Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Serverlose Strategie für dynamische Preisgestaltung
Veröffentlichungsdatum: 28. Juni 2021 () Geschichte des Diagramms
Diese Architektur zeigt eine serverlose Strategie für dynamische Preisgestaltung. Für Buchungen, die auf Datumsbereichen basieren, können Sie Preise parallel erstellen und diese anhand von Faktoren wie Datum, Dauer und Anzahl der Personen dynamisch berechnen. Anschließend werden vergleichbare Produkte sortiert mit Antwortzeiten unter einer Sekunde angezeigt und die Preise werden auf der Grundlage der aktuellen Marktbedingungen aktualisiert.
Serverlose Strategie für dynamische Preisgestaltung
Die folgenden Schritte beschreiben die Architektur:
-
Sie geben Sucheingaben ein, um eine sortierte Liste von Produkten zu erhalten, die nach Preis und anderen Attributen gefiltert sind. Die Daten werden über das Amazon API Gateway gesendet, das mehrere AWS Lambda Funktionen zur parallelen Bearbeitung von Preisanfragen für Preisabfragen in Echtzeit aufruft.
-
Die Lambda-Funktionen des Batch-Parallelprozessors rufen die Regelrechnerfunktion auf, um die neuesten Produktregeln von Amazon DynamoDB abzurufen. Das Produkt wird anhand der Such-ID berechnet und bei Amazon gespeichert. ElastiCache Nach Abschluss der Batch-Funktionen werden alle Ergebnisse für die Such-ID aus dem Cache zurückgegeben.
-
Historische Daten aus der Buchungsmaschine und externe Marktdaten liefern Informationen, sodass die Preisfindungsmaschine über ausreichend Daten verfügt, um die Preise in Echtzeit zu aktualisieren.
-
Die Ereignisse der Buchungsmaschine werden auf Amazon Kinesis erfasst und überwacht. Amazon Kinesis Data Analytics fragt den Datenstrom ab und löst die Lambda-Funktion des Preisbewerters aus, wenn eine Änderung festgestellt wird. Ereignisse werden in Amazon Simple Storage Service mit unterstützenden historischen Batchdaten gespeichert.
-
Ein Amazon SageMaker AI Train-Modell verwendet historische Buchungsdaten und erweiterte historische Daten, um das Modell im Hinblick auf Preisempfehlungen zu trainieren.
-
Mithilfe eines SageMaker KI-Inferenz-Empfehlungsmodells erhält die Pricing-Engine neue Preisempfehlungen, die auf den Marktbedingungen basieren.
Weitere Informationen
Weitere Informationen finden Sie in den folgenden Ressourcen:
Geschichte des Diagramms
Abonnieren Sie den RSS-Feed, um über Aktualisierungen dieses Referenzarchitekturdiagramms informiert zu werden.
| Änderung | Beschreibung | Datum |
|---|---|---|
Erste Veröffentlichung | Das Referenzarchitekturdiagramm wurde zuerst veröffentlicht. | 28. Juni 2021 |
Anmerkung
Um RSS-Updates zu abonnieren, muss ein RSS-Plugin für den von Ihnen verwendeten Browser aktiviert sein.
