Ottimizzare il prezzo dei prodotti al dettaglio

1. Introduzione

Ultimo aggiornamento: 15/09/2021

I dati necessari per generare approfondimenti e ottimizzazioni dei prezzi sono per natura disparati (sistemi diversi, realtà locali diverse e così via), pertanto è fondamentale sviluppare una tabella CDM ben strutturata, standardizzata e pulita. Sono inclusi gli attributi chiave per l'ottimizzazione dei prezzi, come transazioni, prodotti, prezzi e clienti. In questo documento, ti illustreremo i passaggi descritti di seguito, fornendo un Avvio rapido per i dati e analisi dei prezzi che puoi estendere e personalizzare in base alle tue esigenze. Il seguente diagramma illustra i passaggi trattati in questo documento.

1. Valuta le origini dati:per prima cosa, devi ottenere un inventario delle origini dati che verranno utilizzate per creare il modello CDM. In questo passaggio, viene utilizzato anche Dataprep per esplorare e identificare i problemi nei dati di input. Ad esempio, valori mancanti e non corrispondenti, convenzioni di denominazione incoerenti, duplicati, problemi di integrità dei dati, outlier e così via.
2. Standardizza i dati:successivamente, i problemi identificati in precedenza vengono risolti per garantire l'accuratezza, l'integrità, la coerenza e la completezza dei dati. Questo processo può comportare varie trasformazioni in Dataprep, come la formattazione della data, la standardizzazione dei valori, la conversione delle unità, l'esclusione di campi e valori non necessari e la suddivisione, l'unione o la deduplicazione dei dati di origine.
3. Unifica in un'unica struttura:la fase successiva della pipeline unisce ogni origine dati in un'unica tabella ampia in BigQuery contenente tutti gli attributi al livello di granularità più fine. Questa struttura denormalizzata consente query analitiche efficienti che non richiedono join.
4. Fornisci dati e analisi e ML/AI:una volta che i dati sono puliti e formattati per l'analisi, gli analisti possono esplorare i dati storici per comprendere l'impatto delle precedenti modifiche dei prezzi. Inoltre, BigQuery ML può essere utilizzato per creare modelli predittivi che stimano le vendite future. L'output di questi modelli può essere incorporato nelle dashboard di Looker per creare "scenari ipotetici" in cui gli utenti aziendali possono analizzare l'andamento delle vendite con determinate variazioni di prezzo.

Il seguente diagramma mostra i componenti di Google Cloud utilizzati per creare la pipeline di analisi dell'ottimizzazione dei prezzi.

Cosa creerai

Qui ti mostreremo come progettare un data warehouse per l'ottimizzazione dei prezzi, automatizzare la preparazione dei dati nel tempo, utilizzare il machine learning per prevedere l'impatto delle modifiche ai prezzi dei prodotti e sviluppare report per fornire approfondimenti utili al tuo team.

Cosa imparerai a fare

• Come connettere Dataprep alle origini dati per l'analisi dei prezzi, che possono essere memorizzati in database relazionali, flat file, Fogli Google e altre applicazioni supportate.
• Come creare un flusso Dataprep per creare una tabella CDM nel data warehouse BigQuery.
• Come utilizzare BigQuery ML per prevedere le entrate future.
• Come creare report in Looker per analizzare le tendenze storiche di prezzi e vendite e per comprendere l'impatto delle future variazioni di prezzo.

Che cosa ti serve

• Un progetto Google Cloud con la fatturazione abilitata. Scopri come verificare che la fatturazione sia abilitata per il tuo progetto.
• BigQuery deve essere abilitato nel tuo progetto. Viene attivato automaticamente sui nuovi progetti. In caso contrario, attivalo in un progetto esistente. Puoi anche scoprire di più su come iniziare a utilizzare BigQuery dalla console Cloud qui.
• Dataprep deve essere abilitato anche nel tuo progetto. Dataprep è abilitato dalla console Google, dal menu di navigazione a sinistra nella sezione Big Data. Segui i passaggi di registrazione per attivarlo.
• Per configurare le tue dashboard Looker, devi disporre dell'accesso sviluppatore a un'istanza Looker. Per richiedere una prova contatta il nostro team qui oppure utilizza la nostra dashboard pubblica per esplorare i risultati della pipeline di dati sui nostri dati di esempio.
• È utile avere esperienza con Structured Query Language (SQL) e una conoscenza di base di: Dataprep by Trifacta, BigQuery, Looker

Nota:per informazioni sugli asset Dataprep utilizzati in questo documento, consulta il framework Analytics per la strategia di determinazione dei prezzi e l'ottimizzazione basate sui dati in questo repository GitHub. Per informazioni sul modello di dati e sulla dashboard di Looker, consulta Che cos'è LookML? e il repository GitHub associato.

2. Crea il CDM in BigQuery

In questa sezione, crei il Common Data Model (CDM), che fornisce una visione consolidata delle informazioni necessarie per analizzare e suggerire modifiche ai prezzi.

1. Apri la console BigQuery.
2. Seleziona il progetto che vuoi utilizzare per testare questo pattern di riferimento.
3. Utilizza un set di dati esistente o crea un set di dati BigQuery. Assegna al set di dati il nome Pricing_CDM.
4. Crea la tabella:

create table `CDM_Pricing`
(
  Fiscal_Date DATETIME,
  Product_ID STRING,
  Client_ID INT64,
  Customer_Hierarchy STRING,
  Division STRING,
  Market STRING,
  Channel STRING,
  Customer_code INT64,
  Customer_Long_Description STRING,
  Key_Account_Manager INT64,
  Key_Account_Manager_Description STRING,
  Structure STRING,
  Invoiced_quantity_in_Pieces FLOAT64,
  Gross_Sales FLOAT64,
  Trade_Budget_Costs FLOAT64,
  Cash_Discounts_and_other_Sales_Deductions INT64,
  Net_Sales FLOAT64,
  Variable_Production_Costs_STD FLOAT64,
  Fixed_Production_Costs_STD FLOAT64,
  Other_Cost_of_Sales INT64,
  Standard_Gross_Margin FLOAT64,
  Transportation_STD FLOAT64,
  Warehouse_STD FLOAT64,
  Gross_Margin_After_Logistics FLOAT64,
  List_Price_Converged FLOAT64
);

3. Valutare le origini dati

In questo tutorial utilizzi origini dati di esempio archiviate in Fogli Google e BigQuery.

• Il foglio Google Transazioni, che contiene una riga per ogni transazione. Contiene dettagli come la quantità di ogni prodotto venduto, le vendite lorde totali e i costi associati.
• Il foglio Google Prezzi dei prodotti che contiene il prezzo di ciascun prodotto per un determinato cliente per ogni mese.
• La tabella BigQuery company_descriptions che contiene le informazioni sui singoli clienti.

Questa tabella BigQuery company_descriptions può essere creata utilizzando la seguente istruzione:

create table `Company_Descriptions`
(
 Customer_ID INT64,
 Customer_Long_Description STRING
);
insert into `Company_Descriptions` values (15458, 'ENELTEN');
insert into `Company_Descriptions` values (16080, 'NEW DEVICES CORP.');
insert into `Company_Descriptions` values (19913, 'ENELTENGAS');
insert into `Company_Descriptions` values (30108, 'CARTOON NT');
insert into `Company_Descriptions` values (32492, 'Thomas Ed Automobiles');

4. Crea il flusso

In questo passaggio, importa un flusso Dataprep di esempio, che utilizzerai per trasformare e unificare i set di dati di esempio elencati nella sezione precedente. Un flusso rappresenta una pipeline o un oggetto che riunisce set di dati e ricette, che vengono utilizzati per trasformarli e unirli.

1. Scarica il pacchetto di flusso Pricing Optimization Pattern da GitHub, ma non decomprimerlo. Questo file contiene il flusso del pattern di progettazione dell'ottimizzazione dei prezzi utilizzato per trasformare i dati di esempio.
2. In Dataprep, fai clic sull'icona Flussi nella barra di navigazione a sinistra. Nella visualizzazione Flussi, seleziona Importa dal menu contestuale. Dopo aver importato il flusso, puoi selezionarlo per visualizzarlo e modificarlo.

3. Sul lato sinistro del flusso, i prezzi dei prodotti e ciascuno dei tre fogli Google devono essere collegati come set di dati. Per farlo, fai clic con il tasto destro del mouse sugli oggetti del set di dati di Fogli Google e seleziona Sostituisci. Quindi, fai clic sul link Importa set di dati. Fai clic sull'icona a forma di matita "Modifica percorso", come mostrato nel seguente diagramma.

Sostituisci il valore attuale con il link che rimanda ai fogli Google contenenti le transazioni e i prezzi dei prodotti.

Se Google Fogli contiene più schede, puoi selezionare quella che vuoi utilizzare nel menu. Fai clic su Modifica, seleziona le schede che vuoi utilizzare come origine dati, quindi fai clic su Salva e poi su Importa e aggiungi al flusso. Quando torni nella finestra modale, fai clic su Sostituisci. In questo flusso, ogni foglio è rappresentato come un proprio set di dati per dimostrare l'unione di origini diverse in una ricetta successiva.

Nota:se stai adattando questo pattern per utilizzarlo con origini dati personalizzate che connetti facendo clic sul pulsante "+ Nuovo" nella parte inferiore dello schermo

4. Definisci le tabelle di output BigQuery:

In questo passaggio, associ la posizione in cui caricare la tabella di output CDM_Pricing di BigQuery ogni volta che esegui il job Dataoprep.

Nella visualizzazione flusso, fai clic sull'icona Output mapping schema. Nel riquadro Dettagli, fai clic sulla scheda Destinazioni. Da qui, modifica sia l'output Destinazioni manuali utilizzato per i test sia l'output Destinazioni pianificate utilizzato quando vuoi automatizzare l'intero flusso. Per farlo, segui queste istruzioni:

1. Modifica le "Destinazioni manuali": nel riquadro Dettagli, fai clic sul pulsante Modifica nella sezione Destinazioni manuali. Nella pagina Impostazioni di pubblicazione, nella sezione Azioni di pubblicazione, se esiste già un'azione di pubblicazione, modificala. In caso contrario, fai clic sul pulsante di azione Aggiungi azione. Da qui, vai ai set di dati BigQuery fino al set di dati Pricing_CDM che hai creato in un passaggio precedente e seleziona la tabella CDM_Pricing. Verifica che la casella Aggiungi a questa tabella ogni esecuzione sia selezionata, poi fai clic su Aggiungi e su Salva impostazioni.
2. Modificare le "Destinazioni pianificate"

Nel riquadro dei dettagli, nella sezione Destinazioni pianificate, fai clic su Modifica.

Le impostazioni vengono ereditate dalle destinazioni manuali e non è necessario apportare modifiche. Fai clic su Salva impostazioni.

Le destinazioni manuali ti consentono di eseguire ogni singolo job di output in modo indipendente e on demand. È utile per testare una ricetta di preparazione dei dati e convalidare un risultato durante la progettazione del flusso.

Le destinazioni pianificate vengono utilizzate quando vuoi eseguire il flusso di routine. Ad esempio, potresti voler ricaricare il modello CDM in BigQuery ogni giorno per aggiornare i report con le risposte più recenti.

5. Standardizzare i dati

Il flusso fornito unisce, formatta e pulisce i dati delle transazioni, quindi unisce il risultato alle descrizioni delle società e ai dati aggregati sui prezzi per la generazione di report. Qui esaminerai i componenti del flusso, che puoi vedere nell'immagine sottostante.

6. Esplora la ricetta per i dati transazionali

Innanzitutto, esplorerai cosa succede all'interno della ricetta per i dati transazionali, che viene utilizzata per preparare i dati delle transazioni. Fai clic sull'oggetto Dati transazione nella visualizzazione del flusso. Nel riquadro Dettagli, fai clic sul pulsante Modifica ricetta.

Si apre la pagina Transformer con la ricetta presentata nel riquadro dei dettagli. La formula contiene tutti i passaggi di trasformazione applicati ai dati. Puoi navigare all'interno della ricetta facendo clic tra un passaggio e l'altro per visualizzare lo stato dei dati in questa posizione specifica della ricetta.

Puoi anche fare clic sul menu Altro per ogni passaggio della formula e selezionare Vai alla selezione o Modifica per scoprire come funziona la trasformazione.

1. Union Transactions:il primo passaggio della formula dei dati transazionali unisce le transazioni memorizzate in diversi fogli che rappresentano ogni mese.
2. Standardizza le descrizioni dei clienti:il passaggio successivo della formula standardizza le descrizioni dei clienti. Ciò significa che i nomi dei clienti potrebbero essere simili con lievi modifiche e vogliamo normalizzarli come un unico nome. La ricetta mostra due potenziali approcci. Innanzitutto, sfrutta l'algoritmo di standardizzazione, che può essere configurato con diverse opzioni di standardizzazione, ad esempio "Stringhe simili", in cui i valori con caratteri in comune vengono raggruppati, o "Pronuncia", in cui i valori che hanno lo stesso suono vengono raggruppati. In alternativa, puoi cercare la descrizione dell'azienda nella tabella BigQuery citata sopra, utilizzando l'ID azienda.

Nota:anche se questo tutorial fornisce un esempio per standardizzare le descrizioni dei clienti, per l'ottimizzazione dei prezzi ti consigliamo di standardizzare dati come i nomi dei prodotti e la formattazione della data.

Puoi esplorare ulteriormente la ricetta per scoprire le varie altre tecniche applicate per pulire e formattare i dati: eliminare righe, formattare in base a pattern, arricchire i dati con ricerche, gestire i valori mancanti o sostituire i caratteri indesiderati.

7. Esplora la ricetta per i dati sui prezzi dei prodotti

Successivamente, puoi esplorare cosa succede nella ricetta per i dati sui prezzi dei prodotti, che unisce i dati sulle transazioni preparati ai dati aggregati sui prezzi.

Fai clic su PATTERN DI PROGETTAZIONE PER L'OTTIMIZZAZIONE DEI PREZZI nella parte superiore della pagina per chiudere la pagina Transformer e tornare alla visualizzazione del flusso. Da qui, fai clic sull'oggetto Dati sui prezzi dei prodotti e modifica la ricetta.

1. Inverti le colonne del prezzo mensile:fai clic sulla formula tra i passaggi 2 e 3 per vedere l'aspetto dei dati prima del passaggio Inverti. Noterai che i dati contengono il valore della transazione in una colonna distinta per ogni mese: Gen Feb Mar. Questo non è un formato conveniente per applicare il calcolo dell'aggregazione (ad es.somma, transazione media) in SQL. I dati devono essere convertiti in modo che ogni colonna diventi una riga nella tabella BigQuery. La ricetta utilizza la funzione unpivot per trasformare le tre colonne in una riga per ogni mese, in modo da semplificare ulteriormente l'applicazione dei calcoli di gruppo.
2. Calcola il valore medio delle transazioni per cliente, prodotto e data: vogliamo calcolare il valore medio delle transazioni per ogni cliente, prodotto e data. Possiamo utilizzare la funzione Aggrega e generare una nuova tabella (opzione "Raggruppa per come nuova tabella"). In questo caso, i dati vengono aggregati a livello di gruppo e perdiamo i dettagli di ogni singola transazione. Oppure possiamo decidere di conservare sia i dettagli che i valori aggregati nello stesso set di dati (opzione "Raggruppa per come nuove colonne"), il che diventa molto comodo per applicare un rapporto (ad es. la percentuale di contributo della categoria di prodotto alle entrate complessive). Puoi provare questo comportamento modificando il passaggio 7 della formula e selezionando l'opzione "Raggruppa per come nuova tabella" o "Raggruppa per come nuova colonna/e" per vedere le differenze.
3. Data di unione dei prezzi:infine, viene utilizzata un'unione per combinare più set di dati in uno più grande aggiungendo colonne al set di dati iniziale. In questo passaggio, i dati dei prezzi vengono uniti all'output della formula per i dati transazionali in base a "Pricing Data.Product Code" = Transaction Data.SKU" e "Pricing Data.Price Date" = "Transaction Data.Fiscal Date".

Per scoprire di più sulle trasformazioni che puoi applicare con Dataprep, consulta il prospetto riassuntivo di Trifacta Data Wrangling.

8. Esplora la ricetta per la mappatura dello schema

L'ultima ricetta, Mappatura dello schema, garantisce che la tabella CDM risultante corrisponda allo schema della tabella BigQuery di output esistente. Qui, la funzionalità Target rapido viene utilizzata per riformattare la struttura dei dati in modo che corrisponda alla tabella BigQuery utilizzando la corrispondenza fuzzy per confrontare entrambi gli schemi e applicare modifiche automatiche.

9. Unificare in un'unica struttura

Ora che le origini e le destinazioni sono state configurate e i passaggi dei flussi sono stati esplorati, puoi eseguire il flusso per trasformare e caricare la tabella CDM in BigQuery.

1. Esegui output mappatura schema:nella visualizzazione del flusso, seleziona l'oggetto di output mappatura schema e fai clic sul pulsante "Esegui" nel riquadro Dettagli. Seleziona l'ambiente di esecuzione "Trifacta Photon" e deseleziona Ignora errori della ricetta. Poi fai clic sul pulsante Esegui. Se la tabella BigQuery specificata esiste, Dataprep aggiungerà nuove righe, altrimenti creerà una nuova tabella.
2. Visualizza lo stato del job:Dataprep apre automaticamente la pagina Esegui job per consentirti di monitorare l'esecuzione del job. L'operazione dovrebbe richiedere alcuni minuti per procedere e caricare la tabella BigQuery. Al termine del job, l'output del CDM dei prezzi verrà caricato in BigQuery in un formato pulito, strutturato e normalizzato pronto per l'analisi.

10. Fornire analisi e ML/AI

Prerequisiti di Analytics

Per eseguire alcune analisi e un modello predittivo con risultati interessanti, abbiamo creato un set di dati più ampio e pertinente per scoprire informazioni specifiche. Prima di continuare questa guida, devi caricare questi dati nel set di dati BigQuery.

• Scarica il set di dati di grandi dimensioni da questo repository GitHub.
• Nella console Google per BigQuery, vai al tuo progetto e al set di dati CDM_Pricing.
• Fai clic sul menu e apri il set di dati. Creeremo la tabella caricando i dati da un file locale.

Fai clic sul pulsante + Crea tabella e definisci questi parametri:

• Crea la tabella dal caricamento e seleziona il file CDM_Pricing_Large_Table.csv.
• Rilevamento automatico dello schema, seleziona Parametri di schema e input
• Opzioni avanzate, Preferenza di scrittura, Sovrascrivi tabella

• Fai clic su Crea tabella.

Dopo aver creato la tabella e caricato i dati, nella console Google per BigQuery dovresti visualizzare i dettagli della nuova tabella come mostrato di seguito. Con i dati sui prezzi in BigQuery, possiamo porre facilmente domande più complete per analizzare i dati sui prezzi a un livello più approfondito.

11. Visualizzare l'effetto delle modifiche ai prezzi

Un esempio di elemento che potresti voler analizzare è una variazione del comportamento di ordine quando in precedenza hai modificato il prezzo di un articolo.

1. Innanzitutto, crea una tabella temporanea con una riga ogni volta che il prezzo di un prodotto è cambiato, con informazioni sul prezzo di quel particolare prodotto, ad esempio quanti articoli sono stati ordinati a ogni prezzo e le vendite nette totali associate a quel prezzo.

create temp table price_changes as (
select
       product_id,
       list_price_converged,
       total_ordered_pieces,
       total_net_sales,
       first_price_date,
       lag(list_price_converged) over(partition by product_id order by first_price_date asc) as previous_list,
       lag(total_ordered_pieces) over(partition by product_id order by first_price_date asc) as previous_total_ordered_pieces,
       lag(total_net_sales) over(partition by product_id order by first_price_date asc) as previous_total_net_sales,
       lag(first_price_date) over(partition by product_id order by first_price_date asc) as previous_first_price_date
       from (
           select
               product_id,list_price_converged,sum(invoiced_quantity_in_pieces) as total_ordered_pieces, sum(net_sales) as total_net_sales, min(fiscal_date) as first_price_date
           from `{{my_project}}.{{my_dataset}}.CDM_Pricing` AS cdm_pricing
           group by 1,2
           order by 1, 2 asc
       )
);
select * from price_changes where previous_list is not null order by product_id, first_price_date desc

2. Successivamente, con la tabella temporanea in posizione, puoi calcolare la variazione di prezzo media tra gli SKU:

select avg((previous_list-list_price_converged)/nullif(previous_list,0))*100 as average_price_change from price_changes;

3. Infine, puoi analizzare cosa succede dopo la modifica di un prezzo esaminando la relazione tra ogni variazione di prezzo e la quantità totale di articoli ordinati:

select
(total_ordered_pieces-previous_total_ordered_pieces)/nullif(previous_total_ordered_pieces,0) 

come

price_changes_percent_ordered_change,
(list_price_converged-previous_list)/nullif(previous_list,0)  

come

price_changes_percent_price_change
from price_changes

12. Crea un modello di previsione delle serie temporali

Successivamente, con le funzionalità di machine learning integrate di BigQuery, puoi creare un modello di previsione delle serie temporali ARIMA per prevedere la quantità di ciascun articolo che verrà venduta.

1. Per prima cosa, crea un modello ARIMA_PLUS.

create or replace `{{my_project}}.{{my_dataset}}.bqml_arima`
options
 (model_type = 'ARIMA_PLUS',
  time_series_timestamp_col = 'fiscal_date',
  time_series_data_col = 'total_quantity',
  time_series_id_col = 'product_id',
  auto_arima = TRUE,
  data_frequency = 'AUTO_FREQUENCY',
  decompose_time_series = TRUE
 ) as
select
 fiscal_date,
 product_id,
 sum(invoiced_quantity_in_pieces) as total_quantity
from
 `{{my_project}}.{{my_dataset}}.CDM_Pricing` 
group by 1,2;

2. Successivamente, utilizzi la funzione ML.FORECAST per prevedere le vendite future di ciascun prodotto:

select
*
from
ML.FORECAST(model testing.bqml_arima,
            struct(30 as horizon, 0.8 as confidence_level));

3. Con queste previsioni disponibili, puoi provare a capire cosa potrebbe succedere se aumenti i prezzi. Ad esempio, se aumenti il prezzo di ogni prodotto del 15%, puoi calcolare le entrate totali stimate per il mese successivo con una query come questa:

select
sum(forecast_value * list_price) as total_revenue
from ml.forecast(mode testing.bqml_arima,
            struct(30 as horizon, 0.8 as confidence_level)) forecasts
left join (select product_id,
                array_agg(list_price_converged
                       order by fiscal_date desc limit 1)[offset(0)] as list_price
                from `leigha-bq-dev.retail.cdm_pricing` group by 1)  recent_prices
using (product_id);

Nota:questa query presuppone che la variazione di prezzo non influisca sul comportamento di acquisto.

13. Crea un report

Ora che i dati sui prezzi denormalizzati sono centralizzati in BigQuery e sai come eseguire query significative su questi dati, è il momento di creare un report per consentire agli utenti aziendali di esplorare queste informazioni e agire di conseguenza.

Se hai già un'istanza di Looker, puoi utilizzare il LookML in questo repository GitHub per iniziare ad analizzare i dati sui prezzi per questo pattern. Ti basta creare un nuovo progetto Looker, aggiungere il LookML e sostituire la connessione e i nomi delle tabelle in ciascuno dei file view in modo che corrispondano alla configurazione di BigQuery.

Nota:se non hai un'istanza di Looker, ma ti interessa saperne di più, puoi programmare una demo qui.

In questo modello troverai la tabella derivata ( in questo file di vista) che abbiamo mostrato in precedenza per esaminare le variazioni di prezzo:

view: price_changes {
    derived_table: {
      sql: select
        product_id,
        list_price_converged,
        total_ordered_pieces,
        total_net_sales,
        first_price_date,
        lag(list_price_converged) over(partition by product_id order by first_price_date asc) as previous_list,
        lag(total_ordered_pieces) over(partition by product_id order by first_price_date asc) as previous_total_ordered_pieces,
        lag(total_net_sales) over(partition by product_id order by first_price_date asc) as previous_total_net_sales,
        lag(first_price_date) over(partition by product_id order by first_price_date asc) as previous_first_price_date
        from (
      select
         product_id,list_price_converged,sum(invoiced_quantity_in_pieces) as total_ordered_pieces, sum(net_sales) as total_net_sales, min(fiscal_date) as first_price_date
      from ${cdm_pricing.SQL_TABLE_NAME}  AS cdm_pricing
      group by 1,2
      order by 1, 2 asc
      )
       ;;
    }
...

}

Oltre al modello ARIMA di BigQuery ML che abbiamo mostrato in precedenza, per prevedere le vendite future ( in questo file di vista)

view: arima_model {
  derived_table: {
    persist_for: "24 hours"
    sql_create:
      create or replace model ${sql_table_name}
            options
              (model_type = 'arima_plus',
               time_series_timestamp_col = 'fiscal_date',
               time_series_data_col = 'total_quantity',
               time_series_id_col = 'product_id',
               auto_arima = true,
               data_frequency = 'auto_frequency',
               decompose_time_series = true
              ) as
            select
              fiscal_date,
              product_id,
              sum(invoiced_quantity_in_pieces) as total_quantity
            from
              ${cdm_pricing.sql_table_name}
            group by 1,2 ;;
          }
   }
...
}

LookML contiene anche una dashboard di esempio. Puoi accedere a una versione demo della dashboard qui. La prima parte della dashboard fornisce agli utenti informazioni di alto livello sulle variazioni di vendite, costi, prezzi e margini. In qualità di utente aziendale, potresti voler creare un avviso per sapere se le vendite sono scese al di sotto di una determinata percentuale, in quanto ciò potrebbe significare che devi abbassare i prezzi.

La sezione successiva, mostrata di seguito, consente agli utenti di analizzare in dettaglio le tendenze relative alle variazioni di prezzo. Qui puoi esaminare in dettaglio prodotti specifici per visualizzare il prezzo di listino esatto e i prezzi a cui sono stati modificati, il che può essere utile per individuare prodotti specifici su cui effettuare ulteriori ricerche.

Infine, nella parte inferiore del report sono riportati i risultati del nostro modello BigQueryML. Utilizzando i filtri nella parte superiore della dashboard di Looker, puoi inserire facilmente i parametri per simulare diversi scenari in modo simile a quanto descritto sopra. Ad esempio, vedere cosa succederebbe se il volume degli ordini scendesse al 75% del valore previsto e i prezzi di tutti i prodotti aumentassero del 25%, come mostrato di seguito

Ciò è reso possibile dai parametri in LookML, che vengono poi incorporati direttamente nei calcoli delle misure che trovi qui. Con questo tipo di report, puoi trovare il prezzo ottimale per tutti i prodotti o esaminare in dettaglio prodotti specifici per determinare dove aumentare o scontare i prezzi e quale sarebbe il risultato in termini di entrate lorde e nette.

14. Adattarsi ai tuoi sistemi di determinazione del prezzo

Sebbene questo tutorial trasformi le origini dati di esempio, dovrai affrontare sfide molto simili per i dati relativi ai prezzi presenti nelle varie piattaforme. Gli asset di determinazione dei prezzi hanno formati di esportazione diversi (spesso xls, fogli, csv, txt, database relazionali, applicazioni aziendali) per i risultati riepilogativi e dettagliati, ognuno dei quali può essere collegato a Dataprep. Ti consigliamo di iniziare descrivendo i requisiti di trasformazione in modo simile agli esempi forniti sopra. Dopo aver chiarito le specifiche e identificato i tipi di trasformazioni necessari, puoi progettarli con Dataprep.

1. Crea una copia del flusso Dataprep (fai clic sul pulsante **"... "**Altro a destra del flusso e seleziona l'opzione Duplica) che personalizzerai oppure inizia da zero utilizzando un nuovo flusso Dataprep.
2. Connettiti al tuo set di dati sui prezzi. Formati di file come Excel, CSV, Fogli Google e JSON sono supportati in modo nativo da Dataprep. Puoi anche connetterti ad altri sistemi utilizzando i connettori Dataprep.
3. Distribuisci le risorse di dati nelle varie categorie di trasformazione che hai identificato. Per ogni categoria, crea una ricetta. Prendi ispirazione dal flusso fornito in questo pattern di progettazione per trasformare i dati e scrivere le tue ricette. Se hai difficoltà, non preoccuparti, chiedi aiuto nella finestra di dialogo della chat in basso a sinistra della schermata di Dataprep.
4. Collega la ricetta all'istanza BigQuery. Non devi preoccuparti di creare manualmente le tabelle in BigQuery, Dataprep se ne occuperà automaticamente. Ti consigliamo di selezionare una destinazione manuale e di eliminare la tabella a ogni esecuzione quando aggiungi l'output al flusso. Testa ogni ricetta singolarmente fino a quando non ottieni i risultati previsti. Al termine del test, converti l'output in Aggiungi alla tabella a ogni esecuzione per evitare di eliminare i dati precedenti.
5. Se vuoi, puoi associare il flusso da eseguire in base a una pianificazione. Questa opzione è utile se il processo deve essere eseguito continuamente. Puoi definire una pianificazione per caricare la risposta ogni giorno o ogni ora in base alla frequenza di aggiornamento richiesta. Se decidi di eseguire il flusso in base a una pianificazione, devi aggiungere un output di destinazione della pianificazione nel flusso per ogni ricetta.

Modificare il modello BigQuery Machine Learning

Questo tutorial fornisce un modello ARIMA di esempio. Tuttavia, esistono parametri aggiuntivi che puoi controllare durante lo sviluppo del modello per assicurarti che si adatti al meglio ai tuoi dati. Puoi trovare maggiori dettagli nell' esempio nella nostra documentazione qui. Inoltre, puoi utilizzare anche le funzioni BigQuery ML.ARIMA_EVALUATE, ML.ARIMA_COEFFICIENTS e ML.EXPLAIN_FORECAST per ottenere maggiori dettagli sul modello e prendere decisioni di ottimizzazione.

Modificare i report di Looker

Dopo aver importato LookML nel tuo progetto come descritto sopra, puoi apportare modifiche dirette per aggiungere campi, modificare i calcoli o i parametri inseriti dall'utente e cambiare le visualizzazioni nelle dashboard in base alle esigenze della tua attività. Puoi trovare i dettagli sullo sviluppo in LookML qui e sulla visualizzazione dei dati in Looker qui .

15. Complimenti

Ora conosci i passaggi chiave necessari per ottimizzare i prezzi dei tuoi prodotti retail.

Passaggi successivi

Esplora altri pattern di riferimento per l'analisi intelligente

Further reading

• Leggi il blog qui
• Scopri di più su Dataprep qui.
• Scopri di più su BigQuery Machine Learning qui.
• Scopri di più su Looker qui.