[論文レビュー] Improving Sales Forecasting Accuracy: A Tensor Factorization Approach with Demand Awareness

Xuan Bi, Gediminas Adomavičius+2 more|arXiv (Cornell University)|Nov 6, 2020

Recommender Systems and Techniques参考文献 97被引用数 4

ひとこと要約

本稿では、正則化CPDフレームワークを用いて店舗および商品間の需要動態をモデル化することで、販売予測の精度を向上させるテンソル因子分解手法ATLASを提案する。時間的パターンをSARIMAおよびLSTMモデルと統合することで、特にスパースなデータ環境下でも顕著な精度向上を達成し、16500万件を超える取引を含む8つのIRI食品小売データセットで実証された。

ABSTRACT

Due to accessible big data collections from consumers, products, and stores, advanced sales forecasting capabilities have drawn great attention from many companies especially in the retail business because of its importance in decision making. Improvement of the forecasting accuracy, even by a small percentage, may have a substantial impact on companies' production and financial planning, marketing strategies, inventory controls, supply chain management, and eventually stock prices. Specifically, our research goal is to forecast the sales of each product in each store in the near future. Motivated by tensor factorization methodologies for personalized context-aware recommender systems, we propose a novel approach called the Advanced Temporal Latent-factor Approach to Sales forecasting (ATLAS), which achieves accurate and individualized prediction for sales by building a single tensor-factorization model across multiple stores and products. Our contribution is a combination of: tensor framework (to leverage information across stores and products), a new regularization function (to incorporate demand dynamics), and extrapolation of tensor into future time periods using state-of-the-art statistical (seasonal auto-regressive integrated moving-average models) and machine-learning (recurrent neural networks) models. The advantages of ATLAS are demonstrated on eight product category datasets collected by the Information Resource, Inc., where a total of 165 million weekly sales transactions from more than 1,500 grocery stores over 15,560 products are analyzed.

研究の動機と目的

• 店舗および商品間の協調的情報を活用することで、小売業における販売予測精度の向上を図ること。
• 特定の店舗・商品組み合わせの歴史的販売データがスパースな状況において、協調的モデリングにより課題を解決すること。
• 消費者需要の動的パターンを予測に組み込み、店舗および商品間の競合関係を反映させること。
• 複数の製品カテゴリおよび時間期間に一般化可能なスケーラブルで統合的なフレームワークを構築すること。
• テンソル因子分解を将来の時間期間にまで拡張可能なハイブリッド統計的およびディープラーニング手法を用いて、前向き予測を可能にすること。

提案手法

• 販売データを、店舗、商品、時間の3モードを持つ3次テンソルとして定式化し、マルチウェイ分解を可能にする。
• コアネル・ポリアドック分解（CPD）を適用し、店舗、商品、時間的パターンを表す低ランクの潜在要因を抽出する。
• 地域の消費者需要動態に基づく、独創的な需要に配慮した正則化項を導入。この項は、近隣の店舗間での販売の共分散行列としてモデル化される。
• SARIMAおよびLSTMといった最先端の時系列モデルをテンソルフレームワークに統合し、学習済み潜在要因から将来の販売を外挿予測する。
• 収束保証付きの交互最小二乗法を用いて、正則化付きテンソル因子分解を最適化する。
• ハイブリッドモデリング戦略を採用：過去データでCPDを学習し、その後、学習済み成分に基づいてSARIMA/LSTMを用いて将来の時間スライスを予測する。

実験結果

リサーチクエスチョン

• RQ1 標準的な協調フィルタリング手法と比較して、統合的テンソル因子分解モデルは、複数の店舗および商品において販売予測精度を向上させることができるか？
• RQ2 店舗間の販売相関としてモデル化される需要動態を組み込むことで、特にデータが少ない環境下で予測性能がどのように向上するか？
• RQ3 テンソル因子分解と組み合わせたハイブリッド時系列モデル（SARIMAおよびLSTM）は、外挿予測精度をどの程度向上させるか？
• RQ4 ATLASは、データスパarsityが異なる多様な製品カテゴリにおいて、ベースライン手法（例：BPTF、TRMF、CPD）と比較してどの程度の性能を示すか？
• RQ5 需要に配慮した正則化は、実世界の小売データセットにおけるモデルの一般化能力およびロバストネスにどのような影響を与えるか？

主な発見

• ATLASは、IRIデータセットの全8つの製品カテゴリにおいて、BPTF、TRMF、CPDなどのベースライン手法を上回る顕著な予測精度向上を達成した。
• 全カテゴリで平均絶対スケーリング誤差（MASE）が最低となり、最先端のベースラインと比較して5%から20%以上の改善が見られた。
• 需要に配慮した正則化を組み込むことで、協調信号が極めて重要なスパースなデータ環境下で、予測誤差が顕著に低減された。
• SARIMAおよびLSTMをハイブリッドで用いることで、将来予測の精度が向上し、特に長期予測においてLSTMの性能が顕著に優れていた。
• 計算効率も維持されている：ファジングピザデータセットでは1.83時間、トゥースパーストデータセットでは0.81時間で実行され、SARIMA（28.07および18.49時間）を上回り、CPDやBPTFといった単純なモデルに近い速度に近づいた。
• 多様な製品カテゴリにわたり、モデルのロバストネスが確認され、実世界の小売予測環境における広範な適用可能性が示された。