[論文レビュー] Product age based demand forecast model for fashion retail

Rajesh Kumar Vashishtha, Vibhati Burman+4 more|arXiv (Cornell University)|Jul 10, 2020

Forecasting Techniques and Applications参考文献 17被引用数 9

ひとこと要約

本論文は、商品の年齢、属性、価格、時系列／店舗特徴を関数としてモデル化することで、ファッション小売における需要予測を6〜12か月先まで行う年齢ベースの需要予測モデルを提案する。RGBベースの色表現やサブクラス季節性インデックスなど、革新的な特徴工学を用いることで、従来の統計的手法およびディープラーニングベースラインを上回り、多国籍小売業者におけるアソートメント最適化フレームワークに統合された際には41％の収益向上を達成した。

ABSTRACT

Fashion retailers require accurate demand forecasts for the next season, almost a year in advance, for demand management and supply chain planning purposes. Accurate forecasts are important to ensure retailers' profitability and to reduce environmental damage caused by disposal of unsold inventory. It is challenging because most products are new in a season and have short life cycles, huge sales variations and long lead-times. In this paper, we present a novel product age based forecast model, where product age refers to the number of weeks since its launch, and show that it outperforms existing models. We demonstrate the robust performance of the approach through real world use case of a multinational fashion retailer having over 300 stores, 35k items and around 40 categories. The main contributions of this work include unique and significant feature engineering for product attribute values, accurate demand forecast 6-12 months in advance and extending our approach to recommend product launch time for the next season. We use our fashion assortment optimization model to produce list and quantity of items to be listed in a store for the next season that maximizes total revenue and satisfies business constraints. We found a revenue uplift of 41% from our framework in comparison to the retailer's plan. We also compare our forecast results with the current methods and show that it outperforms existing models. Our framework leads to better ordering, inventory planning, assortment planning and overall increase in profit for the retailer's supply chain.

研究の動機と目的

• 新規ファッション商品の歴史的販売データがなく、ライフサイクルが短く、リードタイムが長いという課題に対処すること。
• 希少でノイズの多いデータでも、6〜12か月先の予測を正確に行える堅牢な予測モデルを開発すること。
• 需要予測を、最適な新商品投入時期やアソートメント計画といった具体的なサプライチェーン意思決定にまで拡張すること。
• 需要予測モデルを、ビジネス制約を尊重しながら収益を最大化する包括的なサプライチェーンフレームワークに統合すること。
• 35,000 SKUおよび300店舗を有する多国籍ファッション小売業者での実装を通じて、モデルの実世界への影響を実証すること。

提案手法

• モデルは、商品の発売後経過週数（年齢）をコアな特徴量として用い、ファッション販売のライフサイクルダイナミクスを捉える。
• RGBベースの色表現をカテゴリー色ラベルの代わりに用いることで、埋め込み品質を向上させる、革新的な特徴工学を実施。
• 店舗固有の特徴、時系列的特徴、価格、製品属性（例：カテゴリー、季節性インデックス）を組み込むことで、予測精度を向上。
• 歴史的販売データを用いて、年齢および属性特徴量を入力とする、ディープラーニング（DL）とXGBoostベースのアンサンブルモデルを学習。
• 予測出力は、各店舗ごとの最適な商品リストと数量を決定するファッションアソートメント最適化モデルの入力として使用。
• 新商品の最適な投入フェーズ（例：フェーズ1、2、または3）をフレームワークが提案し、季節収益を最大化する。

実験結果

リサーチクエスチョン

• RQ1 歴史的販売データがなく、リードタイムが長く、変動が激しい新規ファッション商品の需要を、どのように正確に予測できるか？
• RQ2 伝統的な時系列モデルや属性ベースのモデルと比較して、商品の年齢（発売後経過時間）が、ファッション需要予測においてより効果的な特徴量となるか？
• RQ3 年齢ベースの予測を、包括的なサプライチェーン計画フレームワークに統合することで、どの程度収益が向上するか？
• RQ4 RGBベースの色表現といった、革新的な特徴工学により、予測精度をどの程度向上できるか？
• RQ5 新規ファッション商品の最適な投入時期は何か、そしてその時期を事前に予測可能か？

主な発見

• 年齢ベースのモデルは、小売業者の既存の計画プロセスと比較して、41％の収益向上を達成し、顕著なビジネスインパクトを示した。
• 特に、ライフサイクルが短く、過去販売データがない商品においても、ベースラインのXGBoostおよびディープラーニングモデルを上回る性能を示した。
• ドレスおよびキッズウェアの両分野において、販売予測が良好に機能し、大多数の店舗・商品ペアで過小または過剰予測が最小限に抑えられた。
• ドレスおよびキッズウェアにおいて、3つの異なるサイズプロファイルが店舗間で特定され、サイズ好みの地域的・人口統計的差異が示された。
• モデルは、新商品の最適な投入フェーズを効果的に提案でき、予測販売数量が投入タイミングによって顕著に変化することが明らかになった。
• 年齢ベースの予測とアソートメント最適化の統合により、在庫計画、発注、全体的なサプライチェーン利益率が向上した。