[논문 리뷰] Fashion Retail: Forecasting Demand for New Items

Pawan Singh, Yadunath Gupta외 2명|arXiv (Cornell University)|2019. 06. 27.

Generative Adversarial Networks and Image Synthesis참고 문헌 13인용 수 10

한 줄 요약

이 논문은 신제품의 패션 아이템 수요를 예측하기 위해 속성 임베딩과 트리 기반 모델을 사용하는 기계학습 프레임워크를 제안하며, 딥러닝 기준 모델보다 뛰어난 성능을 달성한다. 실제 운영 환경에서 모델을 적용한 결과, 신발 브랜드의 손도율이 연간 10%와 7% 향상되었다.

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.

연구 동기 및 목표

• 기존 판매 데이터가 없는 신제품 패션 아이템의 수요 예측 과제를 해결하기 위해.
• 신제품 스타일의 수요를 이끄는 옷 속성과 유통 요인을 특정하기 위해.
• 이전 판매 데이터 없이도 항목 속성만을 사용해 수요를 예측할 수 있는 일반화된, 구현 가능한 모델을 구축하기 위해.
• 패션 소매에서 재고 계획을 개선하고 과잉 생산 및 미소매 잔여 재고를 줄이기 위해.
• 계절별 어셈블리 플래닝, 제품 선택 및 드롭 일정 설정에서 데이터 기반 의사결정을 가능하게 하기 위해.

제안 방법

• 저자들은 브랜드, 색상, 카테고리, 가격 등의 패션 아이템 특성을 표현하기 위해 속성 임베딩을 사용한다.
• 트리 기반 모델(XGBoost, CatBoost, LightGBM)을 적용하고, 수요 예측에 대해 딥러닝 모델(LSTM, MLP)과 비교한다.
• 예측 오차를 최소화하기 위해 가중 평균 절대 오차(wMAPE) 손실 함수를 사용해 모델을 훈련한다.
• 특징 공학에는 테스트 시점에서 훈련 데이터 저장 없이 추론이 가능하도록 보장하는 변환 기법이 포함된다.
• 항목 수준 및 주 단위 예측을 통해 드롭 플래닝 및 예산 배분과 같은 비즈니스 용도를 지원한다.
• 모델 성능은 6,732개의 시계열에 대해 테스트 데이터에서 wMAPE, 피어슨 상관계수, 켄달 타우를 사용해 평가된다.

실험 결과

연구 질문

• RQ1 트리 기반 모델이 LSTM 및 MLP와 같은 딥러닝 모델보다 신제품 패션 아이템의 수요 예측에서 뛰어나게 성능을 내는가?
• RQ2 어떤 패션 속성과 유통 요인이 신제품 수요에 가장 강하게 영향을 미치는가?
• RQ3 속성 임베딩과 공학된 특징이 새로운 항목에 대한 수요 예측을 일반화하는 데 얼마나 효과적인가?
• RQ4 이 모델은 손도율 및 재고 효율성과 같은 실제 비즈니스 지표를 향상시킬 수 있는가?
• RQ5 산업적 소매 환경에서 이러한 모델을 대규모로 구현할 때의 주요 과제는 무엇인가?

주요 결과

• XGBoost가 MSE 손실을 사용해 테스트 데이터에서 wMAPE 0.51을 기록하며, LSTMs와 MLPs를 포함한 모든 다른 모델을 앞서나갔다.
• 트리 기반 모델은 딥 네트워크를 일관되게 능가했으며, XGBoost는 피어슨 상관계수 0.89와 켄달 타우 0.74를 기록했다.
• 2018년 가을 겨울 시즌 동안 실제 운영 환경에서 모델을 적용한 결과, 두 주요 신발 브랜드의 손도율이 각각 연간 10%와 7% 향상되었다.
• 계절별 어셈블리 플래닝에 도입된 모델은 더 나은 예산 배분을 가능하게 하고 직관 기반 예측에 대한 의존도를 줄였다.
• 모델 예측 기반의 자동 드롭 플래닝은 재고 불균형을 감소시키고 공간 활용도를 향상시켰다.
• 이미지 기반 특징은 초보적으로 유망한 성과를 보였지만, 실제 환경에서의 확장성과 견고성 평가가 추가로 필요하다.