[論文レビュー] Sales Forecast in E-commerce using Convolutional Neural Network

Kui Zhao, Can Wang|arXiv (Cornell University)|Aug 26, 2017

Time Series Analysis and Forecasting参考文献 19被引用数 33

ひとこと要約

本論文では、手作業による特徴工学を排除し、生のeコマースログデータから自動的に販売予測特徴を学習するCNNベースの手法を提案する。構造化されたログデータをデータフレームに変換し、CNNを適用することで、実世界のCaiNiao.comデータセットにおいて、特にサンプルウェイトデイジーとトランスファーラーニングを活用した場合、優れた予測精度を達成した。

ABSTRACT

Sales forecast is an essential task in E-commerce and has a crucial impact on making informed business decisions. It can help us to manage the workforce, cash flow and resources such as optimizing the supply chain of manufacturers etc. Sales forecast is a challenging problem in that sales is affected by many factors including promotion activities, price changes, and user preferences etc. Traditional sales forecast techniques mainly rely on historical sales data to predict future sales and their accuracies are limited. Some more recent learning-based methods capture more information in the model to improve the forecast accuracy. However, these methods require case-by-case manual feature engineering for specific commercial scenarios, which is usually a difficult, time-consuming task and requires expert knowledge. To overcome the limitations of existing methods, we propose a novel approach in this paper to learn effective features automatically from the structured data using the Convolutional Neural Network (CNN). When fed with raw log data, our approach can automatically extract effective features from that and then forecast sales using those extracted features. We test our method on a large real-world dataset from CaiNiao.com and the experimental results validate the effectiveness of our method.

研究の動機と目的

• eコマース販売予測における従来の時系列手法と手作業による特徴工学の限界を克服すること。
• 生の構造化ログデータから直接有効な表現を学習するエンドツーエンドのディープラーニングモデルを構築すること。
• 畳み込みニューラルネットワーク（CNN）を用いた自動特徴学習により、予測精度を向上させること。
• サンプルウェイトデイジーとトランスファーラーニングを統合し、モデル性能をさらに向上させること。
• 新しいデータに最小限の人的介入で適応可能なスケーラブルで再利用可能な販売予測フレームワークを構築すること。

提案手法

• eコマースログデータ（例：PV, UV, PAY, GMV）および商品属性を構造化されたデータフレームに変換し、モデル入力用に準備する。
• 時系列的・空間的パターンの特徴を自動的に抽出するために、データフレームに畳み込みニューラルネットワーク（CNN）を適用する。
• 抽出された特徴に基づいて将来の販売を予測するため、全結合層に回帰ヘッドを設ける。
• 目標予測期間に近いトレーニングサンプルに重点を置くために、サンプルウェイトデイジーを実装し、短期予測の正確性を向上させる。
• 異なる地域や商品間で知識を転送するために、トランスファーラーニングを適用し、汎化性能と性能を向上させる。
• CaiNiao.comの実世界の大規模データセットを用いて、平均二乗誤差（MSE）を損失関数としてモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 CNNベースのモデルは、生の構造化eコマースログデータから有効な特徴を自動的に学習でき、従来の時系列手法や手作業による特徴工学を上回るのか？
• RQ2 入力データフレームの長さ（すなわち、履歴ウィンドウ）が予測性能およびモデルの頑健性に与える影響は何か？
• RQ3 サンプルウェイトデイジーとトランスファーラーニングは、予測精度および汎化性能をどの程度向上させるのか？
• RQ4 複数の地域にわたる統合型モデルを訓練することは可能か？また、地域別モデルと比較してどうなるか？
• RQ5 予測インターバルの長さと正確性のトレードオフは何か？また、それがビジネス意思決定の柔軟性に与える影響は？

主な発見

• 提案手法のCNNベースのアプローチは、ARIMAなどの従来の時系列モデルや勾配ブースティングを用いた特徴工学（FE+GBRT）を著しく上回り、複雑な非線形販売パターンを捉える能力に優れている。
• β = 0.02 としてサンプルウェイトデイジーを適用することで、長期的・短期的パターンの学習のバランスが取れ、予測の安定性と正確性が向上した。
• トランスファーラーニングの適用により、モデル性能がさらに向上し、異なる商品や地域間で知識を転送する有効性が実証された。
• サンプルウェイトデイジーとトランスファーラーニングの両方を適用したモデルが最も競争力のある結果を達成し、CaiNiao.comデータセットにおいて頑健で高い正確性を示した。
• より長い予測インターバルは、販売の安定性が高いため予測が容易であるが、短いインターバルは運用上の柔軟性を提供するため、実世界の応用において重要なトレードオフが存在する。
• 全地域を対象にした統合型モデルは、地域別モデルに比べて性能が劣った。これは、局所的なパターンをより効果的に捉えるために、訓練を地域別にカスタマイズすることが有効であることを示唆している。