[論文レビュー] Fashion Retail: Forecasting Demand for New Items

Pawan Singh, Yadunath Gupta+2 more|arXiv (Cornell University)|Jun 27, 2019

Generative Adversarial Networks and Image Synthesis参考文献 13被引用数 10

ひとこと要約

本稿では、属性埋め込みと木ベースのモデルを用いた機械学習フレームワークを提案し、深層学習ベースラインを上回る優れたパフォーマンスを達成した。実運用において、靴ブランドで売上率が年間10%および7%向上した。

ABSTRACT

Fashion merchandising is one of the most complicated problems in forecasting, given the transient nature of trends in colours, prints, cuts, patterns, and materials in fashion, the economies of scale achievable only in bulk production, as well as geographical variations in consumption. Retailers that serve a large customer base spend a lot of money and resources to stay prepared for meeting changing fashion demands, and incur huge losses in unsold inventory and liquidation costs [2]. This problem has been addressed by analysts and statisticians as well as ML researchers in a conventional fashion - of building models that forecast for future demand given a particular item of fashion with historical data on its sales. To our knowledge, none of these models have generalized well to predict future demand at an abstracted level for a new design/style of fashion article. To address this problem, we present a study of large scale fashion sales data and directly infer which clothing/footwear attributes and merchandising factors drove demand for those items. We then build generalised models to forecast demand given new item attributes, and demonstrate robust performance by experimenting with different neural architectures, ML methods, and loss functions.

研究の動機と目的

• 新作ファッションアイテムの過去販売データが一切ない状況での需要予測の課題に対処すること。
• 新スタイルの需要を左右する主な衣料品属性およびマーケティング要因を特定すること。
• 過去販売データに依存せず、アイテムの属性のみを用いて需要を予測できる汎用的かつ運用可能なモデルを構築すること。
• 在庫計画の改善と過剰生産および未販売在庫の削減を目的としたファッション小売業における意思決定の最適化。
• 季節ごとのアレンジメント計画、製品選定、ドロップスケジューリングにおけるデータ駆動型意思決定を可能にすること。

提案手法

• 著者らは、ブランド、色、カテゴリー、価格などのファッションアイテムの特徴を表すために属性埋め込みを用いる。
• 木ベースのモデル（XGBoost、CatBoost、LightGBM）を用い、深層学習モデル（LSTM、MLP）と比較して需要予測を実施する。
• 予測誤差を最小化するために、重み付きMAPE（wMAPE）損失関数を用いてモデルを訓練する。
• 特徴工学には、推論時にトレーニングデータの保存を必要としない変換を含める。
• アイテムレベルおよび週単位の予測を用いて、ドロップ計画や予算配分といったビジネスユースケースを支援する。
• モデルのパフォーマンスは、6,732個の時系列データに対してテストデータ上でwMAPE、ピアソン相関、ケンドールのタウを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 木ベースのモデルは、LSTM や MLP といった深層学習モデルを上回り、新作ファッションアイテムの需要予測において優れた性能を示せるか？
• RQ2 どのファッション属性およびマーケティング要因が新製品の需要に最も強く影響を与えるか？
• RQ3 属性埋め込みと特徴工学により、未確認のアイテムに対しても需要予測を一般化できるか？
• RQ4 本モデルは、売上率や在庫効率といった実世界のビジネス指標を改善できるか？
• RQ5 産業的ファッション小売環境において、このようなモデルをスケールして導入するにあたり、主な課題は何か？

主な発見

• XGBoost（MSE損失）は、テストデータ上でwMAPEが0.51を達成し、LSTM や MLP など他のすべてのモデルを上回った。
• 木ベースのモデルは一貫して深層ニューラルネットワークを上回り、XGBoostはピアソン相関0.89、ケンドールのタウ0.74を達成した。
• 2018年秋冬シーズンに実運用した結果、2つの主要な靴ブランドで売上率が年間10%および7%向上した。
• 季節ごとのアレンジメント計画への導入により、より良い予算配分が可能になり、直感的予測への依存が減少した。
• モデル予測に基づく自動ドロップ計画により、在庫の不均衡が軽減され、スペース活用効率が向上した。
• 画像ベースの特徴量は初期段階で有望な結果を示したが、実運用におけるスケーラビリティと耐久性をさらに評価する必要がある。