[논문 리뷰] Product age based demand forecast model for fashion retail

Rajesh Kumar Vashishtha, Vibhati Burman외 4명|arXiv (Cornell University)|2020. 07. 10.

Forecasting Techniques and Applications참고 문헌 17인용 수 9

한 줄 요약

이 논문은 패션 소매업에서 신제품의 수요 예측 모델을 제안하며, 제품의 연령, 특성, 가격, 시간적/매장 특성 등을 고려하여 6~12개월 전에 판매량을 예측한다. RGB 기반 색상 인코딩 및 하위 계절성 인덱싱과 같은 혁신적인 특성 공학 기법을 활용하여 기존의 통계적 및 딥러닝 기반 모델보다 뛰어난 성능을 보이며, 다국적 소매업체의 앙상블 최적화 프레임워크에 통합된 결과 41%의 수익 증대를 달성한다.

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.

연구 동기 및 목표

• 기존 판매 기록이 없고 수명 주기가 짧으며 장기 리드 타임을 가진 신제품의 수요 예측 과제를 해결하기 위해.
• 희소하고 노이즈가 많은 데이터 조건에서도 6~12개월 전에 정확하게 예측할 수 있는 견고한 예측 모델을 개발하기 위해.
• 최적의 신제품 출시 시점 및 앙상블 기획과 같은 실행 가능한 공급망 의사결정으로 예측 기능을 확장하기 위해.
• 수익을 극대화하면서도 사업 제약 조건을 고려한 통합 공급망 프레임워크에 예측 모델을 통합하기 위해.
• 35,000개의 SKU와 300개의 매장을 보유한 다국적 패션 소매업체에 실제 적용하여 모델의 실질적 영향을 입증하기 위해.

제안 방법

• 모델은 제품 출시 이후 경과 주수인 제품 연령을 核심 특성으로 사용하여 패션 판매의 수명주기 역학을 반영한다.
• 기존의 범주형 색상 레이블 대신 RGB 기반 색상 인코딩을 활용한 혁신적인 특성 공학 기법을 도입하여 임bedding 품질을 향상시킨다.
• 예측 정확도 향상을 위해 매장별, 시간적, 가격, 제품 특성(예: 카테고리, 계절성 인덱스) 특성을 통합한다.
• 이력 판매 데이터를 기반으로 연령 및 특성 특성을 입력으로 사용하는 딥러닝(DL)과 XGBoost 기반 앙상블 모델을 학습한다.
• 예측 결과는 패션 앙상블 최적화 모델의 입력으로 사용되며, 각 매장의 최적의 품목 목록과 수량을 결정한다.
• 신제품의 최적 출시 단계(예: 1단계, 2단계, 3단계)를 추천하여 계절 수익을 극대화한다.

실험 결과

연구 질문

• RQ1 기존 판매 기록이 없고 리드 타임이 길며 변동성이 큰 신제품의 수요를 어떻게 정확하게 예측할 수 있는가?
• RQ2 기존의 시계열 또는 특성 기반 모델 대비 패션 수요 예측에서 제품 연령(출시 이후 경과 시간)이 더 효과적인 특성으로 기능할 수 있는가?
• RQ3 전체 공급망 계획 프레임워크에 통합된 연령 기반 예측이 수익에 얼마나 큰 향상 효과를 줄 수 있는가?
• RQ4 RGB 기반 색상 표현과 같은 새로운 특성 공학 기법을 통해 예측 정확도를 어떻게 향상시킬 수 있는가?
• RQ5 신제품의 최적 출시 시점은 언제이며, 이를 사전에 예측할 수 있는가?

주요 결과

• 연령 기반 모델은 소매업체의 기존 계획 방식 대비 41%의 수익 증대를 달성하여 뚜렷한 비즈니스 영향을 입증했다.
• 특히 수명 주기가 짧고 이전 판매 기록이 없는 품목에서 기존 XGBoost 및 딥러닝 기반 기준 모델보다 뛰어난 성능을 보였다.
• 드레스 및 키즈웨어 품목의 판매 예측 성능이 뛰어나 대부분의 매장-품목 조합에서 과도한 또는 낮은 예측이 최소화되었다.
• 드레스 및 키즈웨어 품목에 대해 세 가지의 고유한 사이즈 프로파일이 매장 간에 확인되어 지역적 또는 인구 통계적 특성에 따른 사이즈 선호도의 다양성을 시사했다.
• 모델은 신제품의 최적 출시 단계를 성공적으로 추천하였으며, 예측된 판매량이 출시 시점에 따라 크게 달라지는 것으로 나타났다.
• 연령 기반 예측과 앙상블 최적화의 통합은 보다 나은 재고 계획, 주문 및 전체 공급망 수익성 향상에 기여했다.