在接到客户电话的一开始，我们总是试图了解客户希望解决什么样的问题，而且他们通常会返回一个优化方案。无论是价格优化（"我应该以什么价格销售产品才能获得最高利润？"或库存优化（"我需要多少库存以确保我满足客户需求，并且我的客户不会去其他地方？"），当涉及到用预测分析解决问题时，建站服务，许多客户将优化等同于预测。

虽然一个工具建立预测模型并找到那些最佳的甜点非常方便，但大多数工具做一个（预测）或另一个（优化）。许多客户根本没有必要的工具他们依靠拥有应用数学或运筹学博士学位的员工来开发模型，并希望他们能得到正确的结果。找到那些拥有应用数学和运筹学博士学位的员工有多容易？没那么容易！

但是，对于确实拥有各种价格、库存水平等销售历史数据的客户，可以使用预测建模算法和包含一组定价方案的应用数据集执行简单的优化。作为一个例子，让我们做一个优化练习，目标是找出"最佳价格"，即使销售额最大化的价格。在定价优化方面，会有一个最佳点，即价格不会太高，以致客户不敢购买，也不会太低，以致公司将潜在资金留在谈判桌上。假设产品是一盒糖果，会在不同类型的商店以不同的价格点销售。

做一个简单的定价优化分析有三个高级步骤：1）细分2）预测建模3）优化

第一步：细分

第一步，细分，简单地说就是应该建立多少个模型。例如，应该为每个SKU建立单独的模型吗？SKU/客户的每种组合如何？是否有足够的历史数据在这个层次上构建有意义的模型，大数据视频，或者模型是否应该在产品层次结构的更高层次上构建？记住，靠谱云服务器，预测模型是使用历史信息建立的，其中与不同价格相关的销售数据必须是已知的。

在我们的糖果示例中，假设客户有足够的历史数据来为产品和商店类型的每个组合建立模型。在这种情况下，商店类型指的是便利店、杂货店、，批发商…我相信你可以想象，好市多、7-Eleven和Safeway可能都有相同的糖果，但它们的价格与客户需求非常不同。这是两种不同商店类型的示例数据：

第二步：预测建模

第二步，预测建模，我们的目标是使用适当的算法和所有潜在的预测因素为每个确定的细分市场建立模型。实际上，淘客购物，在我们的场景中，价格和门店类型只是两个预测因素，但是还应该考虑很多因素，如地理区域、一年中的时间、经济指标、竞争对手的产品可用性，促销和新产品发布。

我们将保持我们的示例简单，只使用价格和门店类型以及SAP Predictive Analytics自动回归算法。一旦我们有了预测模型，就进入了最后一步优化！

第三步：优化

优化包括将所有可能的场景应用到我们在第二步中构建的模型中。例如，我们生成一个包含两列的数据集：商店类型和价格，其中包括我们要测试的所有可能的价格。您可以将价格限制在现实场景中，这样您就不会最终预测超出可能范围的销售。

在下面的数据集中，你可以看到，对于便利店类型（7-11），我们测试的价格从6.36美元到11美元不等，好市多从4.99美元到7.56美元不等。

将模型应用于这些价格和商店类型，我们可以对每种类型的商店进行销售预测。要找到"最佳价格"，只需对每种商店类型内的销售预测（如预测收入）进行排序，并将价格调整到最高值。具体取决于历史数据您可以访问，您可能需要预测销售数量，然后将预测的销售数量乘以与之相关的价格，以找到使收入最大化的最佳价格。这是一个简单的计算，您可以在选择的商业智能工具中进行。

在下面的预测场景中，我们可以看到便利店的类型是9.89美元，这是根据一个预测销售量的模型计算出来的。预测的收入就是简单的预测销售量*价格：

所以，电力物联网，你有了它！整个定价优化分析可以使用SAP Predictive Analytics完成，这是可能的，因为历史数据包括所分析产品的不同门店类型中的各种价格。

了解更多信息

有关SAP Predictive Analytics如何帮助解决更高级分析问题的更多信息，访问我们的产品页面产品页面，阅读我们关于预测主题的其余博客。