Perakende ürünlerinin fiyatını optimize etme

1. Giriş

Son Güncelleme: 2021-09-15

Fiyatlandırma analizi ve optimizasyonu için gereken veriler doğası gereği farklıdır (farklı sistemler, farklı yerel gerçekler vb.). Bu nedenle, iyi yapılandırılmış, standartlaştırılmış ve temiz bir CDM tablosu oluşturmak çok önemlidir. Bu metrikler arasında işlemler, ürünler, fiyatlar ve müşteriler gibi fiyatlandırma optimizasyonu için önemli özellikler yer alır. Bu belgede, aşağıda özetlenen adımları açıklayarak fiyatlandırma analizlerine Hızlı Başlangıç yapmanızı sağlıyoruz. Bu başlangıcı, kendi ihtiyaçlarınıza göre genişletebilir ve özelleştirebilirsiniz. Aşağıdaki şemada bu belgede ele alınan adımlar özetlenmektedir.

dd8545e0c9156b13.png

  1. Veri kaynaklarını değerlendirin: Öncelikle CDM'yi oluşturmak için kullanılacak veri kaynaklarının envanterini çıkarmanız gerekir. Bu adımda, giriş verilerindeki sorunları keşfetmek ve tanımlamak için Dataprep de kullanılır. Örneğin, eksik ve eşleşmeyen değerler, tutarsız adlandırma kuralları, yinelenenler, veri bütünlüğü sorunları, aykırı değerler vb.
  2. Verileri standartlaştırın: Ardından, veri doğruluğu, bütünlüğü, tutarlılığı ve eksiksizliği sağlamak için daha önce belirlenen sorunlar düzeltilir. Bu süreçte, Dataprep'te çeşitli dönüştürmeler (ör. tarih biçimlendirme, değer standardizasyonu, birim dönüştürme, gereksiz alanları ve değerleri filtreleme, kaynak verileri bölme, birleştirme veya tekilleştirme) yapılabilir.
  3. Tek bir yapıda birleştirme: İşlem hattının bir sonraki aşamasında her veri kaynağı, en ayrıntılı düzeydeki tüm özellikleri içeren BigQuery'de tek ve geniş bir tabloda birleştirilir. Bu normalleştirilmemiş yapı, birleştirme gerektirmeyen verimli analitik sorgulara olanak tanır.
  4. Analiz ve makine öğrenimi/yapay zeka sunma: Veriler temizlenip analiz için biçimlendirildikten sonra analistler, önceki fiyat değişikliklerinin etkisini anlamak için geçmiş verileri inceleyebilir. Ayrıca, gelecekteki satışları tahmin eden tahmini modeller oluşturmak için BigQuery ML de kullanılabilir. Bu modellerin çıktısı, Looker'daki kontrol panellerine dahil edilebilir. Böylece, işletme kullanıcılarının belirli fiyat değişiklikleriyle satışların nasıl görünebileceğini analiz edebileceği "ne olurdu?" senaryoları oluşturulabilir.

Aşağıdaki şemada, fiyatlandırma optimizasyonu analiz ardışık düzenini oluşturmak için kullanılan Google Cloud bileşenleri gösterilmektedir.

e5d74e43074eedf4.png

Ne oluşturacaksınız?

Burada, fiyatlandırma optimizasyonu için bir veri ambarı tasarlama, veri hazırlama sürecini zaman içinde otomatikleştirme, ürün fiyatlandırmasındaki değişikliklerin etkisini tahmin etmek için makine öğrenimini kullanma ve ekibinize uygulanabilir analizler sunmak üzere raporlar geliştirme konularında size yol göstereceğiz.

Neler öğreneceksiniz?

  • Fiyatlandırma analizleri için Dataprep'i, ilişkisel veritabanlarında, düz dosyalarda, Google E-Tablolar'da ve diğer desteklenen uygulamalarda depolanabilen veri kaynaklarına bağlama
  • BigQuery veri ambarınızda CDM tablosu oluşturmak için Dataprep akışı oluşturma
  • Gelecekteki geliri tahmin etmek için BigQuery ML'yi kullanma
  • Geçmiş fiyatlandırma ve satış trendlerini analiz etmek, gelecekteki fiyat değişikliklerinin etkisini anlamak için Looker'da rapor oluşturma

İhtiyacınız olanlar

2. BigQuery'de CDM oluşturma

Bu bölümde, analiz etmeniz ve fiyatlandırma değişiklikleri önermeniz için gereken bilgilerin birleştirilmiş görünümünü sağlayan Ortak Veri Modeli'ni (CDM) oluşturursunuz.

  1. BigQuery konsolunu açın.
  2. Bu referans kalıbını test etmek için kullanmak istediğiniz projeyi seçin.
  3. Mevcut bir veri kümesini kullanın veya BigQuery veri kümesi oluşturun. Veri kümesini Pricing_CDM olarak adlandırın.
  4. Tabloyu oluşturun:
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. Veri kaynaklarını değerlendirme

Bu eğitimde, Google E-Tablolar ve BigQuery'de depolanan örnek veri kaynaklarını kullanacaksınız.

  • Her işlem için bir satır içeren işlemler Google E-Tablosu. Satılan her ürünün miktarı, toplam brüt satışlar ve ilişkili maliyetler gibi ayrıntılar içerir.
  • Belirli bir müşterinin her ay için her bir ürünün fiyatını içeren ürün fiyatlandırması Google E-Tablosu.
  • Şirket açıklamaları BigQuery tablosu, her bir müşteri bilgisini içerir.

Bu company_descriptions BigQuery tablosu aşağıdaki ifade kullanılarak oluşturulabilir:

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. Akışı oluşturma

Bu adımda, önceki bölümde listelenen örnek veri kümelerini dönüştürmek ve birleştirmek için kullandığınız örnek bir Dataprep akışını içe aktarırsınız. Akış, veri kümelerini ve tarifleri bir araya getiren bir ardışık düzeni veya nesneyi temsil eder. Bu öğeler, veri kümelerini dönüştürmek ve birleştirmek için kullanılır.

  1. GitHub'dan Pricing Optimization Pattern akış paketini indirin ancak paketi açmayın. Bu dosya, örnek verileri dönüştürmek için kullanılan Fiyatlandırma Optimizasyonu Tasarım Kalıbı akışını içerir.
  2. Dataprep'te soldaki gezinme çubuğunda Akışlar simgesini tıklayın. Ardından, akışlar görünümünde içerik menüsünden İçe aktar'ı seçin. Akışı içe aktardıktan sonra görüntülemek ve düzenlemek için akışı seçebilirsiniz.

dd5213e4cf1e313f.png

  1. Akışın sol tarafında, Ürün Fiyatlandırması ve üç İşlem Google E-Tablosu'nun her biri veri kümesi olarak bağlanmalıdır. Bunu yapmak için Google E-Tablolar veri kümesi nesnelerini sağ tıklayın ve Değiştir'i seçin. Ardından Veri Kümelerini İçe Aktar bağlantısını tıklayın. Aşağıdaki şemada gösterildiği gibi "Yolu düzenle" kalemini tıklayın.

7e4af3e82955343f.png

Mevcut değeri, işlemlere ve ürün fiyatlandırmasına işaret eden Google E-Tablolar bağlantısıyla değiştirin .

Google E-Tablolar'da birden fazla sekme varsa menüden kullanmak istediğiniz sekmeyi seçebilirsiniz. Düzenle'yi tıklayın, veri kaynağı olarak kullanmak istediğiniz sekmeleri seçin, ardından Kaydet'i ve İçe Aktar ve Akışa Ekle'yi tıklayın. Modala döndüğünüzde Değiştir'i tıklayın. Bu akışta, daha sonraki bir tarifte farklı kaynakların birleştirilmesini göstermek için her sayfa kendi veri kümesi olarak temsil edilir.

799bce35e0a60e87.png

  1. BigQuery çıkış tablolarını tanımlayın:

Bu adımda, Dataoprep işini her çalıştırdığınızda yüklenecek BigQuery CDM_Pricing çıkış tablosunun konumunu ilişkilendireceksiniz.

Akış görünümünde Şema Eşleme Çıkışı simgesini, Ayrıntılar panelinde ise Hedefler sekmesini tıklayın. Buradan, hem test için kullanılan Manuel Hedefler çıkışını hem de akışınızın tamamını otomatikleştirmek istediğinizde kullanılan Planlanmış Hedefler çıkışını düzenleyin. Bunun için aşağıdaki talimatları uygulayın:

  1. "Manuel hedefler"i düzenleme Ayrıntılar panelindeki Manuel Hedefler bölümünde Düzenle düğmesini tıklayın. Yayınlama Ayarları sayfasındaki Yayınlama İşlemleri bölümünde, yayınlama işlemi zaten varsa Düzenle'yi, yoksa İşlem Ekle düğmesini tıklayın. Buradan, BigQuery veri kümelerinde gezinerek önceki adımda oluşturduğunuz Pricing_CDM veri kümesine gidin ve CDM_Pricing tablosunu seçin. Her çalıştırmada bu tabloya ekle seçeneğinin işaretli olduğunu onaylayın ve Ekle'yi tıklayın. Ayarları Kaydet'i tıklayın.
  2. "Planlanmış Hedefler"i düzenleme

Ayrıntılar panelindeki Planlanmış Hedefler bölümünde Düzenle'yi tıklayın.

Ayarlar, Manuel Hedefler'den devralınır ve herhangi bir değişiklik yapmanız gerekmez. Save Settings (Ayarları Kaydet) düğmesini tıklayın.

5. Verileri standartlaştırma

Sağlanan akış, işlem verilerini birleştirir, biçimlendirir ve temizler. Ardından, sonuçları raporlama için şirket açıklamaları ve toplu fiyatlandırma verileriyle birleştirir. Burada, akışın bileşenlerini inceleyeceksiniz. Bu bileşenleri aşağıdaki resimde görebilirsiniz.

a033de41c68acc8b.png

6. İşlem verileri tarifini keşfetme

İlk olarak, işlem verilerini hazırlamak için kullanılan İşlem Verileri Tarifi'nde neler olduğunu keşfedeceksiniz. Akış görünümünde İşlem Verileri nesnesini tıklayın, Ayrıntılar panelinde Tarifi Düzenle düğmesini tıklayın.

Dönüştürücü sayfası, Ayrıntılar panelinde sunulan tarifle birlikte açılır. Tarif, verilere uygulanan tüm dönüştürme adımlarını içerir. Tarif içindeki adımların arasına tıklayarak tarife göre bu konumdaki verilerin durumunu görebilirsiniz.

Dönüşümün nasıl çalıştığını keşfetmek için her tarif adımında Diğer menüsünü tıklayıp Seçiliye Git'i veya Düzenle'yi de seçebilirsiniz.

  1. Birleştirme İşlemleri: İşlem verileri tarifindeki ilk adım, her ayı temsil eden farklı sayfalarda depolanan işlemleri birleştirir.
  2. Müşteri Açıklamalarını Standartlaştırın: Tarifteki sonraki adım, müşteri açıklamalarını standartlaştırır. Bu, müşteri adlarının küçük değişikliklerle benzer olabileceği ve bunları tek bir ad olarak normalleştirmek istediğimiz anlamına gelir. Tarif, iki olası yaklaşımı gösteriyor. İlk olarak, ortak karakterlere sahip değerlerin birlikte gruplandırıldığı "Benzer dizeler" veya benzer şekilde telaffuz edilen değerlerin birlikte gruplandırıldığı "Telaffuz" gibi farklı standartlaştırma seçenekleriyle yapılandırılabilen Standartlaştırma Algoritması'ndan yararlanır. Alternatif olarak, şirket kimliğini kullanarak yukarıda bahsedilen BigQuery tablosunda şirket açıklamasını arayabilirsiniz.

Verileri temizlemek ve biçimlendirmek için uygulanan diğer çeşitli teknikleri keşfetmek üzere tarifi daha ayrıntılı bir şekilde inceleyebilirsiniz: satırları silme, kalıplara göre biçimlendirme, aramalarla verileri zenginleştirme, eksik değerlerle ilgilenme veya istenmeyen karakterleri değiştirme.

7. Ürün Fiyatlandırma Verileri Tarifi'ni keşfedin

Ardından, hazırlanan işlem verilerini toplanan fiyatlandırma verileriyle birleştiren Ürün Fiyatlandırma Verileri Tarifi'nde neler olduğunu inceleyebilirsiniz.

Transformer sayfasını kapatıp Akış Görünümü'ne dönmek için sayfanın üst kısmındaki FİYATLANDIRMA OPTİMİZASYONU TASARIM DESENİ'ni tıklayın. Buradan Ürün Fiyatlandırma Verileri nesnesini tıklayın ve tarifi düzenleyin.

  1. Aylık fiyat sütunlarının pivotunu kaldırma: Verilerin pivotu kaldırılmadan önceki halini görmek için 2. ve 3. adım arasındaki tarifi tıklayın. Verilerin, her ay için ayrı bir sütunda işlem değerini içerdiğini fark edeceksiniz: Ocak, Şubat, Mart. Bu, SQL'de toplama (ör.toplam, ortalama işlem) hesaplaması uygulamak için uygun bir biçim değildir. Verilerin, her sütun BigQuery tablosunda bir satır olacak şekilde yeniden şekillendirilmesi gerekir. Tarif, 3 sütunu her ay için tek bir satıra dönüştürmek üzere unpivot işlevinden yararlanır. Böylece, grup hesaplamalarını uygulamak daha kolay olur.
  2. Ortalama işlem değerini müşteriye, ürüne ve tarihe göre hesaplama: Her müşteri, ürün ve tarih için ortalama işlem değerini hesaplamak istiyoruz. Topla işlevini kullanabilir ve yeni bir tablo oluşturabiliriz ("Yeni tablo olarak gruplandır" seçeneği). Bu durumda veriler grup düzeyinde toplanır ve her bir işlemin ayrıntıları kaybolur. Alternatif olarak, hem ayrıntıları hem de toplu değerleri aynı veri kümesinde tutmaya karar verebiliriz ("Yeni sütunlar olarak gruplandırma ölçütü" seçeneği). Bu seçenek, bir oran uygulamak (ör. ürün kategorisinin toplam gelire katkısı) için çok uygundur. 7. tarifi düzenleyip "Yeni tablo olarak gruplandırma ölçütü" veya "Yeni sütunlar olarak gruplandırma ölçütü" seçeneğini belirleyerek bu davranışı deneyebilir ve aradaki farkları görebilirsiniz.
  3. Birleştirme fiyatlandırma tarihi: Son olarak, birden fazla veri kümesini daha büyük bir veri kümesinde birleştirmek için birleştirme kullanılır. Bu işlemde, ilk veri kümesine sütunlar eklenir. Bu adımda, fiyatlandırma verileri "Fiyatlandırma Verileri.Ürün Kodu" = "İşlem Verileri.SKU" ve "Fiyatlandırma Verileri.Fiyat Tarihi" = "İşlem Verileri.Mali Tarih" temel alınarak İşlem Verileri Tarifi'nin çıktısıyla birleştirilir.

Dataprep ile uygulayabileceğiniz dönüşümler hakkında daha fazla bilgi edinmek için Trifacta Veri Temizleme Hızlı Bilgi Sayfası'na bakın.

8. Şema Eşleme Tarifi'ni keşfedin

Son tarif olan Şema Eşleme, sonuçtaki CDM tablosunun mevcut BigQuery çıkış tablosunun şemasıyla eşleşmesini sağlar. Burada, hem şemaları karşılaştırmak hem de otomatik değişiklikler uygulamak için yaklaşık eşleşme kullanılarak veri yapısını BigQuery tablosuyla eşleşecek şekilde yeniden biçimlendirmek üzere Rapid Target işlevinden yararlanılır.

9. Tek bir yapıda birleştirme

Kaynaklar ve hedefler yapılandırıldıktan ve akış adımları incelendikten sonra, CDM tablosunu dönüştürmek ve BigQuery'ye yüklemek için akışı çalıştırabilirsiniz.

  1. Şema eşleme çıkışını çalıştırın: Akış görünümünde, Şema Eşleme çıkış nesnesini seçin ve Ayrıntılar panelindeki "Çalıştır" düğmesini tıklayın. "Trifacta Photon" Çalışma Ortamı'nı seçin ve "Tarif Hatalarını Yoksay" seçeneğinin işaretini kaldırın. Ardından Çalıştır düğmesini tıklayın. Belirtilen BigQuery tablosu varsa Dataprep yeni satırlar ekler, aksi takdirde yeni bir tablo oluşturur.
  2. İş durumunu görüntüleme: Dataprep, işin yürütülmesini izleyebilmeniz için İşi Çalıştır sayfasını otomatik olarak açar. İşlemin devam etmesi ve BigQuery tablosunun yüklenmesi birkaç dakika sürer. İş tamamlandığında, fiyatlandırma CDM çıkışı BigQuery'ye temiz, yapılandırılmış ve normalleştirilmiş bir biçimde yüklenir ve analize hazır hale gelir.

10. Analiz ve makine öğrenimi/yapay zeka sunma

Analytics Ön Koşulları

Bazı analizler ve ilginç sonuçlar veren bir tahmini model çalıştırmak için daha büyük ve belirli analizleri keşfetmekle alakalı bir veri kümesi oluşturduk. Bu kılavuza devam etmeden önce bu verileri BigQuery veri kümenize yüklemeniz gerekir.

+ Tablo Oluştur düğmesini tıklayın ve şu parametreleri tanımlayın:

  • Yüklemeden tablo oluştur'u seçin ve CDM_Pricing_Large_Table.csv dosyasını seçin.
  • Şemayı otomatik algılama, şema ve giriş parametrelerini kontrol etme
  • Gelişmiş seçenekler, Yazma tercihi, Tablonun üzerine yazma

ff9ec8b9f580b139.png

  • Tablo oluştur'u tıklayın.

Tablo oluşturulup veriler yüklendikten sonra Google Console for BigQuery'de yeni tablonun ayrıntılarını aşağıdaki gibi görmeniz gerekir. BigQuery'deki fiyatlandırma verileri sayesinde, fiyatlandırma verilerinizi daha ayrıntılı bir şekilde analiz etmek için kolayca daha kapsamlı sorular sorabiliriz.

93e4c05972af1999.png

11. Fiyatlandırma değişikliklerinin etkisini görüntüleme

Analiz etmek isteyebileceğiniz bir örnek, daha önce bir öğenin fiyatını değiştirdiğinizde sipariş davranışında meydana gelen değişikliktir.

  1. Öncelikle, bir ürünün fiyatı her değiştiğinde bir satır içeren bir geçici tablo oluşturursunuz. Bu tabloda, söz konusu ürün fiyatlandırmasıyla ilgili bilgiler (ör. her fiyatla kaç ürün sipariş edildiği ve bu fiyatla ilişkili toplam net satışlar) yer alır.
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

b320ba40f0692826.png

  1. Ardından, geçici tabloyu kullanarak SKU'lar genelindeki ortalama fiyat değişikliğini hesaplayabilirsiniz:
select avg((previous_list-list_price_converged)/nullif(previous_list,0))*100 as average_price_change from price_changes;
  1. Son olarak, her fiyat değişikliği ile sipariş edilen toplam öğe sayısı arasındaki ilişkiye bakarak fiyat değiştirildikten sonra ne olduğunu analiz edebilirsiniz:
select
(total_ordered_pieces-previous_total_ordered_pieces)/nullif(previous_total_ordered_pieces,0)

CANNOT TRANSLATE

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

CANNOT TRANSLATE

price_changes_percent_price_change
from price_changes

12. Zaman serisi tahmini modeli oluşturma

Ardından, BigQuery'nin yerleşik makine öğrenimi özellikleriyle, satılacak her öğenin miktarını tahmin etmek için ARIMA zaman serisi tahmin modeli oluşturabilirsiniz.

  1. Öncelikle bir ARIMA_PLUS modeli oluşturursunuz.
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;
  1. Ardından, her bir üründeki gelecekteki satışları tahmin etmek için ML.FORECAST işlevini kullanırsınız:
select
*
from
ML.FORECAST(model testing.bqml_arima,
            struct(30 as horizon, 0.8 as confidence_level));
  1. Bu tahminler sayesinde fiyatları artırdığınızda neler olabileceğini anlamaya çalışabilirsiniz. Örneğin, her ürünün fiyatını% 15 artırırsanız gelecek ay için tahmini toplam geliri şu gibi bir sorguyla hesaplayabilirsiniz:
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);

13. Rapor oluşturma

Normalleştirilmemiş fiyatlandırma verileriniz artık BigQuery'de merkezi olarak depolanıyor ve bu verilere karşı anlamlı sorgular çalıştırmayı biliyorsunuz. Şimdi, işletme kullanıcılarının bu bilgileri keşfetmesine ve bu bilgilerle ilgili işlem yapmasına olanak tanıyan bir rapor oluşturmanın zamanı geldi.

Halihazırda bir Looker örneğiniz varsa bu kalıbın fiyatlandırma verilerini analiz etmeye başlamak için bu GitHub deposundaki LookML'yi kullanabilirsiniz. Basitçe yeni bir Looker projesi oluşturun, LookML'yi ekleyin ve her bir görünüm dosyasındaki bağlantı ile tablo adlarını BigQuery yapılandırmanıza uyacak şekilde değiştirin.

Bu modelde, fiyat değişikliklerini incelemek için türetilmiş tabloyu ( bu görünüm dosyasında) bulabilirsiniz. Bu tabloyu daha önce göstermiştik:

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
      )
       ;;
    }
...

}

Gelecekteki satışları tahmin etmek için BigQuery ML ARIMA modelinin yanı sıra daha önce gösterdiğimiz ( bu görünüm dosyasında)

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'de örnek bir kontrol paneli de bulunur. Gösterge tablosunun demo sürümüne buradan erişebilirsiniz. Kontrol panelinin ilk bölümünde, kullanıcılara satış, maliyet, fiyatlandırma ve marjlardaki değişiklikler hakkında üst düzey bilgiler verilir. Bir işletme kullanıcısı olarak, satışların X%'in altına düşüp düşmediğini öğrenmek için uyarı oluşturmak isteyebilirsiniz. Bu durum, fiyatları düşürmeniz gerektiği anlamına gelebilir.

b531e169b192c111.png

Aşağıda gösterilen sonraki bölüm, kullanıcıların fiyat değişiklikleriyle ilgili trendleri incelemesine olanak tanır. Burada, belirli ürünleri ayrıntılı olarak inceleyerek tam liste fiyatını ve hangi fiyatların değiştirildiğini görebilirsiniz. Bu bilgiler, daha fazla araştırma yapmak için belirli ürünleri belirlemenize yardımcı olabilir.

6a98666697aa7a1.gif

Son olarak, raporun en altında BigQueryML modelimizin sonuçları yer alır. Looker kontrol panelinin üst kısmındaki filtreleri kullanarak yukarıda açıklandığı gibi farklı senaryoları simüle etmek için kolayca parametre girebilirsiniz. Örneğin, sipariş hacminin tahmin edilen değerin% 75'ine düşmesi ve tüm ürünlerdeki fiyatlandırmanın %25 artması durumunda ne olacağını görme (aşağıda gösterildiği gibi)

d3a9d37c89c39b99.gif

Bu, LookML'deki parametreler tarafından desteklenir ve bu parametreler doğrudan buradaki ölçü hesaplamalarına dahil edilir. Bu raporlama türüyle tüm ürünler için optimum fiyatlandırmayı bulabilir veya fiyatları nerede artırmanız ya da indirmeniz gerektiğini ve brüt ile net gelir üzerindeki sonucun ne olacağını belirlemek için belirli ürünleri ayrıntılı olarak inceleyebilirsiniz.

14. Fiyatlandırma sistemlerinize uyum sağlama

Bu eğitimde örnek veri kaynakları dönüştürülse de çeşitli platformlarınızda bulunan fiyatlandırma öğeleri için çok benzer veri sorunlarıyla karşılaşacaksınız. Fiyatlandırma öğeleri, özet ve ayrıntılı sonuçlar için farklı dışa aktarma biçimlerine (genellikle xls, sheets, csv, txt, ilişkisel veritabanları, iş uygulamaları) sahiptir. Bunların her biri Dataprep'e bağlanabilir. Dönüşüm gereksinimlerinizi yukarıdaki örneklerde olduğu gibi açıklayarak başlamanızı öneririz. Spesifikasyonlarınız netleştirildikten ve gereken dönüşüm türlerini belirledikten sonra bunları Dataprep ile tasarlayabilirsiniz.

  1. Özelleştireceğiniz Dataprep akışının bir kopyasını oluşturun (akışın sağındaki **"... "**düğmesini tıklayıp Yinele seçeneğini belirleyin) veya yeni bir Dataprep akışı kullanarak sıfırdan başlayın.
  2. Kendi fiyatlandırma veri kümenize bağlanın. Excel, CSV, Google E-Tablolar ve JSON gibi dosya biçimleri Dataprep tarafından doğal olarak desteklenir. Dataprep bağlayıcılarını kullanarak diğer sistemlere de bağlanabilirsiniz.
  3. Veri öğelerinizi belirlediğiniz çeşitli dönüşüm kategorilerine gönderin. Her kategori için bir tarif oluşturun. Verileri dönüştürmek ve kendi tariflerinizi yazmak için bu tasarım kalıbında sağlanan akıştan ilham alın. Takılırsanız endişelenmeyin. Dataprep ekranının sol alt kısmındaki sohbet iletişim kutusunda yardım isteyin.
  4. Tarifinizi BigQuery örneğinize bağlayın. BigQuery'de tabloları manuel olarak oluşturmanız gerekmez. Dataprep bunu sizin için otomatik olarak yapar. Çıkışı akışınıza eklerken Manuel Hedef seçmenizi ve her çalıştırmada tabloyu bırakmanızı öneririz. Beklenen sonuçları elde edene kadar her tarifi ayrı ayrı test edin. Testiniz tamamlandıktan sonra, önceki verilerin silinmesini önlemek için her çalıştırmada çıkışı tabloya ekleyecek şekilde dönüştürürsünüz.
  5. İsteğe bağlı olarak akışı programlanmış şekilde çalıştırabilirsiniz. Bu, işleminizin sürekli olarak çalışması gerektiğinde yararlı bir özelliktir. Gereken güncelliğe bağlı olarak yanıtı her gün veya her saat yükleyecek bir program tanımlayabilirsiniz. Akışı planlı olarak çalıştırmaya karar verirseniz akışa her tarif için bir Planlanmış Hedef Çıkışı eklemeniz gerekir.

BigQuery makine öğrenimi modelini değiştirme

Bu eğitimde örnek bir ARIMA modeli sunulmaktadır. Ancak, modeli geliştirirken verilerinize en uygun şekilde uyduğundan emin olmak için kontrol edebileceğiniz ek parametreler vardır. Daha fazla ayrıntıyı buradaki dokümanlarımızdaki örnekte görebilirsiniz. Ayrıca, modeliniz hakkında daha fazla ayrıntı edinmek ve optimizasyon kararları vermek için BigQuery ML.ARIMA_EVALUATE, ML.ARIMA_COEFFICIENTS ve ML.EXPLAIN_FORECAST işlevlerini de kullanabilirsiniz.

Looker raporlarını düzenleme

LookML'yi yukarıda açıklandığı gibi kendi projenize aktardıktan sonra ek alanlar eklemek, hesaplamaları veya kullanıcı tarafından girilen parametreleri değiştirmek ve kontrol panellerindeki görselleştirmeleri işletme ihtiyaçlarınıza uygun şekilde değiştirmek için doğrudan düzenlemeler yapabilirsiniz. LookML'de geliştirme ve Looker'da verileri görselleştirme hakkında ayrıntılı bilgiyi bu bağlantılarda bulabilirsiniz.

15. Tebrikler

Artık perakende ürünlerinizin fiyatlandırmasını optimize etmek için gereken temel adımları biliyorsunuz.

Yapabilecekleriniz

Diğer akıllı analiz referans kalıplarını keşfedin.

Daha fazla bilgi