تحسين سعر منتجات البيع بالتجزئة

1. مقدمة

تاريخ آخر تعديل: 15/09/2021

تختلف البيانات المطلوبة للحصول على إحصاءات بشأن الأسعار وعمليات التحسين من طبيعتها (أنظمة مختلفة أو وقائع محلية مختلفة أو غير ذلك)، لذا من الضروري تطوير جدول CDM منظم وموحّد ونظيف. ويشمل ذلك السمات الرئيسية لتحسين التسعير، مثل المعاملات والمنتجات والأسعار والعملاء. في هذا المستند، نشرح لك الخطوات الموضّحة أدناه، إلى جانب بداية سريعة لتحليلات التسعير التي يمكنك توسيعها وتخصيصها لتناسب احتياجاتك الخاصة. يوضح الرسم البياني التالي الخطوات التي تتناولها هذه الوثيقة.

1. تقييم مصادر البيانات: أولاً، عليك الحصول على قائمة بمصادر البيانات التي سيتم استخدامها لإنشاء "وحدة إدارة البيانات للمؤسسات". في هذه الخطوة، يتم أيضًا استخدام Dataprep لاستكشاف المشاكل من البيانات التي يتم إدخالها وتحديدها. على سبيل المثال، القيم المفقودة وغير المتطابقة واصطلاحات التسمية غير المتسقة والتكرارات ومشكلات سلامة البيانات والقيم المتطرفة وما إلى ذلك.
2. توحيد البيانات: بعد ذلك، يتم إصلاح المشاكل التي تم تحديدها سابقًا لضمان دقة البيانات وسلامتها واتساقها واكتمالها. وقد تشمل هذه العملية تغييرات متنوعة في Dataprep، مثل تنسيق التاريخ، وتوحيد القيم، وتحويل الوحدات، وفلترة الحقول والقيم غير الضرورية، وتقسيم البيانات المصدر أو دمجها أو تكرارها.
3. التوحيد في بنية واحدة: تضم المرحلة التالية من مسار العملية كل مصدر بيانات في جدول واحد عريض في BigQuery يحتوي على جميع السمات في أعلى مستوى من الدقة. تسمح هذه البنية غير العادية بطلبات البحث التحليلية الفعّالة التي لا تتطلب عمليات ضم.
4. تقديم الإحصاءات تعلُّم الآلة/الذكاء الاصطناعي (AI): بعد تنظيف البيانات وتنسيقها للتحليل، يمكن للمحللين استكشاف البيانات السابقة لفهم تأثير تغييرات الأسعار السابقة. بالإضافة إلى ذلك، يمكن استخدام BigQuery ML لإنشاء نماذج توقّعية تقدّر المبيعات المستقبلية. يمكن دمج نتائج هذه النماذج في لوحات البيانات ضمن Looker لإنشاء "سيناريوهات ماذا لو". يمكن للمستخدمين التجاريين تحليل شكل التخفيضات من خلال تغييرات معيّنة في الأسعار.

يوضِّح المخطّط البياني التالي مكوّنات Google Cloud المستخدَمة في مسار إحصاءات تحسين التسعير.

ما الذي ستنشئه

سنوضِّح لك هنا كيفية تصميم مستودع بيانات لتحسين التسعير، وبرمجة عملية إعداد البيانات بمرور الوقت، واستخدام تعلُّم الآلة لتوقّع تأثير التغييرات في أسعار المنتجات، وتطوير التقارير لتوفير إحصاءات قابلة للاستخدام لفريقك.

المعلومات التي ستطّلع عليها

• كيفية ربط Dataprep بمصادر البيانات للحصول على إحصاءات التسعير، والتي يمكن تخزينها في قواعد البيانات الارتباطية والملفات الثابتة و"جداول بيانات Google" والتطبيقات المتوافقة الأخرى.
• كيفية إنشاء مسار Dataprep لإنشاء جدول CDM في مستودع بيانات BigQuery.
• كيفية استخدام تعلُّم الآلة في BigQuery لتوقّع الأرباح المستقبلية
• كيفية إنشاء تقارير في Looker لتحليل الأسعار ومؤشرات المبيعات السابقة وفهم تأثير تغييرات الأسعار المستقبلية

المتطلبات

• مشروع على Google Cloud مع تفعيل الفوترة فيه تعرَّف على كيفية التأكّد من تفعيل الفوترة لمشروعك.
• يجب تفعيل BigQuery في مشروعك. يتم تفعيله تلقائيًا في المشاريع الجديدة. بخلاف ذلك، يمكنك تفعيلها في مشروع حالي. يمكنك أيضًا معرفة المزيد من المعلومات حول بدء استخدام BigQuery من خلال Cloud Console.
• يجب أيضًا تفعيل Dataprep في مشروعك. إعداد Dataprep مفعَّل من Google Console، من قائمة التنقّل اليمنى في قسم "البيانات الضخمة". اتّبِع خطوات الاشتراك لتفعيله.
• لإعداد لوحات بيانات Looker، يجب أن يكون لديك إذن وصول المطوّرين على نسخة Looker، أو لطلب فترة تجريبية يُرجى التواصل مع فريقنا هنا، أو استخدام لوحة البيانات العلنية لاستكشاف نتائج مسار البيانات في نماذج البيانات التي نوفّرها.
• استخدام الخبرة في لغة الاستعلام المركبة (SQL) والمعرفة الأساسية بما يلي مفيدة: Dataprep by Trifacta وBigQuery وLooker

ملاحظة: لمعرفة المزيد من المعلومات عن أصول Dataprep المُستخدَمة في هذا المستند، يُرجى الاطّلاع على إطار عمل "إحصاءات Google" لاستراتيجية التسعير المستند إلى البيانات وتحسينها في مستودع GitHub هذا. للحصول على معلومات عن نموذج بيانات Looker ولوحة البيانات، يُرجى الاطّلاع على مقالة ما هو LookML؟ ومستودع GitHub المرتبط به.

2. إنشاء CDM في BigQuery

في هذا القسم، يمكنك إنشاء نموذج البيانات الشائعة (CDM)، والذي يوفِّر عرضًا موحَّدًا للمعلومات التي تحتاج إلى تحليلها واقتراح تغييرات في الأسعار.

1. افتح وحدة تحكُّم BigQuery.
2. اختَر المشروع الذي تريد استخدامه لاختبار النمط المرجعي هذا.
3. استخدِم مجموعة بيانات حالية أو أنشئ مجموعة بيانات BigQuery. أدخِل اسمًا لمجموعة البيانات Pricing_CDM.
4. إنشاء الجدول:

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- تقييم مصادر البيانات

في هذا البرنامج التعليمي، يمكنك استخدام نماذج لمصادر البيانات التي تم تخزينها في جداول بيانات Google وBigQuery.

• جدول بيانات Google للمعاملات الذي يحتوي على صفّ واحد لكلّ معاملة تحتوي على تفاصيل مثل كمية كل منتج تم بيعه وإجمالي المبيعات والتكاليف المرتبطة به.
• جدول بيانات Google لأسعار المنتجات الذي يحتوي على سعر كل منتج لعميل معيّن عن كل شهر
• جدول BigQuery المخصص لـ company_descriptions والذي يحتوي على معلومات العملاء الفرديين.

يمكن إنشاء جدول BigQuery الخاص بـ company_descriptions باستخدام العبارة التالية:

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. بناء التدفق

في هذه الخطوة، يتم استيراد نموذج Dataprep الذي تستخدمه لتحويل وتوحيد نماذج مجموعات البيانات المدرَجة في القسم السابق. يمثل التدفق مسارًا أو كائنًا يجمع بين مجموعات البيانات والوصفات، ويتم استخدامها لتحويلها ودمجها.

1. نزِّل حزمة مسار نمط تحسين الأسعار من GitHup، ولكن لا تفك ضغطها. يحتوي هذا الملف على تدفق نمط تصميم تحسين التسعير المستخدم لتحويل بيانات العينة.
2. في Dataprep، انقر فوق أيقونة "flows" (التدفقات) في شريط التنقل الأيمن. بعد ذلك، في طريقة عرض "التدفقات"، اختَر استيراد من قائمة السياق. بعد استيراد التدفق، يمكنك تحديده لعرضه وتعديله.

3. على الجانب الأيسر من التدفق، يجب ربط تسعير المنتج وكل معاملة من المعاملات الثلاث في "جداول بيانات Google" كمجموعات بيانات. ولإجراء ذلك، انقر بزر الماوس الأيمن على كائنات مجموعة بيانات "جداول بيانات Google" واختَر استبدال. ثم انقر على الرابط استيراد مجموعات البيانات. انقر على زر "تعديل المسار" قلم رصاص، كما هو موضح في الرسم التخطيطي التالي.

استبدل القيمة الحالية برابط يشير إلى المعاملات وأسعار المنتج جداول بيانات Google .

عندما يحتوي "جداول بيانات Google" على عدة علامات تبويب، يمكنك اختيار علامة التبويب التي تريد استخدامها في القائمة. انقر على تعديل واختَر علامات التبويب التي تريد استخدامها كمصدر للبيانات، ثم انقر على حفظ وانقر على استيراد & الإضافة إلى التدفق: عند الرجوع إلى النافذة المشروطة، انقر على استبدال. في هذا التدفق، يتم تمثيل كل ورقة كمجموعة بيانات خاصة بها لتوضيح المصادر المتباينة الموحدة لاحقًا في وصفة لاحقة.

ملاحظة: في حال تعديل هذا النمط للعمل مع مصادر البيانات المخصّصة التي تربطها عن طريق النقر على "+ جديد" الزر في أسفل الشاشة

4. تحديد جداول إخراج BigQuery:

في هذه الخطوة، ستقوم بربط الموقع لجدول إخراج BigQuery CDM_pricing لتحميله في كل مرة تقوم فيها بتشغيل مهمة Dataoprep.

في طريقة العرض التدفق، انقر فوق رمز ناتج تعيين المخطط ، في لوحة التفاصيل، انقر فوق علامة التبويب الوجهات. بعد ذلك، يمكنك تعديل ناتج "الوجهات اليدوية" المستخدَم للاختبار، وناتج "الوجهات المجدوَلة" المستخدَم عندما تريد برمجة العملية بالكامل. يُرجى اتّباع التعليمات التالية لإجراء ذلك:

1. عدِّل "الوجهات اليدوية" في لوحة التفاصيل، ضمن قسم "الوجهات اليدوية"، انقر على الزر "تعديل". في صفحة إعدادات النشر، ضمن "إجراءات النشر"، إذا كان هناك إجراء نشر من قبل، عدِّله أو انقر على الزر "إضافة إجراء". بعد ذلك، انتقِل إلى مجموعات بيانات BigQuery إلى مجموعة بيانات Pricing_CDM التي أنشأتها في خطوة سابقة واختَر جدول CDM_Pricing. تأكّد من وضع علامة في المربّع بجانب الإلحاق بهذا الجدول كل عملية تشغيل، ثمّ انقر على إضافة ثم انقر على حفظ الإعدادات.
2. تعديل "الوجهات المُجدوَلة"

في لوحة "التفاصيل"، ضمن قسم "الوجهات المُجدوَلة"، انقر على تعديل.

يتم اكتساب الإعدادات من الوجهات اليدوية ولا تحتاج إلى إجراء أية تغييرات. انقر على "حفظ الإعدادات".

تتيح لك الوجهات اليدوية تشغيل كل مهمة إخراج فردية بشكل مستقل وعند الطلب. هذا مناسب لاختبار وصفة إعداد البيانات والتحقق من صحة النتيجة أثناء تصميم التدفق الخاص بك.

يتم استخدام الوجهات المُجدوَلة عندما تريد تنفيذ التدفق بشكل روتيني. على سبيل المثال، قد تحتاج إلى إعادة تحميل CDM إلى BigQuery كل يوم حتى يتم تحديث تقاريرك بأحدث الإجابات.

5- توحيد البيانات

يتم تقديم اتحادات التدفقات والتنسيقات وتنقيح بيانات المعاملات، ثم دمج النتيجة بأوصاف الشركة وبيانات الأسعار المجمّعة لإعداد التقارير. وسوف تتعرف هنا على مكونات التدفق، والتي يمكن رؤيتها في الصورة أدناه.

6- استكشاف وصفة بيانات المعاملات

أولاً، سوف تستكشف ما يحدث في وصفة بيانات المعاملات، والتي تُستخدم لإعداد بيانات المعاملات. انقر على كائن "بيانات المعاملة" في "عرض التدفق"، في لوحة التفاصيل، انقر على الزر "تعديل الوصفة".

يتم فتح صفحة المحوِّل مع عرض الوصفة في لوحة التفاصيل. تحتوي الوصفة على جميع خطوات التحويل التي يتم تطبيقها على البيانات. ويمكنك التنقل داخل الوصفة من خلال النقر بين كل خطوة من الخطوات لمشاهدة حالة البيانات في هذا الموضع المحدد في الوصفة.

يمكنك أيضًا النقر على قائمة "المزيد" لكل خطوة من خطوات وصفة الطعام، ثم اختيار "الانتقال إلى العناصر المحدّدة" أو "تعديلها" لاستكشاف كيفية عمل التحويل.

1. المعاملات الاتحادية: الخطوة الأولى في معاملات النقابات المتعلّقة ببيانات المعاملات مُخزَّنة في أوراق بيانات مختلفة تمثّل كل شهر.
2. توحيد أوصاف العملاء: توحِّد الخطوة التالية في الوصفة أوصاف العملاء. وهذا يعني أنّ أسماء العملاء قد تكون متشابهة مع بعض التغييرات الطفيفة، ونريد تعديل الأسماء حسب كلّ اسم. توضح الوصفة نهجين محتملين. أولاً، تستفيد هذه الخدمة من خوارزمية التوحيد التي يمكن ضبطها باستخدام خيارات توحيد مختلفة مثل "سلاسل مماثلة". حيث يتم تجميع القيم ذات الأحرف المشتركة معًا، أو "طريقة اللفظ" حيث يتم تجميع القيم التي تبدو متشابهة معًا. يمكنك بدلاً من ذلك البحث عن وصف الشركة في جدول BigQuery المشار إليه أعلاه، باستخدام رقم تعريف الشركة.

ملاحظة: على الرغم من أنّ هذا البرنامج التعليمي يقدّم مثالاً لتوحيد أوصاف العملاء، فإنّنا ننصحك بتوحيد البيانات مثل أسماء المنتجات وتنسيق التاريخ لتحسين التسعير.

يمكنك الانتقال إلى قسم آخر في الوصفة لاكتشاف الأساليب المختلفة الأخرى التي يتم تطبيقها لتنظيف البيانات وتنسيقها: حذف الصفوف، أو تنسيق البيانات استنادًا إلى الأنماط، أو إثراء البيانات بعمليات البحث، أو التعامل مع القيم المفقودة، أو استبدال الأحرف غير المرغوب فيها.

7. الاطّلاع على وصفة بيانات أسعار المنتجات

بعد ذلك، يمكنك استكشاف ما يحدث في "وصفة بيانات تسعير المنتجات"، والتي تضم بيانات المعاملات المعدّة إلى بيانات الأسعار المجمّعة.

انقر على نمط تصميم التحسين في أعلى الصفحة لإغلاق صفحة أداة التحويل والرجوع إلى عرض التدفق. من هناك، انقر على كائن "Product Price Data" (بيانات تسعير المنتج) و"تحرير الوصفة".

1. أعمدة الأسعار الشهرية غير الثابتة: انقر على الوصفة بين خطوتَين إلى ثلاث خطوات، لمعرفة كيف تبدو البيانات قبل تنفيذ الخطوة Unpivot. ستلاحظ أن البيانات تحتوي على قيمة المعاملة في عمود مختلف لكل شهر: يناير في مارس. وهذا ليس تنسيقًا مناسبًا لتطبيق حساب التجميع (أي المجموع ومتوسط المعاملة) في SQL. يجب أن تكون البيانات غير موحدة بحيث يصبح كل عمود صفًا في جدول BigQuery. تستفيد الوصفة من الدالة unpivot لتحويل الأعمدة الثلاثة إلى صف واحد لكل شهر لتسهيل تطبيق العمليات الحسابية للمجموعة أكثر.
2. احتساب متوسط قيمة المعاملة حسب العميل والمنتج والتاريخ: نريد احتساب متوسط قيمة المعاملة لكل عميل ومنتج وبيانات. يمكننا استخدام دالة التجميع وإنشاء جدول جديد (الخيار "التجميع حسب كجدول جديد"). وفي هذه الحالة، يتم تجميع البيانات على مستوى المجموعة، ونفقد تفاصيل كل معاملة فردية. أو يمكننا اختيار الاحتفاظ بكل من التفاصيل والقيم المجمّعة في مجموعة البيانات نفسها (الخيار "التجميع حسب كعمود(أعمدة) جديد") والذي يصبح مناسبًا جدًا لتطبيق نسبة (أي النسبة المئوية لمساهمة فئة المنتج في إجمالي الأرباح). يمكنك تجربة هذا السلوك عن طريق تعديل خطوة الوصفة 7 وتحديد الخيار "تجميع حسب كجدول جديد" أو "التجميع حسب كأعمدة جديدة" لمعرفة الاختلافات.
3. تاريخ تسعير الانضمام: أخيرًا، يتم استخدام سمة join لدمج مجموعات بيانات متعددة في مجموعة بيانات أكبر، مع إضافة أعمدة إلى مجموعة البيانات الأولية. في هذه الخطوة، يتم ضم بيانات الأسعار مع مخرجات وصفة بيانات المعاملات استنادًا إلى "pricing Data.Product Code" (بيانات الأسعار). = بيانات المعاملة.SKU' و"Price Data.Price Date" (تاريخ السعر) = ‘Transaction Data.Fiscal Date’

لمعرفة المزيد من المعلومات عن عمليات التحويل التي يمكنك تطبيقها باستخدام Dataprep، يمكنك الاطّلاع على ورقة الملاحظات الموجزة حول Trifacta Data Wrangling

8. استكشاف وصفة تخطيط المخطط

تضمن الوصفة الأخيرة، "تعيين المخطط" أن يتطابق جدول CDM الناتج مع مخطط جدول إخراج BigQuery الحالي. وفي هذه الحالة، يتم استخدام وظيفة الاستهداف السريع لإعادة تنسيق بنية البيانات لتتطابق مع جدول BigQuery باستخدام المطابقة غير الواضحة لمقارنة كلا المخططين وتطبيق التغييرات التلقائية.

9. التوحيد في بنية واحدة

الآن بعد أن تم ضبط المصادر والوجهات، وتم استكشاف خطوات التدفقات، يمكنك تشغيل التدفق لتحويل جدول CDM وتحميله إلى BigQuery.

1. تنفيذ إخراج ربط المخطط: في طريقة عرض التدفّق، اختَر كائن إخراج تعيين المخطط وانقر على الزر "تشغيل" في لوحة التفاصيل. اختيار "Trifacta Photon" تشغيل البيئة وإلغاء تحديد "تجاهل أخطاء وصفات الطعام". ثم انقر فوق الزر "Run" (تشغيل). إذا كان جدول BigQuery المحدد موجودًا، فإن Dataprep ستلحق صفوفًا جديدة، وإلا فإنها ستنشئ جدولاً جديدًا.
2. عرض حالة المهمة: تفتح أداة Dataprep تلقائيًا صفحة "تشغيل المهمة" حتى تتمكن من مراقبة تنفيذ المهمة. من المفترض أن تستغرق المتابعة وتحميل جدول BigQuery بضع دقائق. عند اكتمال المهمة، سيتم تحميل ناتج CDM للتسعير في BigQuery بتنسيق واضح ومنظم ومواصف جاهز للتحليل.

10. تقديم التحليلات ML/AI

المتطلبات الأساسية لبرنامج "إحصاءات Google"

من أجل تشغيل بعض التحليلات ونموذج تنبؤي بنتائج مثيرة للاهتمام، أنشأنا مجموعة بيانات أكبر وذات صلة لاكتشاف رؤى محددة. تحتاج إلى تحميل هذه البيانات إلى مجموعة بيانات BigQuery قبل متابعة هذا الدليل.

• نزِّل مجموعة البيانات الكبيرة من مستودع GitHub
• في Google Console لأداة BigQuery، انتقِل إلى مشروعك ومجموعة بيانات CDM_pricing.
• انقر فوق القائمة وافتح مجموعة البيانات. سننشئ الجدول عن طريق تحميل البيانات من ملف محلي.

انقر فوق الزر + إنشاء جدول وحدد هذه المعلمات:

• إنشاء جدول من التحميل واختيار ملف CDM_pricing_large_Table.csv
• اكتشاف المخطط تلقائيًا، تحقق من معلمات المخطط والإدخال
• خيارات متقدمة، وتفضيل الكتابة، واستبدال الجدول

• انقر على "إنشاء جدول"

بعد إنشاء الجدول وتحميل البيانات، في Google Console لأداة BigQuery، من المفترض أن تظهر تفاصيل الجدول الجديد كما هو موضّح أدناه. باستخدام بيانات الأسعار في BigQuery، يمكننا بسهولة طرح أسئلة أكثر شمولاً لتحليل بيانات الأسعار على مستوى أعمق.

11. عرض تأثير تغييرات الأسعار

أحد الأمثلة على شيء قد ترغب في تحليله هو تغيير سلوك الترتيب عندما تكون قد قمت مسبقًا بتغيير سعر عنصر ما.

1. أولاً، يمكنك إنشاء جدول مؤقت يحتوي على سطر واحد في كل مرة يتغير فيها سعر منتج، مع معلومات حول سعر المنتج المعيّن هذا، مثل عدد العناصر التي تم طلبها بكل سعر وإجمالي صافي المبيعات المرتبطة بهذا السعر.

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. بعد ذلك، مع استخدام الجدول المؤقت، يمكنك حساب متوسط تغيير السعر على مستوى رموز التخزين التعريفية:

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

3. وأخيرًا، يمكنك تحليل ما يحدث بعد تغيير السعر من خلال الاطّلاع على العلاقة بين كل تغيير في السعر وإجمالي عدد السلع التي تم طلبها:

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

بِصفة

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

بِصفة

price_changes_percent_price_change
from price_changes

12. إنشاء نموذج لتوقّع السلسلة الزمنية

بعد ذلك، باستخدام إمكانات تعلُّم الآلة المضمّنة في BigQuery، يمكنك إنشاء نموذج توقّع لسلسلة زمنية من ARIMA لتوقّع كمية كل سلعة سيتم بيعها.

1. أولاً، يتم إنشاء نموذج 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. بعد ذلك، يمكنك استخدام دالة ML.FORECAST للتنبؤ بالمبيعات المستقبلية عبر كل منتج:

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

3. من خلال هذه التوقّعات، يمكنك محاولة فهم ما قد يحدث إذا رفعت الأسعار. على سبيل المثال، إذا رفعت سعر كل منتج بنسبة 15٪، يمكنك حساب إجمالي الأرباح المقدّرة للشهر التالي باستخدام طلب بحث مثل هذا:

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);

ملاحظة: أنّ طلب البحث هذا يفترض أنّ تغيير السعر لن يؤثر في سلوك الشراء.

13. إنشاء تقرير

والآن بعد أن أصبحت بيانات الأسعار غير العادية تتمركز في BigQuery، وفهمت كيفية إجراء طلبات بحث مفيدة مقابل هذه البيانات، حان الوقت لإنشاء تقرير يسمح للمستخدمين التجاريين باستكشاف هذه المعلومات والتصرف بناءً عليها.

إذا كان لديك مثيل Looker، يمكنك استخدام LookML في مستودع GitHub هذا للبدء في تحليل بيانات التسعير لهذا النمط. ما عليك سوى إنشاء مشروع جديد في Looker وإضافة LookML واستبدال أسماء عمليات الربط وأسماء الجداول في كل ملف من ملفات العرض لمطابقة إعدادات BigQuery.

ملاحظة: إذا لم يكن لديك نسخة Looker ولكنك تريد التعرّف على المزيد من المعلومات، يمكنك جدولة عرض توضيحي هنا.

في هذا النموذج، ستجد الجدول المشتق ( في ملف العرض هذا) الذي عرضناه سابقًا للاطّلاع على تغييرات الأسعار:

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
      )
       ;;
    }
...

}

بالإضافة إلى نموذج BigQuery ML ARIMA الذي عرضناه سابقًا، لتوقّع المبيعات المستقبلية ( في ملف العرض هذا)

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 ;;
          }
   }
...
}

يحتوي LookML أيضًا على نموذج لوحة بيانات. يمكنك الوصول إلى إصدار تجريبي من لوحة البيانات من هنا. يمنح الجزء الأول من لوحة البيانات المستخدمين معلومات عالية المستوى حول التغييرات في المبيعات والتكاليف والأسعار والهوامش. بصفتك مستخدمًا تجاريًا، يمكنك إنشاء تنبيه لمعرفة ما إذا كانت المبيعات قد انخفضت إلى أقل من X%، لأنّ ذلك قد يعني أنّه عليك خفض الأسعار.

يسمح القسم التالي للمستخدمين بالاطّلاع على المؤشرات المتعلقة بتغييرات الأسعار. ويمكنك هنا التوغّل في منتجات معيّنة للاطّلاع على قائمة الأسعار الدقيقة والأسعار التي تم تغييرها، ما قد يكون مفيدًا لتحديد منتجات معيّنة لإجراء المزيد من الأبحاث عليها.

أخيرًا، في الجزء السفلي من التقرير لديك نتائج نموذج BigQueryML. باستخدام الفلاتر في أعلى لوحة بيانات Looker، يمكنك بسهولة إدخال مَعلمات لمحاكاة سيناريوهات مختلفة مشابهة كما هو موضّح أعلاه. على سبيل المثال، معرفة ما سيحدث إذا انخفض حجم الطلبات إلى% 75 من القيمة المتوقّعة، وارتفعت أسعار جميع المنتجات بنسبة %25، كما هو موضّح أدناه

ويعتمد ذلك على المَعلمات في LookML، والتي يتم دمجها بعد ذلك مباشرةً في عمليات القياس الواردة هنا. وباستخدام هذا النوع من التقارير، يمكنك العثور على الأسعار المُثلى لكل المنتجات أو التعمّق في منتجات معيّنة لتحديد الجوانب التي يجب رفع الأسعار أو تخفيضها ومعرفة النتائج الإجمالية وصافي الأرباح.

14. الامتثال لأنظمة التسعير

على الرغم من أنّ هذا البرنامج التعليمي يحوّل مصادر البيانات النموذجية، ستواجه تحديات مماثلة جدًا في ما يتعلّق بمواد عرض التسعير التي تتوفّر على منصاتك المختلفة. تحتوي مواد عرض الأسعار على تنسيقات تصدير مختلفة (غالبًا ما تكون xls وأوراق البيانات وcsv وtxt وقواعد البيانات الارتباطية وتطبيقات الأنشطة التجارية) للحصول على نتائج موجزة ومفصّلة، ويمكن ربط كل منها بموقع Dataprep. وننصحك بالبدء بوصف متطلبات التحويل بشكل مشابه للأمثلة الواردة أعلاه. بعد توضيح المواصفات الخاصة بك وتحديد أنواع التحويلات المطلوبة، يمكنك تصميمها باستخدام Dataprep.

1. أنشئ نسخة من تدفق Dataprep (انقر فوق الزر **... "**more" على يمين التدفق وحدد الخيار "Duplicate" (تكرار) الذي ستقوم بتخصيصه، أو ابدأ من الصفر باستخدام تدفق Dataprep جديد.
2. الربط بمجموعة بيانات الأسعار الخاصة بك تتوفّر في Dataprep حاليًا تنسيقات الملفات، مثل Excel وCSV و"جداول بيانات Google" وJSON. يمكنك أيضًا الاتصال بأنظمة أخرى باستخدام موصِّلات Dataprep.
3. حوِّل مواد عرض البيانات إلى فئات التحويل المختلفة التي حدّدتها. أنشئ وصفة واحدة لكل فئة. احصل على بعض الإلهام من التدفق المقدم في نمط التصميم هذا لتحويل البيانات وكتابة وصفاتك الخاصة. إذا واجهتك مشكلة، لا داعي للقلق، اطلب المساعدة من خلال مربّع حوار المحادثة في أسفل يمين شاشة Dataprep.
4. اربط الوصفة بمثيل BigQuery. لا داعي للقلق بشأن إنشاء الجداول يدويًا في BigQuery، حيث ستتولى أداة Dataprep إجراء المهام نيابةً عنك تلقائيًا. نقترح عليك عند إضافة الناتج إلى التدفق تحديد وجهة يدوية وإفلات الجدول في كل عملية. اختبر كل وصفة على حدة إلى أن تقدم النتائج المتوقعة. بعد الانتهاء من الاختبار، ستقوم بتحويل المخرجات إلى Append to الجدول عند كل تشغيل لتجنب حذف البيانات السابقة.
5. يمكنك اختياريًا ربط التدفق لتنفيذه في الموعد المحدد. وهذا شيء مفيد إذا كانت عمليتك بحاجة إلى العمل بشكل مستمر. ويمكنك وضع جدول زمني لتحميل الردّ كل يوم أو كل ساعة استنادًا إلى حداثة المواضيع. إذا قررت تشغيل التدفق على جدول زمني، فستحتاج إلى إضافة ناتج وجهة الجدول في التدفق لكل وصفة.

تعديل نموذج تعلُّم الآلة في BigQuery

يقدم هذا البرنامج التعليمي نموذجًا لنموذج ARIMA. ومع ذلك، هناك معلمات إضافية يمكنك التحكم فيها عند تطوير النموذج للتأكد من ملاءمته لبياناتك على أفضل نحو. يمكنك الاطّلاع على مزيد من التفاصيل في المثال ضمن مستنداتنا هنا. بالإضافة إلى ذلك، يمكنك أيضًا استخدام وظائف BigQuery ML.ARIMA_EVALUATE وML.ARIMA_COEFFICIENTS وML.EXPLAIN_FORECAST للحصول على مزيد من التفاصيل حول نموذجك واتّخاذ قرارات بشأن التحسين.

تعديل تقارير Looker

بعد استيراد LookML إلى مشروعك الخاص كما هو موضح أعلاه، يمكنك إجراء تعديلات مباشرة لإضافة حقول إضافية وتعديل العمليات الحسابية أو المعلمات التي أدخلها المستخدم وتغيير العروض المرئية على لوحات البيانات لتناسب احتياجات نشاطك التجاري. يمكنك العثور على تفاصيل حول التطوير في LookML هنا، وتصور البيانات في Looker هنا.

15. تهانينا

أنت تعرف الآن الخطوات الرئيسية المطلوبة لتحسين أداء منتجات البيع بالتجزئة التسعير!

الخطوات التالية

استكشاف الأنماط المرجعية الأخرى للإحصاءات الذكية

قراءة إضافية

• قراءة المدونة هنا
• مزيد من المعلومات حول إعداد البيانات هنا
• تعرَّف على المزيد من المعلومات عن تعلُّم الآلة في BigQuery من هنا.
• اطّلِع على مزيد من المعلومات عن Looker هنا.