小売
玩具・ホビーチェーンのAI価格最適化システム
商品コードのない商品まで競合価格をAIで突き合わせ、価格調査の自動化率90%(想定)と利益率の改善を狙う
PythonOpenAI APIReactTypeScriptPostgreSQLAWS
約90%
競合価格調査の自動化率
商品コードのない商品を含む
承認制
AI提案の価格改定ワークフロー
根拠付き提案を人が確認して一括適用
日次
競合価格の更新と改定提案
旧運用 週次の手作業調査
想定期間5〜7ヶ月(画像マッチングの検証を含む)
想定体制PM 1名 + AIエンジニア 1名 + エンジニア 2名
※数値・期間・体制は想定事例に基づく試算です。
課題
商品価格の自動調整システムは導入済みだったが、商品コードのない中古品や限定品はデータを自動取得できず、競合店の価格調査が及ばない。価格に迷えば大手チェーンに合わせるしかなく、値付けは担当者の勘に頼っていた。玩具・ホビーは相場の変動が速く、価格判断の遅れは粗利と在庫回転に直結する。外部サービスの提案は自社の業務フローに合わず柔軟性に欠ける — 値付けの仕組みそのものが利益率を左右する経営課題だった。
アプローチ
AIの値付けをそのまま店頭に反映する仕組みは、現場が信頼しない。BREAKEDGEは提案→人の承認→一括適用のワークフローを先に固め、AIは根拠付きの提案役に徹する設計にする。OpenAI APIの画像認識とテキスト分析で、商品コードのない商品も画像と商品名で競合商品と自動マッチングし、Pythonで競合サイトの価格を収集・分析する。在庫数と販売速度から需給を加味した適正価格を算出し、React/TypeScriptの管理画面で提案の承認と一括適用を行えるようにする。PostgreSQLに価格と販売の履歴を蓄積し、AWS上で日次の自動更新を回す。
想定される成果
価格調査の自動化率はコードなし商品を含めて約90%へ上がり、価格調査の人的工数は大幅に削減される見込み。需給を加味した適正価格で利益率が改善し、在庫回転率も向上する。価格と販売の関係がデータとして残ることで仕入れ判断にも使え、価格改定の効果と粗利の推移を経営層が同じ画面で確認できるようになる。
同じような課題をお持ちですか？
お問い合わせ