ブランド品の相場をデータ化し、値付け作業を月40時間削減

ブランドリユースF社では、約60店舗でブランド品の買取と販売を行っていました。買取価格や販売価格の参考になる相場は担当者が毎日手で調べ、各店の買取・販売データは店舗ごとにExcelで管理していました。

課題：相場は手調べ、データは店舗ごとのExcelで分断していた

一点物のブランド品はひとつずつ相場が動くのに、その判断も集計も人手に頼っていました。

• 約60店舗の買取・販売データは、店舗ごとにExcelで管理され本部に集まるのは翌日以降だった
• 適正な買取価格や販売価格の相場は、担当者がモールや過去実績を毎日手で調べていた
• 楽天やメルカリなど販売チャネルが別管理で、どこで売るのが得かを横断で見られなかった
• 値付けが経験頼みのため、売れ残り（滞留在庫）と安売りがどちらも起きていた

店舗とチャネルが増えるほど、相場調べと集計の手間が膨らんでいました。

アプローチ：相場と在庫を1つの基盤に集め、価格を予測する

各店のExcel運用と手作業の相場調べをやめ、買取から販売までのデータを1か所に集めて、価格の判断を支える仕組みに組み替えました。

• データ取得：各店の買取・販売データや査定・在庫は日次でExcelにまとめてCloud Storageへ自動アップロードし、着信をCloud FunctionsがBigQueryへロード。自社EC（Shopify）はFivetranで、楽天やメルカリは各モールのAPIをCloud Functionsで取得します（いずれもCloud Schedulerで定期実行）。
• ストレージ・DWH：取り込んだデータは全社横断でBigQueryに集約。BigQueryの課金の考え方はBigQueryのコスト最適化で解説しています。
• 変換：dbtでブランドや型番、状態をまたいで比較できるデータモデルに整え、Elementaryで欠損や異常を継続的にチェックしています。
• 予測：整えたデータと相場をBigQuery MLにかけ、ブランド・型番ごとの適正な買取価格と販売価格、値下げのタイミングを出せるようにしました。
• 基盤・運用：全体の処理はCloud Composer（Airflow）で動かし、構成はTerraform、dbtはGitHub Actionsで管理。データの所在はDataplexで追えるようにしています。
• 可視化と現場還元：Looker Studioで本部と店舗が同じ数字を見られるダッシュボードを用意し、予測した価格は各店舗のPOSとECに推奨値として戻します。相場の急変や滞留在庫はSlackに通知しています。

全体の流れは次のようなパイプラインになっています。

このパイプラインの考え方はデータパイプラインとはで、基盤づくりの全体像はデータ基盤とはで整理しています。

成果：月40時間の値付け作業が消え、在庫回転率も約15%改善

担当者が毎日手で行っていた相場調べと集計はほぼなくなり、値付けにかけていた月40時間ほどの作業がほぼゼロになりました。買取価格も販売価格も、相場に連動した推奨値をその場で確認できます。

適正な価格と値下げのタイミングを出せるようになったことで、滞留在庫が減り、在庫回転率は約15%改善しました。店舗とECの在庫を横断で見て、売れやすいチャネルへ回せるようにもなっています。