[논문 리뷰] EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge

Congcong Hu, Yuang Shi외 5명|arXiv (Cornell University)|2026. 02. 07.

Forecasting Techniques and Applications인용 수 0

한 줄 요약

이 논문은 대형 언어 모델 기반 이벤트 지식을 활용하여 예측을 향상시키는 전자상거래용 하이브리드 수요 예측 프레임워크를 제안한다.

ABSTRACT

Demand forecasting is a cornerstone of e-commerce operations, directly impacting inventory planning and fulfillment scheduling. However, existing forecasting systems often fail during high-impact periods such as flash sales, holiday campaigns, and sudden policy interventions, where demand patterns shift abruptly and unpredictably. In this paper, we introduce EventCast, a modular forecasting framework that integrates future event knowledge into time-series prediction. Unlike prior approaches that ignore future interventions or directly use large language models (LLMs) for numerical forecasting, EventCast leverages LLMs solely for event-driven reasoning. Unstructured business data, which covers campaigns, holiday schedules, and seller incentives, from existing operational databases, is processed by an LLM that converts it into interpretable textual summaries leveraging world knowledge for cultural nuances and novel event combinations. These summaries are fused with historical demand features within a dual-tower architecture, enabling accurate, explainable, and scalable forecasts. Deployed on real-world e-commerce scenarios spanning 4 countries of 160 regions over 10 months, EventCast achieves up to 86.9% and 97.7% improvement on MAE and MSE compared to the variant without event knowledge, and reduces MAE by up to 57.0% and MSE by 83.3% versus the best industrial baseline during event-driven periods. EventCast has deployed into real-world industrial pipelines since March 2025, offering a practical solution for improving operational decision-making in dynamic e-commerce environments.

연구 동기 및 목표

• 개선된 전자상거래 수요 예측의 필요성을 제기한다.
• 전통적 예측 방법과 LLM 유도 이벤트 지식을 통합하는 하이브리드 접근법을 제안한다.
• 이벤트 지식이 전자상거래의 예측 워크플로에 어떻게 통합될 수 있는지 시연한다.
• 이벤트 맥락으로 수요 예측을 보강하기 위해 LLM을 활용하는 방법을 제시한다.

제안 방법

• 전통적 수요 모델과 LLM 유도 이벤트 지식을 결합한 하이브리드 예측 프레임워크를 소개한다.
• LLMs로부터 이벤트 관련 지식을 추출하고 정리하여 예측에 정보를 제공한다.
• 이벤트 동안 수요 예측을 조정하기 위해 예측 파이프라인에 이벤트 신호를 통합한다.
• 정보 추출 및 엔터프라이즈 애플리케이션과 일치하는 소스와 기법을 활용한다.

실험 결과

연구 질문

• RQ1 대형 언어 모델로부터의 이벤트 지식을 예측 목적에 대해 어떻게 표현할 수 있는가?
• RQ2 전통적 방법과 비교했을 때 LLM 유도 이벤트 지식을 통합하는 것이 전자상거래 수요 예측을 향상시키는가?
• RQ3 이벤트 신호를 기존 예측 모델과 융합하는 최선의 방법은 무엇인가?
• RQ4 전자상거래 예측 파이프라인에서 LLM 기반 이벤트 지식을 배치하는 데 있어 실용적 고려사항은 무엇인가?

주요 결과

• 가용 발췌본에 정량적 발견은 제공되지 않았다.
• 이 연구는 전자상거래에서 수요 예측을 위해 LLM 기반 이벤트 지식을 활용하는 하이브리드 접근을 제시하는 데 초점을 맞춘다.
• 논문은 이벤트 정보를 예측 워크플로에 통합하는 것을 강조한다.
• 그 기여는 전자상거래 수요 예측, 대형 언어 모델, 정보 추출의 교차점에 위치한다.