Excel, você pode:
- Cole seus dados de vendas lá e analise seus preços sem a necessidade de integrar os dados ao banco de dados da solução primeiro.
- Simule promoções e plote curvas de demanda (mostrando a resposta da demanda ao preço).
- Trabalhe com dados do painel no formato numérico.
A funcionalidade avançada não está restrita ao Excel. Ela é orientada pelos serviços Web que você ou seu parceiro de implementação podem chamar diretamente de seus aplicativos de negócios, integrando a análise de preços em seus aplicativos de negócios.
Possíveis casos de uso
Essa arquitetura é ideal para o setor de varejo, fornecendo recomendações de preços, estimativas e previsões.
Descrição da solução
No centro de um fluxo de trabalho de análise de preço rigoroso estão as recomendações de preço ideal e de modelagem de elasticidade de preço. A nova abordagem de modelagem mitiga as duas piores armadilhas da modelagem da sensibilidade de preços com base em dados históricos: confusão e dispersão de dados.
A confusão é a presença de fatores diferentes do preço que afetam a demanda. Usamos uma abordagem "double-ML" que subtrai os componentes previsíveis da variação de preço e demanda antes de estimar a elasticidade. Essa abordagem imuniza as estimativas para a maioria das formas de confusão. A solução também pode ser personalizada por um parceiro de implementação para usar seus dados capturando possíveis acionadores de demanda externos que não sejam o preço. Nossa postagem no blog fornece mais detalhes sobre a ciência de dados dos preços.
A moderação de dados ocorre porque o preço ideal varia de acordo com um grão fino: as empresas podem definir preços por item, site, canal de vendas e até mesmo segmento de cliente. Mas as soluções de preços geralmente só fornecem estimativas no nível da categoria do produto, pois o histórico de transações pode conter apenas algumas vendas para cada situação específica. Nossa solução de preços usa a “regularização hierárquica” para produzir estimativas consistentes em situações com poucos dados: na ausência de evidências, o modelo empresta informações de outros itens na mesma categoria, dos mesmos itens em outros locais e assim por diante. À medida que a quantidade de dados históricos sobre uma determinada combinação de item-local-canal aumenta, sua estimativa de elasticidade será ajustada mais especificamente.
Essa ideia de solução de análise de preços mostra como você pode desenvolver um modelo de preços para produtos baseado em estimativas de elasticidade dos dados do histórico de transações. Essa solução é direcionada a empresas de médio porte com pequenas equipes de preços que não têm amplo suporte de ciência de dados para modelos de análise de preços sob medida.
A interação com o modelo de preços é por meio do Excel, em que você pode colar facilmente seus dados de vendas e analisar seus preços sem a necessidade de integrar os dados ao banco de dados da solução primeiro. Na planilha, você pode simular promoções e plotar curvas de demanda (mostrando a resposta da demanda ao preço) e acessar dados do painel em formato numérico. A funcionalidade avançada do modelo de preços também pode ser acessada dos serviços Web, integrando a análise de preços diretamente em seus aplicativos de negócios.
O Azure Machine Learning é a lógica principal nesta solução da qual os modelos de elasticidade são criados. Modelos de machine learning podem ser configurados para evitar duas armadilhas comuns de modelagem de preços de dados históricos: efeitos de confusão e moderação de dados.
A solução fornece as seguintes vantagens:
- Mostra com um só olhar (por meio do painel) o quão elástica é a demanda do produto.
- Fornece recomendações de preços para cada produto em seu catálogo de itens.
- Descobre produtos relacionados (substituições e complementos).
- Permite simular cenários promocionais no Excel.
Considerações
Considerações implementam os pilares do Azure Well-Architected Framework, que é um conjunto de princípios orientadores que podem ser usados para melhorar a qualidade de uma carga de trabalho. Para obter mais informações, confira Microsoft Azure Well-Architected Framework.
Otimização de custo
A otimização de custos é a análise de maneiras de reduzir as despesas desnecessárias e melhorar a eficiência operacional. Para obter mais informações, confira Visão geral do pilar de otimização de custo.
Para calcular uma estimativa atual, use a calculadora de preços do Azure. A solução estimada deve incluir os seguintes custos de serviço:
- Plano de serviço de ML padrão S1
- Banco de Dados SQL S2
- Plano de hospedagem de aplicativo
- Diversos custos de armazenamento e atividades de dados do ADF
Se você estiver apenas explorando a solução, poderá excluí-la em alguns dias ou horas. Os custos deixarão de ser cobrados quando você excluir os componentes do Azure.
Implantar este cenário
A solução da Galeria de IA, que é uma implementação dessa arquitetura de solução, tem duas funções principais: recursos técnicos e usuários finais (como gerenciadores de preços).
Os recursos técnicos implantam a solução e a conectam a um data warehouse de negócios. Para obter mais informações, leia o Guia Técnico. Os usuários finais que usam o modelo por meio de uma planilha (ou integrados a um aplicativo de negócios) devem ler o Guia do Usuário.
Introdução
Implante a solução com o botão à direita. As instruções no fim da implantação terão informações de configuração importantes. Deixe-os abertos.
A solução é implantada com o mesmo conjunto de dados de exemplo de preços de suco de laranja que você encontra no botão Experimente Agora à direita.
Enquanto a solução está sendo implantada, você pode obter uma vantagem testando e revisando:
- O painel Try-It-Now.
- Leia o Guia do Usuário para obter instruções de uso da perspectiva de um analista de preços (logon MSFT necessário).
- Examine o Guia de Implantação Técnica para obter uma exibição de implementação técnica (logon MSFT necessário).
- Baixe a planilha interativa do Excel.
Após a implantação da solução, conclua o primeiro guia passo a passo (logon de MSFT necessário).
Painel da solução
A parte mais acionável do painel de solução é a guia Sugestão de Preços. Ele informa quais dos seus itens são subfaturados ou superfaturados. A guia sugere um preço ideal para cada item e o impacto previsto na adoção da sugestão. As sugestões são priorizadas pela maior oportunidade de ganhar uma margem bruta incremental.
Uma implementação dessa ideia de solução de análise de preços é descrita neste repositório GitHub para Análise Interativa de Preços. A solução fornece um painel, onde você pode ver as recomendações de preços ideais, elasticidades de itens em um nível de item-site-canal-segmento, estimativas de efeitos de produtos relacionados, como canibalização, previsões de acordo com o processo atual e métricas de desempenho do modelo.
Arquitetura da solução
A solução usa uma instância do Banco de Dados SQL do Azure para armazenar seus dados transacionais e as previsões de modelo geradas. Há uma dúzia de serviços principais de modelagem de elasticidade, que são criados no Azure ML usando bibliotecas principais do Python. O Azure Data Factory programa atualizações de modelo semanalmente. Os resultados são exibidos em um painel do Power BI. A planilha do Excel fornecida consome os Serviços Web preditivos.
Leia o Guia de Implantação Técnica para uma discussão mais detalhada sobre a arquitetura, incluindo o tópico de conexão de seus próprios dados e personalização (logon do GitHub necessário).
Próximas etapas
Saiba mais sobre as tecnologias dos componentes:
- Introdução ao Azure Data Factory
- O que é Azure Machine Learning?
- Introdução ao Armazenamento de Blobs do Azure
- O que é o Banco de Dados SQL do Azure?
- O que é o Power BI?
- Criar dashboards no Power BI
Saiba mais sobre soluções de preços:
- Repositório GitHub para Análise Interativa de Preços
- Guia de Implantação Técnica – para uma discussão mais detalhada sobre a arquitetura, conectando seus próprios dados e personalização.
- Guia do Usuário – para usuários finais da solução, como gerenciadores de preços.
- Postagem no blog: Um mecanismo de preços para todos criados com AzureML e Python
- Caminho do Microsoft Learn: criar soluções de IA com o Azure Machine Learning
Recursos relacionados
Explorar arquiteturas relacionadas: