ファッションEコマースのセールキャンペーンにおいて、価格設定は非常に困難な課題です。需要パターンは変動が激しく、短期収益と長期収益性のバランスを取る必要があります。従来の週次粒度システムでは意思決定に数時間を要し、迅速な対応が難しかったのです。
この問題に対処するため、Zalandoの研究チームは「予測してから最適化する」アーキテクチャに基づくアルゴリズム価格設定ツールを開発しました。このツールの中核は、勾配ブースティングツリーを用いた日次解像度の需要予測です。週次予測と比較して、日次予測は需要の微細な変動を捉えることができ、セール期間中のタイムリーな価格調整が可能になります。予測モデルは500万以上の商品をカバーし、過去の販売データやイベント特性を学習しています。
予測に基づいて、研究チームは長期利益と正味商品価値を同時に最大化する多目的最適化フレームワークを構築しました。長期利益は顧客ライフタイム全体の収益性を考慮し、正味商品価値は商品自体の回転率と粗利率に焦点を当てています。これらの目標はトレードオフの関係にありますが、重み付けやパレート最適化により最適なバランスを見つけます。この最適化問題は大規模な混合整数計画であり、数分以内に解く必要があるため、効率的なヒューリスティックアルゴリズムと並列計算が採用されています。
従来の手動とアルゴリズムのハイブリッドアプローチと比較して、新しいシステムは価格決定時間を数時間から数分に短縮しました。研究チームは2023年から2024年にかけて、欧州12市場で23のA/Bテストを実施しました。各テストでは、ランダムに選択された商品サブセットに新アルゴリズムを適用し、対照群は従来手法のままとしました。結果、新システムは利益を約6%向上させ、売上と収益は同等に維持されました。これらの結果は統計的に有意であり、手法の有効性が検証されました。
これらの好結果に基づき、Zalandoは本アルゴリズムを本番環境に導入し、現在セールキャンペーンの大部分のアルゴリズム価格決定を担当しています。導入過程では、システム統合、リアルタイムパフォーマンス監視、異常処理などの工学的課題を克服しました。また、アルゴリズムは拡張性を考慮して設計されており、さらに多くの商品や新しいセールイベントに容易に適用可能です。
本研究の貢献は、エンドツーエンドの価格設定システムの実装を示しただけでなく、大規模実証を通じて高頻度価格設定の実際のビジネス価値を証明したことにあります。学術界にとっては、機械学習とオペレーションズリサーチを組み合わせた事例を提供し、多段階動的価格設定や競合反応などの未解決問題を示しています。Eコマース業界にとっては、このツールは顧客体験への影響を最小限に抑えながら収益性向上の実行可能なソリューションを提供します。
今後、研究チームは予測モデルのさらなる改善、例えば深層学習を導入して複雑な非線形関係を捉えることや、リアルタイムデータストリームとの連携を計画しています。また、セールキャンペーンだけでなく日常的な価格設定にもアルゴリズムを適用し、その価値をさらに拡大することを目指しています。