價格分析解決方案會利用您的交易歷程記錄數據來示範產品的需求如何回應您所提供的價格。
架構
資料流程
- Azure 機器學習 可讓您建置定價模型。
- Azure Blob 記憶體 會儲存模型和產生的任何中繼數據。
- Azure SQL 資料庫 會儲存交易歷程記錄數據和任何產生的模型預測。
- Azure Data Factory 可用來排程定期(例如每周)模型重新整理。
- Power BI 會啟用結果的視覺效果。
- Excel 電子表格會取用預測性 Web 服務。
元件
- Azure Data Factory
- Azure Machine Learning
- Microsoft Excel 工作表
- Azure Blob 儲存體
- Azure SQL Database
- Power BI 中的儀錶板
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數據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,以精細的數據粒度。
解決方案提供儀錶板,您可以在其中看到:
- 最佳定價建議。
- 項目網站通道區段層級的項目彈性。
- 估計相關產品效果,例如食性。
- 指定目前程序的預測。
- 模型效能計量。
在 Excel 中使用與定價模式的直接互動,您可以:
- 將銷售數據貼到該處並分析您的價格,而不需要先將數據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)。
- 以數值形式使用儀錶板數據。
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。
潛在使用案例
此架構適用於零售行業,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 提供價格數據科學的詳細數據。
數據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數據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,這些公司缺乏對定製定價分析模型的廣泛數據科學支援。
與定價模型的互動是透過 Excel,您可以輕鬆地貼上銷售數據並分析價格,而不需要先將資料整合到解決方案資料庫中。 在電子錶格中,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錶板數據。 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,以避免從歷史數據產生兩個常見的價格模型化陷阱:混淆效果和數據疏遠。
此解決方案提供下列優點:
- 一目了然(透過儀錶板)顯示產品需求的彈性。
- 提供項目目錄中每個產品的定價建議。
- 探索相關的產品(替代品和補碼)。
- 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 (部分機器翻譯)。
成本最佳化
成本最佳化是關於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,請參閱成本最佳化要素的概觀。
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資料活動和記憶體成本
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,並將其連線到商務數據倉儲。 如需詳細資訊,請參閱 技術指南。 用戶應閱讀 使用者指南,透過電子錶格使用模型(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:
- Try-It-Now 儀錶板。
- 從定價分析師的觀點閱讀使用指南(需要 MSFT 登入)。
- 檢視技術實作檢視的技術部署指南(需要 MSFT 登入)。
- 下載互動式 Excel 工作表。
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
解決方案儀錶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 資源庫解決方案和 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數據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,以精細的數據粒度。 解決方案提供儀錶板,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」、根據目前程序預測,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 實例來儲存您的事務數據和產生的模型預測。 有十幾個彈性模型化核心服務,這些服務是使用 Python 核心連結庫在 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儀錶板中。 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,包括連接您自己的數據和自定義主題(需要 GitHub 登入)。
下一步
深入瞭解元件技術:
- Azure Data Factory 簡介
- 什麼是 Azure Machine Learning 服務?
- Azure Blob 儲存體簡介
- 什麼是 Azure SQL Database?
- Power BI 是什麼?
- 在 Power BI 中建立儀錶板
深入瞭解定價解決方案:
- AI 資源庫互動式定價解決方案
- 互動式價格分析的 GitHub 存放庫
- 部落格文章: 使用 AzureML 和 Python 建置的每個人定價引擎
- Microsoft學習路徑:使用 Azure 機器學習 建置 AI 解決方案
相關資源
探索相關的架構: