Mengoptimalkan harga produk retail

1. Pengantar

Terakhir Diperbarui: 15-09-2021

Data yang diperlukan untuk mendorong insight dan pengoptimalan harga secara alami berbeda-beda (sistem yang berbeda, kondisi lokal yang berbeda, dll.), sehingga sangat penting untuk mengembangkan tabel CDM yang terstruktur dengan baik, standar, dan bersih. Hal ini mencakup atribut utama untuk pengoptimalan harga, seperti transaksi, produk, harga, dan pelanggan. Dalam dokumen ini, kami akan memandu Anda melalui langkah-langkah yang diuraikan di bawah, yang memberikan permulaan cepat untuk analisis harga yang dapat Anda perluas dan sesuaikan dengan kebutuhan Anda sendiri. Diagram berikut menguraikan langkah-langkah yang dibahas dalam dokumen ini.

1. Menilai sumber data: Pertama, Anda harus mendapatkan inventaris sumber data yang akan digunakan untuk membuat CDM. Pada langkah ini, Dataprep juga digunakan untuk mempelajari dan mengidentifikasi masalah dari data input. Misalnya, nilai yang hilang dan tidak cocok, konvensi penamaan yang tidak konsisten, duplikat, masalah integritas data, pencilan, dll.
2. Menstandardisasi data: Selanjutnya, masalah yang sebelumnya diidentifikasi diperbaiki untuk memastikan akurasi, integritas, konsistensi, dan kelengkapan data. Proses ini dapat melibatkan berbagai transformasi di Dataprep, seperti pemformatan tanggal, standarisasi nilai, konversi satuan, pemfilteran kolom dan nilai yang tidak diperlukan, serta pemisahan, penggabungan, atau penghapusan duplikat data sumber.
3. Menyatukan dalam satu struktur: Tahap berikutnya dari pipeline menggabungkan setiap sumber data ke dalam satu tabel lebar di BigQuery yang berisi semua atribut pada tingkat perincian terbaik. Struktur tidak ternormalisasi ini memungkinkan kueri analitis yang efisien dan tidak memerlukan penggabungan.
4. Menyampaikan analisis & ML/AI: Setelah data dibersihkan dan diformat untuk analisis, analis dapat menjelajahi data historis untuk memahami dampak perubahan harga sebelumnya. Selain itu, BigQuery ML dapat digunakan untuk membuat model prediktif yang memperkirakan penjualan di masa mendatang. Output model ini dapat dimasukkan ke dalam dasbor di Looker untuk membuat "skenario bagaimana jika" yang memungkinkan pengguna bisnis menganalisis seperti apa penjualan dengan perubahan harga tertentu.

Diagram berikut menunjukkan komponen Google Cloud yang digunakan untuk membangun Pipeline Analisis Pengoptimalan Harga.

Yang akan Anda bangun

Di sini, kami akan menunjukkan cara merancang gudang data pengoptimalan harga, mengotomatiskan penyiapan data dari waktu ke waktu, menggunakan machine learning untuk memprediksi dampak perubahan harga produk, dan mengembangkan laporan untuk memberikan insight yang dapat ditindaklanjuti kepada tim Anda.

Yang akan Anda pelajari

• Cara menghubungkan Dataprep ke sumber data untuk analisis harga, yang dapat disimpan dalam database relasional, file datar, Google Spreadsheet, dan aplikasi yang didukung lainnya.
• Cara membuat alur Dataprep untuk membuat tabel CDM di gudang data BigQuery Anda.
• Cara menggunakan BigQuery ML untuk memprediksi pendapatan di masa mendatang.
• Cara membuat laporan di Looker untuk menganalisis tren harga dan penjualan historis, serta untuk memahami dampak perubahan harga pada masa mendatang.

Yang Anda butuhkan

• Project Google Cloud yang mengaktifkan penagihan. Pelajari cara mengonfirmasi bahwa penagihan diaktifkan untuk project Anda.
• BigQuery harus diaktifkan di project Anda. BigQuery diaktifkan secara otomatis di project baru. Jika tidak, aktifkan di project yang ada. Anda juga dapat mempelajari lebih lanjut cara mulai menggunakan BigQuery dari Cloud Console di sini.
• Dataprep juga harus diaktifkan di project Anda. Dataprep diaktifkan dari Konsol Google, dari menu navigasi kiri di bagian Big Data. Ikuti langkah-langkah pendaftaran untuk mengaktifkannya.
• Untuk menyiapkan dasbor Looker Anda sendiri, Anda harus memiliki akses developer di instance Looker. Untuk meminta uji coba, hubungi tim kami di sini, atau gunakan dasbor publik kami untuk menjelajahi hasil pipeline data pada data sampel kami.
• Pengalaman dengan Structured Query Language (SQL) dan pengetahuan dasar tentang hal berikut akan sangat membantu: Dataprep by Trifacta, BigQuery, Looker

Catatan: Untuk mempelajari aset Dataprep yang digunakan dalam dokumen ini, lihat Analytics Framework for Data-driven Pricing Strategy and Optimization di repositori GitHub ini. Untuk mengetahui informasi tentang model data dan dasbor Looker, lihat Apa itu LookML? dan repositori GitHub terkait.

2. Membuat CDM di BigQuery

Di bagian ini, Anda akan membuat Common Data Model (CDM), yang memberikan tampilan gabungan informasi yang perlu Anda analisis dan sarankan perubahan harganya.

1. Buka konsol BigQuery.
2. Pilih project yang ingin Anda gunakan untuk menguji pola rujukan ini.
3. Gunakan set data yang ada atau buat set data BigQuery. Beri nama set data Pricing_CDM.
4. Buat tabel:

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. Menilai sumber data

Dalam tutorial ini, Anda akan menggunakan contoh sumber data yang disimpan di Google Spreadsheet dan BigQuery.

• Spreadsheet Google transactions yang berisi satu baris untuk setiap transaksi. Laporan ini memiliki detail seperti jumlah setiap produk yang terjual, total penjualan kotor, dan biaya terkait.
• Spreadsheet Google harga produk yang berisi harga setiap produk untuk pelanggan tertentu setiap bulan.
• Tabel BigQuery company_descriptions yang berisi informasi pelanggan individual.

Tabel BigQuery company_descriptions dapat dibuat menggunakan pernyataan berikut:

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. Membangun alur

Pada langkah ini, Anda akan mengimpor alur Dataprep contoh, yang Anda gunakan untuk mentransformasi dan menyatukan set data contoh yang tercantum di bagian sebelumnya. Alur merepresentasikan pipeline, atau objek yang menggabungkan set data dan resep, yang digunakan untuk mentransformasi dan menggabungkannya.

1. Download paket alur Pola Pengoptimalan Harga dari GitHub, tetapi jangan ekstrak. File ini berisi alur Pola Desain Pengoptimalan Harga yang digunakan untuk mengubah data sampel.
2. Di Dataprep, klik ikon Alur di menu navigasi sebelah kiri. Kemudian, di tampilan Flows, pilih Import dari menu konteks. Setelah mengimpor alur, Anda dapat memilihnya untuk melihat dan mengeditnya.

3. Di sisi kiri alur, Harga Produk dan setiap tiga Spreadsheet Google Transaksi harus terhubung sebagai set data. Untuk melakukannya, klik kanan objek set data Google Spreadsheet, lalu pilih Ganti. Kemudian, klik link Import Datasets. Klik pensil "Edit jalur", seperti yang ditunjukkan pada diagram berikut.

Ganti nilai saat ini dengan link yang mengarah ke transaksi dan harga produk Google Spreadsheet .

Jika Google Spreadsheet berisi beberapa tab, Anda dapat memilih tab yang ingin digunakan di menu. Klik Edit dan pilih tab yang ingin Anda gunakan sebagai sumber data, lalu klik Simpan dan klik Impor & Tambahkan ke Alur. Setelah Anda kembali ke modal, klik Ganti. Dalam alur ini, setiap sheet ditampilkan sebagai set datanya sendiri untuk mendemonstrasikan penggabungan sumber yang berbeda-beda dalam resep selanjutnya.

Catatan: jika Anda menyesuaikan pola ini agar berfungsi dengan sumber data kustom yang Anda hubungkan dengan mengklik tombol "+ Baru" di bagian bawah layar

4. Tentukan tabel Output BigQuery:

Pada langkah ini, Anda akan mengaitkan lokasi tabel output CDM_Pricing BigQuery yang akan dimuat setiap kali Anda menjalankan tugas Dataprep.

Di Flow View, klik ikon Schema Mapping Output, di Panel Detail, klik tab Destinations. Dari sana, edit output Tujuan Manual yang digunakan untuk pengujian, dan output Tujuan Terjadwal yang digunakan saat Anda ingin mengotomatiskan seluruh alur. Ikuti petunjuk berikut untuk melakukannya:

1. Edit "Tujuan manual" Di Panel Detail, di bagian Tujuan Manual, klik tombol Edit. Di halaman Setelan Publikasi, di bagian Tindakan Publikasi, jika tindakan publikasi sudah ada, Edit tindakan tersebut, atau klik tombol Tambahkan Tindakan. Dari sana, buka set data BigQuery ke set data Pricing_CDM yang Anda buat di langkah sebelumnya, lalu pilih tabel CDM_Pricing. Konfirmasi bahwa Tambahkan ke tabel ini setiap kali dijalankan dicentang, lalu klik Tambahkan. Klik Simpan Setelan.
2. Mengedit "Tujuan terjadwal"

Di Panel Detail, di bagian Tujuan Terjadwal, klik Edit.

Setelan diwarisi dari Tujuan Manual dan Anda tidak perlu melakukan perubahan apa pun. Klik Simpan Setelan.

Tujuan manual memungkinkan Anda menjalankan setiap tugas output secara terpisah dan sesuai permintaan. Hal ini berguna untuk menguji resep penyiapan data dan memvalidasi hasil selama desain alur Anda.

Tujuan terjadwal digunakan saat Anda ingin menjalankan alur secara rutin. Misalnya, Anda mungkin ingin memuat ulang CDM ke BigQuery setiap hari agar laporan Anda diperbarui dengan jawaban terbaru.

5. Menyeragamkan data

Alur yang disediakan menggabungkan, memformat, dan membersihkan data transaksi, lalu menggabungkan hasilnya dengan deskripsi perusahaan dan data harga gabungan untuk pelaporan. Di sini, Anda akan mempelajari komponen alur, yang dapat dilihat pada gambar di bawah.

6. Menjelajahi Resep Data Transaksional

Pertama, Anda akan mempelajari apa yang terjadi dalam Resep Data Transaksional, yang digunakan untuk menyiapkan data transaksi. Klik objek Data Transaksi di Tampilan Alur, di Panel Detail, klik tombol Edit Resep.

Halaman Transformer akan terbuka dengan Resep yang ditampilkan di Panel Detail. Resep berisi semua langkah transformasi yang diterapkan pada data. Anda dapat menjelajahi Resep dengan mengklik di antara setiap langkah untuk melihat status data di posisi tertentu dalam Resep ini.

Anda juga dapat mengklik menu Lainnya untuk setiap langkah Resep, lalu memilih Buka yang Dipilih atau Edit untuk mempelajari cara kerja transformasi.

1. Gabungkan Transaksi: Langkah pertama dalam resep data transaksi menggabungkan transaksi yang disimpan di berbagai sheet yang merepresentasikan setiap bulan.
2. Menstandardisasi Deskripsi Pelanggan: Langkah berikutnya dalam resep ini adalah menstandardisasi deskripsi pelanggan. Artinya, nama pelanggan mungkin serupa dengan sedikit perubahan dan kami ingin menormalisasinya menjadi satu nama. Resep ini menunjukkan dua kemungkinan pendekatan. Pertama, algoritma ini memanfaatkan Algoritma Standardisasi, yang dapat dikonfigurasi dengan berbagai opsi standardisasi seperti "String serupa" yang mengelompokkan nilai dengan karakter yang sama, atau "Pengucapan" yang mengelompokkan nilai yang terdengar sama. Atau, Anda dapat mencari deskripsi perusahaan di tabel BigQuery yang dirujuk di atas, menggunakan ID perusahaan.

Catatan: meskipun tutorial ini memberikan contoh untuk menstandardisasi deskripsi pelanggan, untuk pengoptimalan harga, sebaiknya Anda menstandardisasi data seperti nama produk dan format tanggal.

Anda dapat mempelajari lebih lanjut resep untuk menemukan berbagai teknik lain yang diterapkan untuk membersihkan dan memformat data: menghapus baris, memformat berdasarkan pola, memperkaya data dengan pencarian, menangani nilai yang hilang, atau mengganti karakter yang tidak diinginkan.

7. Mempelajari Resep Data Harga Produk

Selanjutnya, Anda dapat mempelajari apa yang terjadi di Resep Data Harga Produk, yang menggabungkan data transaksi yang telah disiapkan ke data harga gabungan.

Klik POLA DESAIN OPTIMISASI HARGA di bagian atas halaman untuk menutup Halaman Transformer dan kembali ke Tampilan Alur. Dari sana, klik objek Data Harga Produk dan Edit Resep.

1. Membatalkan pivot kolom harga bulanan: Klik resep di antara langkah 2 dan 3, untuk melihat tampilan data sebelum langkah Unpivot. Anda akan melihat bahwa data berisi nilai transaksi dalam kolom yang berbeda untuk setiap bulan: Jan Feb Mar. Ini bukan format yang sesuai untuk menerapkan penghitungan agregasi (yaitu jumlah, transaksi rata-rata) di SQL. Data perlu diubah dari format lebar menjadi panjang sehingga setiap kolom menjadi baris dalam tabel BigQuery. Resep ini memanfaatkan fungsi unpivot untuk mengubah 3 kolom menjadi satu baris untuk setiap bulan sehingga lebih mudah untuk menerapkan penghitungan grup lebih lanjut.
2. Menghitung nilai transaksi rata-rata menurut klien, produk, dan tanggal: Kita ingin menghitung nilai transaksi rata-rata untuk setiap klien, produk, dan tanggal. Kita dapat menggunakan fungsi Agregat dan membuat tabel baru (opsi "Kelompokkan menurut sebagai tabel baru"). Dalam hal ini, data diagregasi di tingkat grup dan kita kehilangan detail setiap transaksi individual. Atau, kita dapat memutuskan untuk menyimpan detail dan nilai gabungan dalam set data yang sama (opsi "Kelompokkan menurut sebagai kolom baru") yang akan sangat memudahkan penerapan rasio (yaitu % kontribusi kategori produk terhadap keseluruhan pendapatan). Anda dapat mencoba perilaku ini dengan mengedit langkah resep 7 dan memilih opsi "Kelompokkan menurut sebagai tabel baru" atau "Kelompokkan menurut sebagai kolom baru" untuk melihat perbedaannya.
3. Menggabungkan tanggal penetapan harga: Terakhir, gabungan digunakan untuk menggabungkan beberapa set data menjadi satu set data yang lebih besar dengan menambahkan kolom ke set data awal. Pada langkah ini, data harga digabungkan dengan output Resep Data Transaksional berdasarkan 'Data Harga.Kode Produk' = 'Data Transaksi.SKU' dan 'Data Harga.Tanggal Harga' = 'Data Transaksi.Tanggal Fiskal'

Untuk mempelajari lebih lanjut transformasi yang dapat Anda terapkan dengan Dataprep, lihat Lembar Praktis Penanganan Data Trifacta

8. Mempelajari Resep Pemetaan Skema

Resep terakhir, Pemetaan Skema, memastikan bahwa tabel CDM yang dihasilkan cocok dengan skema tabel output BigQuery yang ada. Di sini, fungsi Target Cepat digunakan untuk memformat ulang struktur data agar cocok dengan tabel BigQuery menggunakan pencocokan fuzzy untuk membandingkan kedua skema dan menerapkan perubahan otomatis.

9. Menyatukan dalam satu struktur

Setelah sumber dan tujuan dikonfigurasi, serta langkah-langkah alur dipelajari, Anda dapat menjalankan alur untuk mengubah dan memuat tabel CDM ke BigQuery.

1. Jalankan output Pemetaan Skema: Di tampilan alur, pilih objek output Pemetaan Skema, lalu klik tombol "Jalankan" di panel Detail. Pilih Lingkungan Running "Trifacta Photon" dan hapus centang pada opsi Abaikan Error Resep. Kemudian, klik tombol Jalankan. Jika tabel BigQuery yang ditentukan ada, Dataprep akan menambahkan baris baru, jika tidak, Dataprep akan membuat tabel baru.
2. Melihat status tugas: Dataprep otomatis membuka halaman Run Job sehingga Anda dapat memantau eksekusi tugas. Perlu waktu beberapa menit untuk melanjutkan dan memuat tabel BigQuery. Setelah tugas selesai, output CDM harga akan dimuat di BigQuery dalam format yang bersih, terstruktur, dan dinormalisasi yang siap dianalisis.

10. Menyediakan analisis & ML/AI

Prasyarat Analytics

Untuk menjalankan beberapa analisis dan model prediktif dengan hasil yang menarik, kami telah membuat set data yang lebih besar dan relevan untuk menemukan insight tertentu. Anda harus mengupload data ini ke set data BigQuery sebelum melanjutkan panduan ini.

• Download set data besar dari repositori GitHub ini
• Di Konsol Google untuk BigQuery, buka project dan set data CDM_Pricing Anda.
• Klik menu, lalu Buka Set Data. Kita akan membuat tabel dengan memuat data dari file lokal.

Klik tombol + Buat Tabel dan tentukan parameter berikut:

• Buat tabel dari upload dan pilih file CDM_Pricing_Large_Table.csv
• Deteksi Otomatis Skema, centang Skema dan parameter input
• Opsi lanjutan, Preferensi penulisan, Timpa tabel

• Klik Buat tabel

Setelah tabel dibuat dan data diupload, di Konsol Google untuk BigQuery, Anda akan melihat detail tabel baru seperti yang ditunjukkan di bawah. Dengan data harga di BigQuery, kita dapat dengan mudah mengajukan pertanyaan yang lebih komprehensif untuk menganalisis data harga Anda pada tingkat yang lebih dalam.

11. Melihat efek perubahan harga

Salah satu contoh hal yang mungkin ingin Anda analisis adalah perubahan perilaku pemesanan saat Anda sebelumnya mengubah harga item.

1. Pertama, Anda membuat tabel sementara yang memiliki satu baris setiap kali harga produk berubah, dengan informasi tentang harga produk tertentu tersebut seperti jumlah item yang dipesan dengan setiap harga dan total penjualan bersih yang terkait dengan harga tersebut.

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. Selanjutnya, dengan tabel sementara, Anda dapat menghitung perubahan harga rata-rata di seluruh SKU:

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

3. Terakhir, Anda dapat menganalisis apa yang terjadi setelah harga diubah dengan melihat hubungan antara setiap perubahan harga dan jumlah total item yang dipesan:

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

sebagai

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

sebagai

price_changes_percent_price_change
from price_changes

12. Membangun model perkiraan deret waktu

Selanjutnya, dengan kemampuan machine learning bawaan BigQuery, Anda dapat membangun model perkiraan deret waktu ARIMA untuk memprediksi jumlah setiap item yang akan dijual.

1. Pertama, Anda membuat model 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. Selanjutnya, Anda menggunakan fungsi ML.FORECAST untuk memprediksi penjualan mendatang di setiap produk:

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

3. Dengan prediksi ini, Anda dapat mencoba memahami apa yang mungkin terjadi jika Anda menaikkan harga. Misalnya, jika Anda menaikkan harga setiap produk sebesar 15%, Anda dapat menghitung estimasi total pendapatan untuk bulan berikutnya dengan kueri seperti ini:

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);

Catatan: kueri ini mengasumsikan bahwa perubahan harga tidak akan berdampak pada perilaku pembelian.

13. Membuat laporan

Setelah data harga yang tidak dinormalisasi dipusatkan di BigQuery, dan Anda memahami cara menjalankan kueri yang bermakna terhadap data ini, sekarang saatnya membuat laporan agar pengguna bisnis dapat menjelajahi dan menindaklanjuti informasi ini.

Jika sudah memiliki instance Looker, Anda dapat menggunakan LookML di repositori GitHub ini untuk mulai menganalisis data harga untuk pola ini. Cukup buat project Looker baru, tambahkan LookML, dan ganti koneksi dan nama tabel di setiap file tampilan agar sesuai dengan konfigurasi BigQuery Anda.

Catatan: Jika Anda tidak memiliki instance Looker, tetapi tertarik untuk mempelajari lebih lanjut, Anda dapat menjadwalkan demo di sini.

Dalam model ini, Anda akan menemukan tabel turunan ( dalam file tampilan ini) yang kami tunjukkan sebelumnya untuk memeriksa perubahan harga:

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
      )
       ;;
    }
...

}

Selain model ARIMA BigQuery ML yang ditampilkan sebelumnya, untuk memprediksi penjualan di masa mendatang ( dalam file tampilan ini)

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 juga berisi dasbor contoh. Anda dapat mengakses versi demo dasbor di sini. Bagian pertama dasbor memberikan informasi tingkat tinggi kepada pengguna tentang perubahan penjualan, biaya, harga, dan margin. Sebagai pengguna bisnis, Anda mungkin ingin membuat pemberitahuan untuk mengetahui apakah penjualan telah turun di bawah X%, karena hal ini mungkin berarti Anda harus menurunkan harga.

Bagian berikutnya, yang ditampilkan di bawah, memungkinkan pengguna mempelajari tren seputar perubahan harga. Di sini, Anda dapat melihat produk tertentu secara mendetail untuk melihat harga jual yang tepat dan harga yang diubah - yang dapat membantu menentukan produk tertentu untuk melakukan riset lebih lanjut.

Terakhir, di bagian bawah laporan, Anda akan melihat hasil model BigQueryML. Dengan menggunakan filter di bagian atas dasbor Looker, Anda dapat dengan mudah memasukkan parameter untuk menyimulasikan berbagai skenario serupa seperti yang dijelaskan di atas. Misalnya, melihat apa yang akan terjadi jika volume pesanan turun menjadi 75% dari nilai yang diprediksi, dan harga di semua produk dinaikkan sebesar 25%, seperti yang ditunjukkan di bawah

Hal ini didukung oleh parameter di LookML, yang kemudian digabungkan langsung ke dalam penghitungan ukuran yang ada di sini. Dengan jenis pelaporan ini, Anda dapat menemukan harga optimal untuk semua produk atau melihat perincian produk tertentu untuk menentukan di mana Anda harus menaikkan atau mendiskon harga dan apa hasilnya terhadap pendapatan kotor dan bersih.

14. Beradaptasi dengan sistem penetapan harga Anda

Meskipun tutorial ini mengubah sumber data contoh, Anda akan menghadapi tantangan data yang sangat serupa untuk aset harga yang ada di berbagai platform Anda. Aset harga memiliki format ekspor yang berbeda (sering kali xls, spreadsheet, csv, txt, database relasional, aplikasi bisnis) untuk hasil ringkasan dan detail, yang masing-masing dapat dihubungkan ke Dataprep. Sebaiknya Anda mulai dengan mendeskripsikan persyaratan transformasi Anda dengan cara yang serupa dengan contoh yang diberikan di atas. Setelah spesifikasi Anda diperjelas dan Anda telah mengidentifikasi jenis transformasi yang diperlukan, Anda dapat mendesainnya dengan Dataprep.

1. Buat salinan alur Dataprep (klik tombol **... "**lainnya" di sebelah kanan alur dan pilih opsi Duplikasikan) yang akan Anda sesuaikan, atau mulai saja dari awal menggunakan alur Dataprep baru.
2. Hubungkan ke set data harga Anda sendiri. Format file seperti Excel, CSV, Google Spreadsheet, JSON didukung secara native oleh Dataprep. Anda juga dapat terhubung ke sistem lain menggunakan konektor Dataprep.
3. Kirim aset data Anda ke berbagai kategori transformasi yang telah Anda identifikasi. Untuk setiap kategori, buat satu resep. Dapatkan inspirasi dari alur yang disediakan dalam pola desain ini untuk mengubah data dan menulis resep Anda sendiri. Jika Anda mengalami kesulitan, jangan khawatir, minta bantuan dalam dialog chat di kiri bawah layar Dataprep.
4. Hubungkan resep Anda ke instance BigQuery. Anda tidak perlu khawatir membuat tabel secara manual di BigQuery, karena Dataprep akan menanganinya secara otomatis untuk Anda. Sebaiknya saat Anda menambahkan output ke alur, pilih Tujuan Manual dan Hapus tabel di setiap proses. Uji setiap resep satu per satu hingga Anda mendapatkan hasil yang diharapkan. Setelah pengujian selesai, Anda akan mengonversi output menjadi Tambahkan ke tabel di setiap eksekusi untuk menghindari penghapusan data sebelumnya.
5. Anda dapat secara opsional mengaitkan alur agar berjalan sesuai jadwal. Hal ini berguna jika proses Anda perlu berjalan terus-menerus. Anda dapat menentukan jadwal untuk memuat respons setiap hari atau setiap jam berdasarkan keaktualan yang Anda perlukan. Jika Anda memutuskan untuk menjalankan alur sesuai jadwal, Anda harus menambahkan Output Tujuan Jadwal di alur untuk setiap resep.

Mengubah Model Machine Learning BigQuery

Tutorial ini menyediakan contoh model ARIMA. Namun, ada parameter tambahan yang dapat Anda kontrol saat mengembangkan model untuk memastikan model tersebut paling sesuai dengan data Anda. Anda dapat melihat detail selengkapnya dalam contoh di dokumentasi kami di sini. Selain itu, Anda juga dapat menggunakan fungsi BigQuery ML.ARIMA_EVALUATE, ML.ARIMA_COEFFICIENTS, dan ML.EXPLAIN_FORECAST untuk mendapatkan detail lebih lanjut tentang model Anda dan membuat keputusan pengoptimalan.

Mengedit laporan Looker

Setelah mengimpor LookML ke project Anda sendiri seperti yang dijelaskan di atas, Anda dapat melakukan pengeditan langsung untuk menambahkan kolom tambahan, mengubah penghitungan atau parameter yang dimasukkan pengguna, dan mengubah visualisasi pada dasbor agar sesuai dengan kebutuhan bisnis Anda. Anda dapat menemukan detail tentang pengembangan di LookML di sini, dan memvisualisasikan data di Looker di sini.

15. Selamat

Sekarang Anda telah mengetahui langkah-langkah penting yang diperlukan untuk mengoptimalkan harga produk retail Anda.

Apa selanjutnya?

Jelajahi pola referensi analisis smart lainnya

Bacaan lebih lanjut

• Baca blognya di sini
• Pelajari Dataprep di sini
• Pelajari lebih lanjut BigQuery Machine Learning di sini
• Pelajari lebih lanjut Looker di sini