[論文レビュー] One Global Model, Many Behaviors: Stockout-Aware Feature Engineering and Dynamic Scaling for Multi-Horizon Retail Demand Forecasting with a Cost-Aware Ordering Policy (VN2 Winner Report)

Bartosz Szabłowski|arXiv (Cornell University)|Jan 26, 2026

Forecasting Techniques and Applications被引用数 0

ひとこと要約

VN2 勝利ソリューションは、予測-最適化の2段階パイプラインを使用します。グローバルな多期CatBoost予測と在庫切れ時の特徴を組み合わせ、コストを意識した発注方針を適用します。

ABSTRACT

Inventory planning for retail chains requires translating demand forecasts into ordering decisions, including asymmetric shortages and holding costs. The VN2 Inventory Planning Challenge formalizes this setting as a weekly decision-making cycle with a two-week product delivery lead time, where the total cost is defined as the shortage cost plus the holding cost. This report presents the winning VN2 solution: a two-stage predict-then-optimize pipeline that combines a single global multi-horizon forecasting model with a cost-aware ordering policy. The forecasting model is trained in a global paradigm, jointly using all available time series. A gradient-boosted decision tree (GBDT) model implemented in CatBoost is used as the base learner. The model incorporates stockout-aware feature engineering to address censored demand during out-of-stock periods, per-series scaling to focus learning on time-series patterns rather than absolute levels, and time-based observation weights to reflect shifts in demand patterns. In the decision stage, inventory is projected to the start of the delivery week, and a target stock level is calculated that explicitly trades off shortage and holding costs. Evaluated by the official competition simulation in six rounds, the solution achieved first place by combining a strong global forecasting model with a lightweight cost-aware policy. Although developed for the VN2 setting, the proposed approach can be extended to real-world applications and additional operational constraints.

研究の動機と目的

• 需要予測を在庫切れとリードタイムの下でコスト意識のある発注決定へ翻訳することを動機づける。
• 異質で断続的な小売時系列を扱う、拡張性のあるグローバル予測アプローチを提案する。
• 予測を、不足と保有コストのトレードオフを行う堅牢で解釈可能な発注 decisionsへ翻訳する。
• VN2 でグローバルモデルと軽量なポリシーが、系列ごとのチューニングより優れており、現実的な制約へ拡張可能であることを示す。

提案手法

• ステージ1: タブular 表現の全店舗–製品時系列に対して CatBoost を用い、グローバルな多期需要予測モデルを訓練する（3週間の horizon）。
• ステージ2: 供給週までの在庫を予測し、 shortage と holding costs のバランスを取る在庫方針を適用する。
• 在庫切れ censored 需要は、在庫切れを考慮した特徴量設計とシリーズごとのスケーリング戦略によって、レベルよりもパターンを強調して扱う。
• 行動変化と最近の需要変動に適応するため、時系列減衰観測ウェイトを組み込む。
• {1,2,3} の各 h に対して直接的な多期予測アプローチを用い、誤差累積を回避し、 horizon-specific なモデリングを維持する。
• モジュール化された2段階パイプラインを示し、予測と発注決定を分離してスケーラビリティと解釈性を確保する。

実験結果

リサーチクエスチョン

• RQ1 VN2 のような設定で、単一のグローバルモデルが多数の時系列にわたる多様な需要パターンを学習できるか。
• RQ2 特徴量設計を通じて在庫切れの検閲を効果的に緩和し、 forecast-driven な在庫決定を改善できるか。
• RQ3 3週間先予測を用いた軽量なコスト意識型発注方針が、リードタイムと非対称コスト下で総コストを改善するか。
• RQ4 提案された2段階フレームワークは、VN2 以外の追加的な運用制約にも拡張可能でスケーラブルか。

主な発見

• このソリューションは、強力なグローバル予測モデルと軽量なコスト意識方針を組み合わせることで VN2 コンペで優勝した。
• 在庫切れを考慮した特徴量、系列ごとのスケーリング、時系列減衰観測ウェイトは、異質な系列全体で予測の頑健性を向上させる。
• 予測モデルは CatBoost を用いた直接的な3ホライズン戦略で、全系列に対して t+1 から t+3 の予測を生成する。
• 系列ごとのスケーリングは高ボリューム系列の支配を減らし、時系列のパターンを強調する。
• このアプローチはモジュール化されており、追加の制約を伴う現実世界の設定へ拡張可能である。