[논문 리뷰] Improving Sales Forecasting Accuracy: A Tensor Factorization Approach with Demand Awareness

Xuan Bi, Gediminas Adomavičius외 2명|arXiv (Cornell University)|2020. 11. 06.

Recommender Systems and Techniques참고 문헌 97인용 수 4

한 줄 요약

이 논문은 IRI 식료품 데이터셋에서 1억 6,500만 건 이상의 거래를 바탕으로, 정규화된 CPD 프레임워크를 사용해 매장과 제품 간 수요 역학을 모델링함으로써 판매 예측 정확도를 향상시키는 텐서 분해 방법인 ATLAS를 제안한다. 시간적 패턴을 SARIMA 및 LSTM 모델을 통해 통합함으로써 ATLAS는 특히 희소 데이터 상황에서 뚜렷한 정확도 향상을 달성한다.

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.

연구 동기 및 목표

• 매장과 제품 간 협업 정보를 활용해 소매 판매 예측 정확도를 향상시키기.
• 특정 매장-제품 조합의 희소한 역학적 판매 데이터에 대한 도전 과제를 협업 모델링을 통해 해결하기.
• 소비자 수요의 동적 패턴을 예측에 통합하여 매장과 제품 간 경쟁 상호작용을 반영하기.
• 다양한 제품 카테고리와 시간대에 일반화 가능한 확장 가능한 통합 프레임워크 개발하기.
• 하이브리드 통계적 및 딥러닝 방법을 사용해 텐서 분해 결과를 미래 기간으로 외삽할 수 있는 전망 기반 예측 지원하기.

제안 방법

• 매장, 제품, 시간의 모드를 가진 3차원 텐서로 판매 데이터를 정의하여 다중 방향 분해를 가능하게 하기.
• 매장, 제품, 시간 패턴을 나타내는 저랭크 잠재 요인을 추출하기 위해 캐논리컬 다항분해(CPD) 적용하기.
• 근처 매장 간 판매의 공분산 행렬로 모델링된 국지적 소비자 수요 역학을 기반으로 한 새로운 수요 인지 정규화 항 도입하기.
• 학습된 잠재 요인에서 미래 판매를 외삽하기 위해 최신 시계열 모델인 SARIMA 및 LSTM을 텐서 프레임워크에 통합하기.
• 수렴 보장을 갖춘 교대 최소 제곱법을 사용해 정규화된 텐서 분해 최적화하기.
• 하이브리드 모델링 전략 사용: 과거 데이터에서 CPD 학습 후, 학습된 구성 요소를 바탕으로 SARIMA/LSTM을 사용해 미래 시간 슬라이스 예측하기.

실험 결과

연구 질문

• RQ1 기존 표준 협업 필터링 방법에 비해 통합된 텐서 분해 모델이 다수의 매장과 제품에서 판매 예측 정확도를 향상시킬 수 있는가?
• RQ2 매장 간 판매 상관관계로 모델링된 수요 역학을 통합할 경우, 특히 데이터가 희소한 상황에서 예측 성능 향상 정도는 어떠한가?
• RQ3 하이브리드 시계열 모델(SARIMA 및 LSTM)이 텐서 분해와 결합될 경우 외삽 정확도 향상 정도는 어느 정도인가?
• RQ4 다양한 제품 카테고리에서 데이터 희소성 수준이 다른 상황에서 ATLAS는 기준 모델(BPTF, TRMF, CPD)에 비해 어떻게 성능을 발휘하는가?
• RQ5 수요 인지 정규화가 실제 소매 데이터셋에서 모델 일반화 및 강인성에 미치는 영향은 어떠한가?

주요 결과

• ATLAS는 IRI 데이터셋의 모든 여덟 가지 제품 카테고리에서 기준 모델인 BPTF, TRMF, CPD를 능가하는 뚜렷한 예측 정확도 향상을 달성한다.
• 전 카테고리에서 평균 절대 스케일링 오차(MASE)가 가장 낮으며, 최신 기준 모델 대비 5%에서 20% 이상의 향상이 이루어졌다.
• 수요 인지 정규화를 통합함으로써 예측 오차가 유의미하게 감소했으며, 특히 협업 신호가 핵심이 되는 희소 데이터 상황에서 두드러진다.
• SARIMA 및 LSTM을 조합한 하이브리드 시계열 외삽 전략은 향후 예측 정확도를 향상시키며, 장기 예측에서는 LSTM이 더 뛰어난 성능을 보였다.
• 계산 효율성 유지: ATLAS는 냉동피자 데이터셋에서 1.83시간, 치약 데이터셋에서 0.81시간 내로 실행되며, SARIMA(28.07시간 및 18.49시간)를 능가하고 CPD 및 BPTF와 유사한 속도를 기록한다.
• 다양한 제품 카테고리에서 강인한 성능을 보이며, 실제 소매 예측 환경에서 넓은 적용 가능성을 입증한다.