オンラインストアで年間約4,500万ドルを売り上げるアパレル小売業者は、シンプルなマークダウン戦略を持っていました。計画された販売期間の中間点までに在庫の60%が売れなかった商品には25%の割引を適用し、販売期間の75%を過ぎても在庫が残っている場合は40%オフにし、クリアランスでは60%オフにするというものです。
1,800の季節商品スタイルの結果を分析したところ、マークダウンされた商品の34%は、もう少し時間を与えていれば定価で、あるいはより小さな割引で売り切れていたことがわかりました。さらに22%は、販売の出足の鈍さがタイミングの問題ではなく根本的な需要の問題を示していたため、より早い段階でより深い割引が必要でした。この画一的なアプローチにより、年間推定210万ドルの不必要なマージン侵食が発生していたのです。
標準的なマークダウンルールがマージンを破壊する理由
マークダウンへの標準的なアプローチは、販売消化速度のみに基づいてすべての商品を同じように扱います。商品Aは販売期間の50%が残っている時点で在庫の40%が売れたので、割引が適用されます。しかし、これは重要な文脈を無視しています。その商品は新発売で、まだ認知度を構築中ではなかったでしょうか？シーズン終盤に売上が加速するカテゴリー（ホリデーデコレーションなど）の商品ではないでしょうか？レビューは好評だが、単にプロモーションが不足していただけではないでしょうか？
商品ごとに需要曲線は根本的に異なり、すべてに同じマークダウントリガーを適用すれば、最適でない結果が保証されます。需要が前半に集中する商品（トレンドアイテム、特定のイベントに紐づく商品）は、初期の販売機会を逃した場合、需要は減少する一方なので、積極的な早期マークダウンが必要です。需要が後半に集中する商品（季節の定番品、ホリデーが近づくにつれてのギフトアイテム）は、需要が自然に加速するため、より長く定価を維持できます。
早すぎる値引きのコストは目に見えませんが、確実に存在します。2週間後には定価で売れていたはずの商品に25%のマークダウンを適用すると、その期間に販売されたすべてのユニットのマージンが破壊されます。値引きが不要だったマークダウン期間中に200ユニットが販売され、平均販売価格が50ドルから37.50ドルに下がった場合、1つの商品だけで2,500ドルの不必要なマージン損失が発生します。
AIモデルによるマークダウンへのアプローチ
AIマークダウン最適化モデルは、各商品の具体的な需要軌跡、残在庫、残りの販売期間、および異なる割引レベルに対する予想される反応に基づいて、各商品を個別に評価します。モデルは3つの質問に答えます：この商品は今値引きすべきか、値引きする場合の最適な割引幅はいくらか、そして現在のマークダウンで目標消化率が達成できない場合、次のマークダウンはいつ適用すべきか。
需要軌跡分析は、商品の販売履歴に曲線をフィットさせ、過去のシーズンの類似商品と比較します。ウィンタージャケットが最初の6週間で800ユニット中300ユニットを販売した場合、モデルは過去の年に類似のジャケットが同じ時点でどのようなパフォーマンスだったかを確認します。類似商品が通常6週目までに在庫の35〜40%を販売し、その後加速していた場合、現在のペースは正常であり、マークダウンは不要です。6週目までに37%しか販売できなかった類似商品が歴史的に最終的に50%以上のマークダウンが必要になっていた場合、早期の対応が正当化されます。
価格弾力性の推定は、特定の割引がどれだけの追加販売量を生み出すかをモデルに伝えます。価格弾力性の高い商品に20%の割引を適用すると週間売上が80%増加する可能性がありますが、非弾力的な商品に同じ割引を適用しても売上は20%しか増加しないかもしれません。モデルは過去のマークダウンデータから商品レベルの弾力性を学習し、過去に類似商品が値引きされた際に販売量がどう変化したかを分析します。
最適化では、各割引レベルでの期待マージンを計算します。割引なしはユニットあたりのマージンが高くなりますが、シーズン終了時に売れ残り在庫が発生するリスクがあります。20%の割引はユニットあたりのマージンを減少させますが、販売消化を加速します。40%の割引はさらに加速しますが、マージンコストが急激に増加します。モデルは、後でより深いマークダウンが必要になる確率を含め、残りの販売期間全体で総期待マージンを最大化する割引を選択します。
カテゴリー別の考慮事項
ファッション・アパレル商品は、スタイルの流行り廃りがあり、サイズによって残在庫が断片化し（XSとXXLは豊富だがMとLは完売）、販売期間が比較的短いため、マークダウンリスクが最も高くなります。AIモデルはサイズカーブの枯渇を考慮する必要があります。全体の販売消化率が十分に見えても、人気サイズが完売した商品は、残りのサイズの販売が遅くなるため、マークダウンが必要になる場合があります。
家電製品は異なるパターンをたどります。競合他社の新製品発売により、既存の在庫が一夜にして魅力を失う可能性があります。モデルは、製品ライフサイクルのステージと競合の発売を特徴量として組み込む必要があります。発売から10ヶ月が経過し、新モデルに置き換えられようとしているノートパソコンには、発売3ヶ月目のノートパソコンとは異なる積極的なマークダウンタイミングが必要です。
ホーム＆ガーデン商品は、比較的予測可能な需要パターンを持つ強い季節性があることが多いです。これらのカテゴリーのマークダウンモデルは、年ごとの需要形状がファッションよりも一貫しているため、過去の季節曲線により大きく依存できます。パティオ家具セットは毎年ほぼ同じ需要曲線をたどり、天候パターンによって多少シフトします。
導入アプローチ
ほとんどの小売業者は、AIマークダウン最適化を段階的に導入します。フェーズ1では、静的なルールをモデルが生成するレコメンデーションに置き換え、マーチャンダイジングチームがレビューして承認します。モデルは、マークダウンを推奨する（またはマークダウンから外す）各商品、推奨割引レベル、およびその根拠を示す週次レポートを作成します。マーチャンダイザーは各レコメンデーションを承認するか、オーバーライドします。
フェーズ2では、リスクの低い意思決定に自動化を導入します。一定の在庫金額以下の商品や、モデルの精度が実証されたカテゴリーの商品は、ガードレール（最大割引30%、最低マージンフロア、週1回以上の変更なし）の範囲内でマークダウンを自動的に適用できます。マーチャンダイザーは自動化された意思決定を事後にレビューし、次のサイクルでオーバーライドできます。
フェーズ3では、モデルを拡張して季節ポートフォリオ全体のマークダウンタイミングを最適化します。各商品を独立して評価するのではなく、プロモーションイベントの相互作用（同時に多くの商品をマークダウンするとその効果が薄まる）を考慮し、総マージン回収を最大化するようにアソートメント全体にマークダウン予算を配分します。
データ要件は管理可能です。季節パターンを捉えるために少なくとも2年分のSKU別日次販売データ、各マークダウンイベントの割引レベルと日付を含む過去のマークダウン履歴、現在の在庫ポジション、季節商品の計画販売期間、および類似性分析のための商品属性（カテゴリー、ブランド、価格帯）が必要です。
季節在庫を管理するEC小売業者にとって、良いマークダウン戦略と悪いマークダウン戦略の差は、対象商品の粗利益の5〜15%に相当することが多いです。小売価格で数百万ドル規模の季節アソートメント全体に適用すると、そのマージン回収は相当な金額になり、最適化システムへの投資を何倍も回収しながら、収益に意味のあるインパクトを残すのに十分な額になることがほとんどです。