[论文解读] Fashion Retail: Forecasting Demand for New Items

Pawan Singh, Yadunath Gupta+2 more|arXiv (Cornell University)|Jun 27, 2019

Generative Adversarial Networks and Image Synthesis参考文献 13被引用 10

一句话总结

本文提出了一种机器学习框架，通过属性嵌入和树模型预测新款时尚商品的需求，其性能优于深度学习基线模型。在实际部署中，该模型使鞋类品牌的售罄率实现10%和7%的同比增长。

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.

研究动机与目标

• 解决缺乏历史销售数据的新款时尚商品需求预测挑战。
• 识别影响新款商品需求的服装属性和商品陈列因素。
• 构建可泛化、可部署的模型，仅基于商品属性而非历史销售数据预测需求。
• 改善库存规划，减少过度生产和滞销库存。
• 在季节性商品组合规划、产品选择和上新时间表制定中实现数据驱动的决策。

提出的方法

• 作者使用属性嵌入来表示时尚商品的特征，如品牌、颜色、品类和价格。
• 应用树模型（XGBoost、CatBoost、LightGBM）并将其与深度学习模型（LSTM、MLP）在需求预测中的表现进行比较。
• 使用加权平均百分比误差（wMAPE）损失函数进行模型训练，以最小化预测误差。
• 特征工程包括确保推理阶段在测试时可行且无需存储训练数据的转换。
• 该方法结合商品级和周级预测，以支持上新计划和预算分配等业务用例。
• 通过在6,732条时间序列上的测试数据评估模型性能，指标包括wMAPE、皮尔逊相关系数和肯德尔等级相关系数。

实验结果

研究问题

• RQ1 树模型是否能在预测新款时尚商品需求方面优于LSTM和MLP等深度学习模型？
• RQ2 哪些时尚属性和商品陈列因素对新款商品的需求影响最大？
• RQ3 属性嵌入和工程化特征在将需求预测泛化到未见商品方面有多有效？
• RQ4 该模型能否改善实际业务指标，如售罄率和库存效率？
• RQ5 在工业零售环境中大规模部署此类模型面临哪些关键挑战？

主要发现

• 使用均方误差（MSE）损失的XGBoost在测试数据上实现了最低的wMAPE（0.51），优于所有其他模型，包括LSTM和MLP。
• 树模型始终优于深度神经网络，其中XGBoost的皮尔逊相关系数达到0.89，肯德尔等级相关系数为0.74。
• 在2018年秋冬季节，该模型使两家主要鞋类品牌的售罄率实现10%和7%的同比增长。
• 在季节性商品组合规划中的部署，实现了更优的预算分配，并减少了对直觉预测的依赖。
• 基于模型预测的自动化上新计划减少了库存失衡，提升了空间利用率。
• 基于图像的特征显示出初步潜力，但其在真实环境中的可扩展性和鲁棒性仍需进一步评估。