Zara 透過預測優化清倉折扣，營收提升約 6%。

Zara 銷售快速變動的商品組合，且季中促銷極少，因此多數未售出的庫存會在清倉拍賣期間降價出清；2008 年這些清倉活動創造了超過十億歐元的收入。直到 2007 年，折扣決策仍以人工且非正式的方式做出，幾乎沒有歷史價格資料可供學習。

UCLA 的 Felipe Caro 與倫敦商學院的 Jérémie Gallien 與 Zara 的定價團隊合作，建立一套分為兩部分的流程：正式的需求預測模型預測各商品群組的需求，價格優化模型則將這些預測轉化為門市人員可執行的折扣建議。價格以國家及群組為單位設定，而非針對個別商品，因此該方案在門市現場仍可執行。

在 2008 年秋冬清倉期間，於比利時與愛爾蘭所有門市進行的受控實地實驗中，新流程使清倉營收增加約 6%。Zara 隨後在全球採用此流程來決定清倉折扣。

依據預測需求而非慣性來優化折扣。

舊流程幾乎沒有價格歷史可供學習；新流程先預測需求，因此價格有憑據可循。

將商品分群使優化器保持實用：門市人員只需執行少數幾個價格群組，而非數千個個別價格。

在比利時與愛爾蘭所有門市進行的受控實地測試，使約 6% 的營收增幅在全球推行前即可被衡量。

當同一項決策在數千項產品上反覆出現時，應以「預測驅動優化器」取代行禮如儀的做法；先在受控測試中證明效益，再全面推行。

Zara 在全球採用此流程來決定清倉折扣，該論文也成為零售業折扣優化的參考案例，其工作版本公開刊載於 eScholarship。