마크다운 최적화를 위한 AI: 언제, 얼마나 할인할 것인가

온라인 스토어를 통해 연간 약 4,500만 달러를 판매하는 한 의류 소매업체는 단순한 마크다운 전략을 사용하고 있었습니다. 계획된 판매 기간의 중간 시점까지 재고의 60%가 소진되지 않으면 25% 할인을 적용했습니다. 판매 기간의 75% 시점에도 여전히 재고가 남아 있으면 40% 할인으로 전환했습니다. 클리어런스는 60% 할인이었습니다.

1,800개의 시즌 스타일에 대한 결과를 분석했을 때, 마크다운된 제품의 34%는 시간을 더 주었다면 정가 또는 더 적은 할인으로 판매되었을 것이라는 사실을 발견했습니다. 또 다른 22%는 느린 초기 판매가 타이밍 문제가 아닌 근본적인 수요 문제를 나타내고 있었기 때문에 더 일찍 더 깊은 할인이 필요했습니다. 이 획일적인 접근 방식은 연간 약 210만 달러의 불필요한 마진 손실을 초래하고 있었습니다.

표준 마크다운 규칙이 마진을 파괴하는 이유

마크다운에 대한 표준 접근 방식은 판매 소진 속도만을 기준으로 모든 제품을 동일하게 취급합니다. 제품 A가 판매 기간의 50%가 남은 상태에서 재고의 40%를 판매했으므로 할인을 적용합니다. 하지만 이는 중요한 맥락을 무시합니다. 해당 제품이 새로 출시되어 아직 인지도를 쌓고 있는 중이었나요? 시즌 후반에 판매가 가속화되는 카테고리(예: 홀리데이 장식)에 속하나요? 제품이 긍정적인 리뷰를 받았지만 충분히 프로모션되지 않은 것은 아닌가요?

제품마다 근본적으로 다른 수요 곡선을 가지고 있으며, 모든 제품에 동일한 마크다운 트리거를 적용하면 최적이 아닌 결과가 보장됩니다. 수요가 초반에 집중되는 제품(트렌드 아이템, 특정 이벤트에 연결된 제품)은 초기 판매 기회를 놓치면 공격적인 조기 마크다운이 필요합니다. 수요가 감소하기만 할 것이기 때문입니다. 수요가 후반에 집중되는 제품(시즌 기본 아이템, 홀리데이가 다가올수록 선물용 아이템)은 수요가 자연스럽게 가속화되므로 더 오래 정가를 유지할 수 있습니다.

너무 일찍 할인하는 비용은 보이지 않지만 실재합니다. 2주 후에 정가로 팔렸을 제품에 25% 마크다운을 적용하면 해당 기간 동안 판매되는 모든 단위의 마진이 파괴됩니다. 할인이 필요 없었던 마크다운 기간 동안 200개가 판매되고, 평균 판매 가격이 50달러에서 37.50달러로 떨어진다면, 단일 제품에서 2,500달러의 불필요한 마진 손실이 발생합니다.

AI 모델의 마크다운 접근 방식

AI 마크다운 최적화 모델은 각 제품의 특정 수요 궤적, 잔여 재고, 잔여 판매 시간, 그리고 다양한 할인 수준에 대한 예상 반응을 기반으로 각 제품을 개별적으로 평가합니다. 이 모델은 세 가지 질문에 답합니다: 이 제품을 지금 할인해야 하는가, 할인해야 한다면 최적의 할인 깊이는 얼마인가, 그리고 현재 마크다운이 목표 판매 소진율을 달성하지 못할 경우 다음 마크다운은 언제 적용해야 하는가.

수요 궤적 분석은 제품의 판매 이력에 곡선을 적합시키고 이전 시즌의 유사 제품과 비교합니다. 겨울 재킷이 처음 6주 동안 800개 중 300개를 판매했다면, 모델은 이전 연도의 같은 시점에서 유사한 재킷이 어떤 성과를 보였는지 확인합니다. 유사 제품이 일반적으로 6주차까지 재고의 35-40%를 판매한 후 가속화되었다면, 현재 속도는 정상이며 마크다운이 필요하지 않습니다. 6주차까지 37%만 판매한 유사 제품이 역사적으로 재고를 소진하기 위해 50% 이상의 마크다운이 필요했다면, 조기 조치가 필요합니다.

가격 탄력성 추정은 주어진 할인이 얼마나 많은 추가 판매량을 생성할지 모델에 알려줍니다. 가격 탄력성이 높은 제품에 20% 할인을 적용하면 주간 판매가 80% 증가할 수 있지만, 비탄력적인 제품에 동일한 할인을 적용하면 판매가 20%만 증가할 수 있습니다. 모델은 과거에 유사 제품이 할인되었을 때 판매량에 어떤 변화가 있었는지를 살펴보며 과거 마크다운 데이터에서 제품 수준의 탄력성을 학습합니다.

그런 다음 최적화는 각 가능한 할인 수준에서의 예상 마진을 계산합니다. 할인 없음은 단위당 마진은 높지만 시즌 말에 미판매 재고의 위험이 있습니다. 20% 할인은 단위당 마진을 줄이지만 판매 소진을 가속화합니다. 40% 할인은 더 가속화하지만 가파른 마진 비용이 발생합니다. 모델은 나중에 더 깊은 마크다운이 필요할 확률을 포함하여 잔여 판매 기간 전체에서 총 예상 마진을 극대화하는 할인을 선택합니다.

카테고리별 고려 사항

패션 및 의류 제품은 스타일이 유행했다가 사라지고, 사이즈가 잔여 재고를 분산시키며(XS와 XXL은 많고 M과 L은 품절), 판매 기간이 비교적 짧기 때문에 마크다운 노출이 가장 높습니다. AI 모델은 사이즈 커브 소진을 고려해야 합니다: 전체 판매 소진율이 적절해 보이더라도, 인기 사이즈가 품절된 제품은 남은 사이즈가 느리게 판매될 것이므로 마크다운이 필요할 수 있습니다.

가전제품은 다른 패턴을 따릅니다. 경쟁사의 신제품 출시가 기존 재고의 매력을 하룻밤 사이에 떨어뜨릴 수 있습니다. 모델은 제품 수명 주기 단계와 경쟁사 출시를 특성으로 통합해야 합니다. 출시 10개월이 지나고 새 모델로 곧 대체될 노트북은 출시 3개월 차인 노트북과는 다른 공격적인 마크다운 타이밍이 필요합니다.

홈 및 가든 제품은 비교적 예측 가능한 수요 패턴과 함께 강한 계절성을 가지고 있습니다. 이러한 카테고리의 마크다운 모델은 패션보다 연도별 수요 형태가 더 일관적이기 때문에 과거 시즌 곡선에 더 크게 의존할 수 있습니다. 파티오 가구 세트는 날씨 패턴에 따라 이동하지만 매년 거의 같은 수요 곡선을 따릅니다.

구현 접근 방식

대부분의 소매업체는 AI 마크다운 최적화를 단계적으로 구현합니다. 1단계에서는 정적 규칙을 머천다이징 팀이 검토하고 승인하는 모델 생성 추천으로 대체합니다. 모델은 마크다운을 추천하는(또는 마크다운에서 제거를 추천하는) 각 제품, 제안된 할인 수준, 그리고 근거를 보여주는 주간 보고서를 생성합니다. 머천다이저는 각 추천을 수락하거나 재정의합니다.

2단계에서는 위험이 낮은 의사 결정에 대한 자동화를 도입합니다. 특정 재고 가치 이하이거나 모델이 정확성을 입증한 카테고리의 제품은 가드레일(최대 할인 30%, 최소 마진 하한선, 주당 1회 이하 변경) 내에서 마크다운이 자동으로 적용될 수 있습니다. 머천다이저는 사후에 자동화된 결정을 검토하고 다음 주기에 대해 재정의할 수 있습니다.

3단계에서는 모델을 확장하여 전체 시즌 포트폴리오에 걸쳐 마크다운 타이밍을 최적화합니다. 각 제품을 독립적으로 평가하는 대신, 모델은 프로모션 이벤트가 어떻게 상호작용하는지(너무 많은 제품에 동시에 마크다운을 실행하면 그 효과가 희석됨)를 고려하고 총 마진 회수를 극대화하기 위해 구색 전체에 마크다운 예산을 배분합니다.

데이터 요구 사항은 관리 가능합니다. 시즌 패턴을 포착하기 위해 최소 2년간의 SKU별 일일 판매 데이터, 각각의 할인 수준과 날짜가 포함된 과거 마크다운 이벤트, 현재 재고 현황, 시즌 제품의 계획된 판매 기간, 그리고 유사성 분석을 위한 제품 속성(카테고리, 브랜드, 가격대)이 필요합니다.

시즌 재고를 관리하는 이커머스 소매업체의 경우, 좋은 마크다운 전략과 나쁜 마크다운 전략의 차이는 해당 제품의 총 마진에서 5-15%에 달하는 경우가 많습니다. 소매 가치로 수백만 달러에 달하는 시즌 구색 전체에 적용하면, 그 마진 회수는 상당한 금액으로 누적되며, 최적화 시스템 비용을 여러 번 충당하고도 수익에 의미 있는 영향을 남길 만큼 충분한 경우가 많습니다.