現代の小売業では、商品の「マークダウン」は、商品自体に欠陥があるのではなく、初期配置または流通の誤りを示していることが多くあります。すべてのマークダウンは、潜在的な収益の損失を意味しています。小売業者にとって持続的な課題は、バランスを取ることです。顧客の需要を効果的に満たしながら、同時に過剰在庫の蓄積を緩和する必要があります。研究によれば、動きのない、または売れ残った在庫は、大きな経済的負担をもたらします。これは、売上が出ない商品に結ばれた資本、保管スペース、保険、税金、および減価償却に関連するコストが原因です。これはしばしばより高い機会費用につながります。売上が出ない在庫に費やされたお金は、収益性が高く、回転の速い商品に使用できないからです。小売業者は、これを緩和するためにマークダウンおよびクリアランスに頼ることが多くあります。
ただし、積極的でインテリジェントなソーシングアプローチは、マークダウンを最小化するのに役立つことができます。冬のコートが暖かいサンディエゴの店舗に置かれていて、最終的にはクリアランスに出されるが、シカゴの同じコートは売り切れかもしれないというシナリオを考えてください。従来の注文管理システム（OMS）は、「最も近い店舗から満たす」という静的ロジックでソーシングを試みていますが、将来の需要と外部要因を理解するためのニュアンスが欠けています。
静的なルールセットに従う従来のソーシングロジックとは異なり、AIエージェントは推論し、マルチモーダルコンテキストを収集し、マージンを保護するために自律的な決定を下すことができます。小売業者は、エージェントによって実行される分散ロジックを使用してマークダウン回避ルールを定義できます。エージェントは、受け取る注文（需要）、外部イベント、社会的トレンド、および在庫数、現在および過去の履行率、および予定されている受取在庫に基づいた履行ノードを評価します。基本的に、これは位置をランク付けすることで、その商品をすばやく販売できる可能性に基づいて注文を満たす最適なノードを導き出すメカニズムを設定します。
関連トピック: リアルタイムデータが日々の小売意思決定をどのように変えているか
従来のソーシング対動的な現実
ほとんどのOMSプラットフォームは、静的なソーシングルールを提供しています。最も近い店舗から満たす、または最も在庫が多い店舗から満たします。基本的な操作には効果的ですが、これらの静的ルールは、商品の販売速度と履行の真のコストに影響を与える可能性のある複数の異なる要因を考慮していません。これは、しばしば以下の結果につながります。
- 閉じ込められた在庫: 商品は、販売が遅い店舗に置かれている可能性があり、最終的にはクリアランスに出されます。
- 販売機会の喪失: 販売が速い店舗で在庫が不足している間に、他の場所で在庫が利用可能です。
- 非効率的なロジスティクス: 最適でないルーティングが、より高い配送コストまたは遅延につながります。
関連トピック: 小売業における現実時間視覚インテリジェンス
動的でデータ駆動型の優先順位付けのためのエージェンティックAIソリューション
エージェンティックAIシステムは、注文ソーシングエンジンを厳密なルールブックから動的で適応可能なものに変えます。AIエージェントは、サプライチェーンの包括的なビューを持ち、ローカル需要シグナルを考慮することで、最適な履行選択を積極的に決定します。
このエージェンティックアーキテクチャがどのように実際に機能するかについて説明します。
1. データ収集
注文が配置されると、OMSはソーシングオーケストレーターエージェントをトリガーします。このオーケストレーターは、サブエージェントをディスパッチして、可能なすべての履行ノード（店舗、倉庫、ドロップシップベンダー、またはダークストア）に関するインテリジェンスを収集します。
A. 保留中在庫チェック
静的システムは、現在の「手元」数量のみを確認します。エージェントは速度と受取フローを確認します。ランク付けのために次のデータが収集されます。
- 受取マニフェスト: エージェントは、次の「x」時間以内に補充が店舗Aに到着しているかどうかを確認します。その場合、店舗Bの最後のユニットを枯渇させるのではなく、そこから満たすほうがよいかもしれません。
- 受取返品: 返品開始データ（オンラインで生成されたRMAが運送中だが、まだ受け取られていない）を分析することで、エージェントはシステムに再進入する可能性がある在庫を「見る」ことができます。
- 紛失在庫チェック: エージェントはRFIDスキャン履歴を分析します。「在庫」を表示しているにもかかわらず、商品が「x」日間スキャンされていない場合、エージェントはそれをキャンセルを避けるために「紛失した/盗まれた可能性がある」とフラグを立て、その店舗のランク付けをダウングレードします。
B. 履行率スコア
マークダウンの回避は、運用上の失敗により注文がキャンセルされた場合に無用です。特定の場所がその特定のSKUの注文をどの程度迅速かつ確実に満たすかについての、過去および現在の測定値です。高い履行率を持つ店舗は、一般的により効率的です。次の要因が分析されます。
- 容量分析: エージェントは、労力管理システムをクエリします。今日、店舗は人員不足ですか？店舗Aが呼び出しと一連のBOPIS（オンラインで購入、店舗で受け取り）注文のバックログを持っている場合、その履行容量は事実上ゼロです。
- 事前通知ウィンドウ: 注文が今すぐ履行のためにドロップされた場合、店舗はそれを時間に選択、梱包、および発送できますか？
- 過去のトレンド: エージェントは過去のデータを確認します。この店舗は頻繁にキャリアピックアップウィンドウを逃しますか？顧客が迅速配送を支払った場合、この店舗は在庫レベルに関係なく優先度が低くなります。
C. ローカルイベント＆デマンドセンシング
エージェンティックAIはここで非常に効果的であり、外部の非構造化データを内部在庫システムと結ぶ橋です。AIエージェントは、イベントカレンダー、ニュースフィード、およびソーシャルメディアからの情報を活用して、需要を増加または減少させる可能性があるローカルイベントを特定します。例としては、チームの販売商品売上を促進する主要なスポーツイベント、より多くの訪問者を引き付けるフェスティバル、または足の運びに影響を与える道路封鎖などのローカルな混乱が含まれます。次のデータが評価されます。
- イベント相関: エージェントは、ローカルイベントAPI（Ticketmaster、Eventbriteなど）と統合します。たとえば、音楽コンサートがいくつかの場所で行われている場合、エージェントは近くの店舗で関連または関連商品の在庫を保護します。これは、他の州の顧客のためにオンライン注文を満たす店舗を優先度を下げ、その在庫をハイマージン、店舗内トラフィック向けに保存します。
- マイクロトレンド分析: エージェントはローカルソーシャルメディアトレンドを監視します。たとえば、特定のスニーカーが、ロサンゼルスのユーザーの間でソーシャルメディアでトレンドになっている場合、エージェントはローカルフルプライス販売のためにLA在庫を「リングフェンス」します。
D. 天候要因
天候は直後の必要性を駆動します。エージェントはこれを使用して「窮迫在庫」を予測します。現在および予測される天候条件は、需要とロジスティクスに直接影響を与えます。大雨は店舗内ショッピングを抑制し、地域配送を優先事項にする可能性があります。同様に、熱波は夏用衣料品の需要が急増する可能性があります。
次の例でそれを理解しましょう。都市が1週間の嵐を予期しているシナリオを想像してください。したがって、エージェントはローカルストアのレインギアを保存することを優先します。オンライン注文をドライな場所から履行されるようにルーティングし、その商品は停滞しそうです。逆に、寒冷前線がその都市に襲いかかった場合、そこの冬のコートは突然、フルプライス販売を通じての高い売却の可能性を持ちます。エージェントは、ローカルストアをオンライン注文の履行ハブとして使用するのを停止し、OMSに、コートが「デッドストック」である暖かい地域から調達することを強制します。
E. サプライチェーン継続性
エージェントは、サプライヤー遅延、港の混雑、海運ルートの破壊、または倉庫労働力不足など、受取（調達）サプライチェーンデータを監視して、各場所の在庫補充への潜在的な将来の影響を理解します。
- ロジスティクス監視: エージェントは、東海岸の補充在庫を運んでいるコンテナ船が2週間延期されていることを検出します。東海岸の現在の在庫を直ちにロックダウンし、在庫が豊富にある西海岸ハブから充実を強制します。これは、西海岸がマークダウンのリスク（ヘビー）を持っている間に、東海岸の店舗が空（在庫切れ）から実行されることを防ぎます。
2. ノードランク付け
大量のリアルタイムデータを使用して、エージェントは、各潜在的な履行店舗の洗練されたランク付けを作成します。このランク付けは、距離や在庫などの単純なメトリクスを超えています。この関数の主要な目標は、2つの主要な優先事項を達成することです。マークダウンを最小化し、速い顧客配送を保証します。
エージェントは、次のような要因を重視します。
- アイドル在庫: 特定のSKUのシーズン終わりまたは動きが遅い商品の高い数量を保有している店舗は、それがマークダウン責任になる前に、その在庫をクリアすることを優先します。
- 需要速度: ローカルイベントまたは天気が特定のSKUの需要を急増させることを示唆している場合（またはそうでない場合）、エージェントは優先度を調整できます。売り切れが予測される店舗は、過剰在庫を持ち、マークダウンリスクにある別の店舗と比較して、履行の優先度が低い場合があります。
- コスト分析: マークダウン回避がプライマリですが、エージェントは配送コストと配送速度も考慮できます。これは、バランスの取れた決定を保証します。たとえば、わずかに遠い店舗からの配送は、大幅なマークダウンを防ぐことで正当化されるかもしれません。
- 履行率: 証明された高い履行率を持つ店舗は、遅延と顧客の不満のリスクを減らします。
サブエージェントがデータを返すと、オーケストレーターエージェントは、各店舗の履行優先度スコア（FPS）をコンパイルします。このスコアは、履行優先度のランク付け店舗に使用できます。
エージェントは、次のようなランク付けを構築します。
- 最高優先度: 「デッドストック」アイテムがある店舗（「x」日間のローカル販売なし+天気ミスマッチ+ローカルイベントなし）。ここからすぐに配送して、スペースをクリアします。
- 中優先度: 過剰な在庫レベルを持つ店舗 – 平均的な売却を通じて高い在庫深度。
- 低優先度: 「高速度」の店舗（低供給週数+受取ローカルイベント+完璧な天気マッチ）。オンライン注文をここから満たさないでください。歩くと来る顧客のために保存してください。
3. 動的ルーティング
この絶えず更新される知的ランク付けに基づいて、エージェンティックAIに導かれたOMS、各注文に最適なソーシング決定を下します。これは静的な決定ではありません。条件が変わった場合（たとえば、突然の気象アラートまたは新しいローカルイベント）、エージェントは再評価し、まだ選ばれていない注文を再ルーティングできます。
マークダウン回避を超えた利点
注文ソーシングのためのエージェンティックAIの実装は、多くの利点をもたらします。
- マークダウンの大幅な削減: これが主要な目標であり、直接的に収益性に影響を与えます。
- 在庫使用の最適化: 在庫の各単位は、フルプライスで販売するための最良の位置に置かれます。
- 顧客満足度の向上: より速く、より信頼できる履行と製品の可用性。
- 運用効率の向上: 複雑なソーシング決定での手作業の削減。
- プロアクティブな問題解決: エージェントは、重大になる前に潜在的な在庫切れまたは過剰在庫を特定できます。
- より大きな復元力: システムは、極端な天候やサプライチェーンの衝撃など、予見できない混乱に動的に適応します。
エージェンティックAIの採用は、注文管理システムにとって根本的な変革を表しています。反応性エンジンから積極的でインテリジェントな戦略家への変換です。小売業者は、オンライン需要を活用して、最適でない場所に位置する動きが遅い在庫を効率的にクリアしています。この技術は、単に注文を満たすこと以上です。これは、真にシームレスで収益性が高く、適応可能なサプライチェーンを調整することについてです。各注文をインテリジェントにソーシングすることで、フルプライス販売を最大化し、顧客満足度を向上させます。
