[论文解读] Improving Sales Forecasting Accuracy: A Tensor Factorization Approach with Demand Awareness

Xuan Bi, Gediminas Adomavičius+2 more|arXiv (Cornell University)|Nov 6, 2020

Recommender Systems and Techniques参考文献 97被引用 4

一句话总结

本文提出ATLAS，一种张量分解方法，通过使用正则化CPD框架对跨门店和产品的销量动态进行建模，从而提升销售预测的准确性。通过整合SARIMA和LSTM模型的时序模式，ATLAS在稀疏数据场景下实现了显著的精度提升——在包含超过1.65亿笔交易的八个IRI杂货数据集上得到验证。

ABSTRACT

Due to accessible big data collections from consumers, products, and stores, advanced sales forecasting capabilities have drawn great attention from many companies especially in the retail business because of its importance in decision making. Improvement of the forecasting accuracy, even by a small percentage, may have a substantial impact on companies' production and financial planning, marketing strategies, inventory controls, supply chain management, and eventually stock prices. Specifically, our research goal is to forecast the sales of each product in each store in the near future. Motivated by tensor factorization methodologies for personalized context-aware recommender systems, we propose a novel approach called the Advanced Temporal Latent-factor Approach to Sales forecasting (ATLAS), which achieves accurate and individualized prediction for sales by building a single tensor-factorization model across multiple stores and products. Our contribution is a combination of: tensor framework (to leverage information across stores and products), a new regularization function (to incorporate demand dynamics), and extrapolation of tensor into future time periods using state-of-the-art statistical (seasonal auto-regressive integrated moving-average models) and machine-learning (recurrent neural networks) models. The advantages of ATLAS are demonstrated on eight product category datasets collected by the Information Resource, Inc., where a total of 165 million weekly sales transactions from more than 1,500 grocery stores over 15,560 products are analyzed.

研究动机与目标

• 通过利用门店和产品之间的协作信息，提升零售场景下的销售预测准确性。
• 通过协作建模解决特定门店-产品组合的历史销售数据稀疏性挑战。
• 将动态消费者需求模式整合到预测中，以反映门店与产品之间的竞争互动。
• 开发一种可扩展的统一框架，实现对多个产品类别和时间段的泛化。
• 通过混合统计与深度学习方法，实现对张量分解的外推，支持前瞻性预测。

提出的方法

• 将销售数据建模为一个三维张量，其模式为：门店、产品和时间，从而实现多维分解。
• 应用典型多维分解（CPD）以提取代表门店、产品和时间模式的低秩潜在因子。
• 提出一种新颖的需求感知正则化项，基于邻近门店间销量的协方差矩阵来建模局部消费者需求动态。
• 将最先进的时间序列模型——SARIMA和LSTM——整合到张量框架中，以从学习到的潜在因子外推未来销量。
• 使用具有收敛性保证的交替最小二乘法优化正则化张量分解。
• 采用混合建模策略：在历史数据上训练CPD，然后基于学习到的组件，使用SARIMA/LSTM对未来的时隙进行预测。

实验结果

研究问题

• RQ1 与标准协同过滤方法相比，统一的张量分解模型是否能在多个门店和产品上提升销售预测准确性？
• RQ2 将需求动态（建模为门店间销量相关性）纳入模型后，是否能显著提升预测性能，尤其是在低数据场景下？
• RQ3 当与张量分解结合时，混合时间序列模型（SARIMA和LSTM）在多大程度上提升了外推预测的准确性？
• RQ4 ATLAS在不同产品类别（数据稀疏性各异）中相对于基线方法（如BPTF、TRMF、CPD）的表现如何？
• RQ5 需求感知正则化对真实零售数据集中模型泛化能力和鲁棒性的影响如何？

主要发现

• ATLAS在IRI数据集的全部八个产品类别中均显著提升了预测准确性，优于包括BPTF、TRMF和CPD在内的基线方法。
• 该模型在所有类别中均实现了最低的平均绝对缩放误差（MASE），相较于最先进基线，误差降低幅度在5%至20%以上。
• 引入需求感知正则化显著降低了预测误差，尤其在协作信号至关重要的稀疏数据场景下效果明显。
• SARIMA与LSTM在时间序列外推中的混合使用提升了未来预测的准确性，其中LSTM在长周期预测中表现更优。
• 计算效率得以保持：ATLAS在冷冻披萨数据集上耗时1.83小时，在牙膏数据集上耗时0.81小时，优于SARIMA（分别为28.07和18.49小时），并接近CPD和BPTF等简单模型的速度。
• 该模型在多种产品类别中表现出稳健性，表明其在真实零售预测场景中具有广泛适用性。