[논문 리뷰] 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)|2026. 01. 26.

Forecasting Techniques and Applications인용 수 0

한 줄 요약

VN2 우승 솔루션은 두 단계의 예측-최적화 파이프라인을 사용합니다: 재고부족 인식 특징이 있는 글로벌 다-수평 CatBoost 예측에 이어 비용 인식 주문 정책이 따라옵니다.

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.

연구 동기 및 목표

• 재고 부족과 리드 타임 하에서 수요 예측을 비용 인식 주문 결정으로 번역하는 것을 목표로 한다.
• 이질적이고 간헐적인 소매 시계열을 처리하기 위한 확장 가능한 글로벌 예측 접근법을 제안한다.
• 예측을 견고하고 해석 가능한 주문 결정으로 번역하여 부족 비용과 보유 비용의 트레이드오프를 최적화한다.
• VN2에서 글로벌 모델과 가벼운 정책을 사용하면 개별 시계열 튜닝보다 더 나으며 실제 제약으로 확장 가능하다는 것을 보여준다.

제안 방법

• Stage 1: 글로벌 다-수평 수요 예측기를 CatBoost로 학습(3주 수평) 모든 store–product 시계열의 표 표현을 사용.
• Stage 2: 비용 인식 주문 정책을 적용하여 재고를 납품 주에 맞춰 투영하고 부족 및 보유 비용의 균형을 맞추는 목표 재고 수준을 설정한다.
• 재고가 부족한 수요는 재고부족 인식 특징 엔지니어링 및 시계열별 스케일링 전략을 통해 패턴에 초점을 맞추고 수준보다는 패턴에 초점을 둔다.
• 행태 변화 및 최근 수요 변화를 반영하기 위해 시계열 가중치를 시간에 따라 감소시키는 관찰 가중치를 도입한다.
• h in {1,2,3}에 대해 직접적인 다-수평 예측 접근을 사용하여 오차 누적을 피하고 수평별 모델링을 유지한다.
• 확장성과 해석 가능성을 위해 예측과 주문 결정을 분리하는 모듈식의 2단계 파이프라인을 제시한다.

실험 결과

연구 질문

• RQ1 VN2 유사 설정에서 하나의 글로벌 모델이 많은 시계열에서 다양한 수요 패턴을 어떻게 학습할 수 있는가?
• RQ2 재고부족 검열이 특징 엔지니어링을 통해 예측 기반 재고 결정의 품질을 실질적으로 개선하는가?
• RQ3 3주 앞 예측을 사용하는 경량의 비용 인식 주문 정책이 리드 타임 및 비대칭 비용 하에서 총 비용 성능을 향상시키는가?
• RQ4 제안된 2단계 프레임워크가 VN2를 넘어 추가 운영 제약에도 확장 가능하고 확장될 수 있는가?

주요 결과

• 해당 솔루션은 강력한 글로벌 예측 모델과 가벼운 비용 인식 정책을 결합해 VN2 대회에서 우승했다.
• 재고부족 인식 기능, 시계열별 스케일링, 시간 감소 관찰 가중치가 이질적 시계열 전반의 예측 견고성을 높인다.
• 예측 모델은 직접적인 3-수평 전략을 사용해 모든 시계열에 대해 t+1에서 t+3까지의 예측을 생성한다.
• 시계열별 스케일링은 대용량 시계열의 지배력을 줄이고 시간적 패턴을 강조한다.
• 해당 접근법은 모듈식으로 실세계 환경의 추가 제약에도 확장 가능하며 적용 가능하다.