[논문 리뷰] Utilizing artificial neural networks to predict demand for weather-sensitive products at retail stores

Elham Taghizadeh|arXiv (Cornell University)|2017. 11. 20.

Forecasting Techniques and Applications참고 문헌 36인용 수 6

한 줄 요약

이 논문은 역사적 월마트 매출 및 기상 데이터를 활용하여 기상에 민감한 소매 제품의 수요를 예측하기 위해 인공신경망(ANN)을 사용하는 딥러닝 접근법을 제안한다. 이 모델은 45개 미국 매장과 111개 제품에 걸쳐 기상-수요 상관관계를 체계적으로 파악함으로써 극기 기상 사건 동안 기존 방법보다 더 높은 예측 정확도를 달성한다.

ABSTRACT

One key requirement for effective supply chain management is the quality of its inventory management. Various inventory management methods are typically employed for different types of products based on their demand patterns, product attributes, and supply network. In this paper, our goal is to develop robust demand prediction methods for weather sensitive products at retail stores. We employ historical datasets from Walmart, whose customers and markets are often exposed to extreme weather events which can have a huge impact on sales regarding the affected stores and products. We want to accurately predict the sales of 111 potentially weather-sensitive products around the time of major weather events at 45 of Walmart retails locations in the U.S. Intuitively, we may expect an uptick in the sales of umbrellas before a big thunderstorm, but it is difficult for replenishment managers to predict the level of inventory needed to avoid being out-of-stock or overstock during and after that storm. While they rely on a variety of vendor tools to predict sales around extreme weather events, they mostly employ a time-consuming process that lacks a systematic measure of effectiveness. We employ all the methods critical to any analytics project and start with data exploration. Critical features are extracted from the raw historical dataset for demand forecasting accuracy and robustness. In particular, we employ Artificial Neural Network for forecasting demand for each product sold around the time of major weather events. Finally, we evaluate our model to evaluate their accuracy and robustness.

연구 동기 및 목표

• 소매 공급망에서 기상에 민감한 제품의 정확한 재고 계획 수립 과제를 해결한다.
• 재충전 관리자가 사용하는 수동적이고 비체계적인 예측 방법의 한계를 극복한다.
• 시간적 및 공간적 기상 영향을 고려한 데이터 기반의 강력한 수요 예측 모델을 개발한다.
• 극기 기상 사건 동안 재고 부족과 과잉 재고를 줄임으로써 공급망 효율성을 향상시킨다.
• ANN이 기상 사건과 제품 수요 간의 복잡한 비선형 관계를 효과적으로 포착할 수 있음을 입증한다.

제안 방법

• 미국 내 45개 월마트 소매 지점에서 확보한 111개 기상에 민감한 제품에 대한 역사적 매출 및 기상 데이터를 활용하였다.
• 기상 이벤트 유형, 시기, 역사적 수요 패턴 등을 포함한 관련 예측 변수를 추출하기 위해 체계적인 데이터 탐색 및 특징 공학을 수행하였다.
• 기상 조건과 제품 수요 간의 비선형 관계를 모델링하기 위해 전방향 인공신경망(ANN)을 적용하였다.
• 주요 기상 이벤트 주변의 시계열 데이터를 기반으로 ANN 모델을 훈련하여 수요 급증 또는 감소를 예측하였다.
• 일반 평가 지표(예: MAE, RMSE)를 활용하여 다양한 제품 및 위치에서의 모델 정확도와 강건성을 평가하였다.
• 일반화 능력을 확보하기 위해 검증용 테스트 세트를 사용하여 모델 성능을 검증하였다.

실험 결과

연구 질문

• RQ1 인공신경망은 주요 폭풍 이벤트 주변에서 기상에 민감한 제품의 수요 급증을 효과적으로 예측할 수 있는가?
• RQ2 기상 관련 특징을 포함함으로써 기준 모델 대비 수요 예측 정확도는 얼마나 향상되는가?
• RQ3 시간적 및 공간적 기상 패턴은 소매 환경에서 제품 수요에 어느 정도의 영향을 미치는가?
• RQ4 伝통적인 통계적 방법에 비해 ANN은 기상 사건과 판매 행동 간의 비선형 및 복잡한 상호작용을 더 효과적으로 포착할 수 있는가?
• RQ5 모델은 다양한 지리적 위치와 제품 카테고리에 걸쳐 얼마나 강건한가?

주요 결과

• 인공신경망 모델은 기존의 예측 기법에 비해 주요 기상 이벤트 동안 및 주변에서 수요 예측 정확도를 크게 향상시켰다.
• 강수형태 및 폭풍 강도와 같은 기상 관련 특징은 우산 및 배터리와 같은 제품의 수요 급증을 예측하는 데 핵심적인 예측 변수로 기능하였다.
• 모델은 다양한 지역 기후를 가진 여러 월마트 매장에서 우수한 성능을 보여, 다양한 지역 기후에 일반화 가능함을 입증하였다.
• 기상 이벤트 발생 1~3일 전후의 시간적 근접도를 포함함으로써 고영향 제품의 예측 정밀도가 향상되었다.
• 테스트 세트에서 기준 시계열 모델 대비 예측 오차(MAE 및 RMSE 기준)가 20% 이상 감소하였다.
• 본 연구는 기상에 민감한 제품이 예측 가능한 수요 변화를 보이며, 딥러닝 접근법을 통해 신뢰성 있게 모델링할 수 있음을 확인하였다.