[论文解读] Product age based demand forecast model for fashion retail

Rajesh Kumar Vashishtha, Vibhati Burman+4 more|arXiv (Cornell University)|Jul 10, 2020

Forecasting Techniques and Applications参考文献 17被引用 9

一句话总结

本文提出了一种基于年龄的时尚零售需求预测模型，通过将产品销量建模为产品年龄、属性、价格以及时间和门店特征的函数，实现对6–12个月后销量的预测。通过创新的特征工程方法（如基于RGB的颜色编码和子类别季节性索引），该模型在传统统计方法和深度学习基线模型上表现更优，在跨国零售商的组合优化框架中集成后，实现了41%的收入提升。

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.

研究动机与目标

• 解决新时尚商品缺乏历史销售数据、生命周期短且生产提前期长所带来的需求预测挑战。
• 开发一种稳健的预测模型，即使在数据稀疏且嘈杂的情况下，也能在6–12个月前实现高精度预测。
• 将预测能力延伸至可操作的供应链决策，包括最优新品上市时机和组合规划。
• 将预测模型整合到一个全面的供应链框架中，以在遵守业务约束的前提下最大化收入。
• 通过在拥有35,000个SKU和300家门店的跨国时尚零售商中部署，展示该模型的实际业务影响。

提出的方法

• 该模型以产品年龄（自上市以来的周数）为核心特征，捕捉时尚销售的生命周期动态。
• 创新的特征工程包括使用基于RGB的颜色编码替代分类颜色标签，以提升嵌入质量。
• 模型整合了门店特定、时间、价格和产品属性特征（如品类、季节性指数）以增强预测精度。
• 基于历史销售数据，使用深度学习（DL）与XGBoost的集成模型进行训练，输入为年龄和属性特征。
• 预测输出被用作时尚商品组合优化模型的输入，以确定各门店的最优商品清单及数量。
• 该框架可推荐新品的最优上市阶段（如阶段1、2或3），以最大化季节性收入。

实验结果

研究问题

• RQ1 如何准确预测无历史销售数据、长提前期且高波动性的新时尚商品的需求？
• RQ2 与传统的时间序列或基于属性的模型相比，产品年龄（自上市以来的时间）是否能作为更有效的特征用于时尚需求预测？
• RQ3 当将基于年龄的预测集成到完整的供应链规划框架中时，其对收入的提升程度如何？
• RQ4 通过创新的特征工程（如基于RGB的颜色表示）能否显著提升预测精度？
• RQ5 为最大化季节性收入，新时尚商品的最佳上市时机是什么？该时机能否提前预测？

主要发现

• 与零售商现有的规划流程相比，基于年龄的模型实现了41%的收入提升，展现出显著的业务影响。
• 该模型在短生命周期商品及无历史销售商品上优于基线的XGBoost和深度学习模型。
• 对连衣裙和儿童服饰的销量预测表现优异，大多数门店-商品组合的预测误差极小，无明显高估或低估。
• 在连衣裙和儿童服饰中，识别出三种不同的尺码分布模式，表明不同地区或人口群体在尺码偏好上存在差异。
• 该模型成功推荐了新品的最优上市阶段，预测销量因上市时间不同而有显著差异。
• 将基于年龄的预测与组合优化相结合，显著改善了库存规划、采购决策及整体供应链盈利能力。