Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Stratégie sans serveur pour une tarification dynamique
Date de publication : 28 juin 2021 (Historique du diagramme)
Cette architecture présente une stratégie sans serveur pour une tarification dynamique. Pour les réservations basées sur des plages de dates, vous pouvez créer des prix en parallèle et les calculer dynamiquement en fonction de facteurs tels que la date, la durée et le nombre de personnes. Vous affichez ensuite des produits comparables triés avec des temps de réponse inférieurs à la seconde, et vous mettez à jour les prix en fonction des conditions actuelles du marché.
Stratégie sans serveur pour une tarification dynamique
Les étapes suivantes décrivent l'architecture :
-
Vous fournissez des données de recherche pour obtenir une liste triée de produits filtrés par prix et par d'autres attributs. Les données sont envoyées via Amazon API Gateway, qui fait appel à plusieurs AWS Lambda fonctions pour traiter les demandes de prix en parallèle afin de consulter les prix en temps réel.
-
Les fonctions Lambda du processeur parallèle par lots appellent la fonction de calcul de règles pour obtenir les dernières règles de produit auprès d'Amazon DynamoDB. Le produit est calculé en fonction de l'identifiant de recherche et stocké sur Amazon ElastiCache. Une fois les fonctions de traitement par lots terminées, tous les résultats de l'ID de recherche sont renvoyés depuis le cache.
-
Les données historiques du moteur de réservation et les données de marché externes fournissent des informations permettant au moteur de tarification de disposer de suffisamment de données pour mettre à jour les prix en temps réel.
-
Les événements du moteur de réservation sont capturés et surveillés sur Amazon Kinesis. Amazon Kinesis Data Analytics interroge le flux de données et déclenche la fonction Lambda de l'évaluateur de prix si un changement est détecté. Les événements sont stockés dans Amazon Simple Storage Service et sont accompagnés de données historiques sur les lots.
-
Un modèle Amazon SageMaker AI Train utilise des données de réservation historiques et des données historiques augmentées pour entraîner le modèle à des recommandations de prix.
-
À l'aide d'un modèle de recommandation par inférence basé sur l' SageMaker IA, le moteur de tarification obtient de nouvelles recommandations de prix en fonction des conditions du marché.
Suggestions de lecture
Pour plus d'informations, consultez les ressources suivantes :
Historique du diagramme
Pour être informé des mises à jour de ce schéma d'architecture de référence, abonnez-vous au fil RSS.
| Modification | Description | Date |
|---|---|---|
Publication initiale | Schéma d'architecture de référence publié pour la première fois. | 28 juin 2021 |
Note
Pour vous abonner aux mises à jour RSS, un plug-in RSS doit être activé pour le navigateur que vous utilisez.
