Atlas App Services とサーバーレス関数を使用してリアルタイム分析をオーケストレーションし、動的な価格設定戦略を即座に作成します。
ユースケース: 分析、カタログマネジメント、パーソナライズ
業種: 小売
製品: Aggregation Pipeline、Atlas Triggers、Atlas Functions、Atlas Charts
パートナー: Databricks
ソリューション概要
適切な技術スタックを使用してリアルタイム分析ソリューションを配置することで、小売価格戦略を変革できます。小売業者は、競争力を維持しつつ、価値に基づく価格設定を通じてブランド名を拡大し、顧客エクスペリエンスを向上させたいと考えています。
リアルタイムの価格戦略を用いることで、企業は在庫、マーケティングパフォーマンス、地域やデジタルのトレンドなど、さまざまなシステムからのデータポイントを活用し、オンラインおよび店舗のデジタル価格タグを通じて製品の価格を即座に変更できます。過剰在庫や新しいプロモーションに応じて価格を動的に引き下げたり、トレンドの商品の価格を引き上げたりすることを、手作業による介入なしに実現できることを想像してみましょう。
「データ主導型」ビジネスを実現するという野心にもかかわらず、企業はリアルタイム分析の実行に苦労し、しばしばその試みに失敗します。
このデモの最後には、Databricks モデルの構築および展開機能に加え、MongoDB Atlas App Services を活用して、リアルタイムイベントデータを用いたデータ駆動型戦略を推進する方法を詳細に理解できるようになります。
その他の該当する業種とユースケース
輸送業界向け: 航空会社、タクシー、ライドシェアサービスなどの運輸関連企業は、需要・供給・外部要因に応じて運賃を調整するために、リアルタイムの価格設定を活用できます。これにより、ピーク時や特別なイベント時に収益を最適化し、乗客の需要を管理することが可能になります。
電気通信：通信会社は、データプラン、国際電話、ローミング料金にリアルタイムの価格設定を利用できます。トラフィックを管理し、最適なサービスレベルを確保するために、ネットワークのキャパシティーと需要に基づいて価格を調整することができます。
保険: 保険会社は、「走行距離連動型」や「生活行動連動型」などの使用ベース保険商品に対し、リアルタイム価格設定を導入することができます。保険料は、実際の顧客の行動やリスク要因に基づいて調整することが可能です。
参照アーキテクチャ
図1。動的価格設定のリファレンスアーキテクチャ
データモデルアプローチ
イベント駆動型アーキテクチャは非常にシンプルです。これは、ユーザーがｅコマースサイトで実行できる 4 つの異なるイベントのみで構成されています。
event_type | 説明 |
|---|---|
"view" | カスタマーは商品詳細ページで商品を閲覧します。 |
「カート」 | カスタマーがカートに商品を追加します。 |
"remove_from_cart" | カスタマーがカートから商品を削除します。 |
"purchase" | カスタマーが特定の製品のトランザクションを完了します。 |
イベントスキーマ
{ "_id": { "$oid": "63c557ddcc552f591375062d" }, "event_time": { "$date": { "$numberLong": "1572566410000" } }, "event_type": "view", "product_id": "5837166", "category_id": "1783999064103190764", "brand": "pnb", "price": 22.22, "user_id": "556138645", "user_session": "57ed222e-a54a-4907-9944-5a875c2d7f4f" }
購入ログ
{ "_id": { "$numberInt": "5837183" }, "product_id": { "$numberInt": "5837183" }, "event_time": [ "2023-05-17" ], "price": [ { "$numberDouble": "6.4" } ], "brand": [ "runail" ], "category_code": [], "total_sales": [ { "$numberLong": "101" } ], "revenue": [ { "$numberDouble": "646.4000000000001" } ] “price_elasticity”: [ { “$numberDouble”:”-20.667872769488664” } ] }
ソリューションを構築する
このステップ別ガイドに従い、MongoDB App Services のトリガーとサーバーレス関数を Databricks と組み合わせて MongoDB Atlas をオーケストレーションし、小売業界向けのリアルタイム分析および価格設定ソリューションを作成する方法を学びます。
データの取り込み
GitHubリポジトリ には eventsGenerator ディレクトリが含まれており、その中に generator.py ファイルがあります。接続文字列、データベース、コレクションパラメーターを使用してファイルを編集し、e コマースストアで発生している購入イベントをリアルタイムで複製します。
データ変換
この [GitHub ディレクトリ] では、トリガーや関数の使用方法に関する手順が確認できます。
コレクション内の製品ごとに、過去の購入ログを計算します。
Databricks に配置されたエンドポイントに HTTP POST リクエストを送信します。
機械学習/AI
この GitHub フォルダーには、Databricks ノートで実行するテスト コードが含まれます。このコードは、製品ごとの需要の価格従量制の単純な計算を計算し、製品ごとの購入ログを入力として受け取り、価格従量制を出力として提供します。
キーポイント
データ変換: 生データをより使いやすい形式や構造に変換することの重要性を認識します。このプロジェクトでは、トリガーと関数を用いて過去の購入ログを計算し、Databricks などの外部システムにデータを送信します。
サーバーレス アーキテクチャ: サーバーレス関数やトリガーの利点と仕組みに関するインサイトを得ることができます。これらは、データの変化に自動で反応し、あらかじめ定義されたアクションを専用サーバーなしで実行することが可能です。
リアルタイムデータ処理：リアルタイムデータの処理の重要性とメカニズムを理解することは、タイムリーなインサイトが動的な価格設定などの即時のアクションを促進する小売業界において特に重要です。