ফ্যাশন খুচরা: নতুন পণ্যের চাহিদা পূর্বাভাস - একটি মেশিন লার্নিং পদ্ধতি

1. ভূমিকা

ফ্যাশন খুচরা শিল্পে চাহিদা পূর্বাভাস প্রদান করা এই শিল্পের সবচেয়ে জটিল চ্যালেঞ্জগুলোর একটি। রঙ, প্রিন্ট, কাট, প্যাটার্ন এবং উপকরণের প্রবণতার ক্ষণস্থায়ী প্রকৃতি, দীর্ঘ ডিজাইন চক্র, বাল্ক উৎপাদনের প্রয়োজনীয়তা এবং ভোগের ভৌগোলিক বৈচিত্র্যের সমন্বয়ে খুচরা বিক্রেতাদের জন্য একটি উচ্চ-ঝুঁকিপূর্ণ পরিবেশ তৈরি করে। ঐতিহ্যগত পূর্বাভাস পদ্ধতিগুলো বিদ্যমান আইটেমের ঐতিহাসিক বিক্রয় ডেটার উপর ব্যাপকভাবে নির্ভরশীল, যা সম্পূর্ণ নতুন ডিজাইন বা স্টাইলের চাহিদা পূর্বাভাসের জন্য অনুপযুক্ত করে তোলে - এবং এই গবেষণার মূল ফোকাসও এটিই।

KDD ২০১৯-এর AI for Fashion ওয়ার্কশপে উপস্থাপিত এই গবেষণাপত্রটি এই গুরুত্বপূর্ণ ফাঁকটি পূরণ করে। মিন্ট্রা ডিজাইনস-এর লেখকরা একটি অভিনব পদ্ধতি প্রস্তাব করেছেন যা অতীতের বিক্রয়ের টাইম-সিরিজ বিশ্লেষণের বাইরে গিয়ে কাজ করে। বরং, তারা বড় আকারের ফ্যাশন বিক্রয় ডেটা বিশ্লেষণ করে বের করে যে কোন নির্দিষ্ট পণ্য বৈশিষ্ট্যগুলো (যেমন: নেকলাইন, হাতার ধরন, ফ্যাব্রিক) এবং মার্চেন্ডাইজিং ফ্যাক্টরগুলো (যেমন: মূল্য স্তর, ব্র্যান্ড) ভোক্তা চাহিদাকে চালিত করে। তারপর তারা সাধারণীকৃত মেশিন লার্নিং মডেল তৈরি করে যা শুধুমাত্র এই বৈশিষ্ট্যগুলোর ভিত্তিতে, কোন বিক্রয় ইতিহাস তৈরি হওয়ার আগেই, নতুন আইটেমের চাহিদা পূর্বাভাস দিতে সক্ষম।

2. সমস্যা বিবৃতি ও চ্যালেঞ্জসমূহ

মূল সমস্যাটি হলো ফ্যাশন পূর্বাভাসে "কোল্ড-স্টার্ট" পরিস্থিতি: শূন্য ঐতিহাসিক বিক্রয় ডেটা সহ একটি নতুন আইটেমের চাহিদা পূর্বাভাস দেওয়া। প্রচলিত কৌশলগুলো এখানে ব্যর্থ হয় কারণ:

• নন-লিনিয়ার ইন্টারঅ্যাকশন: একাধিক ডিজাইন প্যারামিটার (রঙ, প্যাটার্ন, কাট) জটিল, নন-লিনিয়ার উপায়ে ইন্টারঅ্যাক্ট করে একটি আইটেমের আকর্ষণ নির্ধারণ করে, যা সহজ এক্সট্রাপোলেশনকে অসম্ভব করে তোলে।
• অনুভূতির উপর নির্ভরতা: বর্তমান শিল্প অনুশীলন প্রায়শই মার্চেন্ডাইজারদের বিষয়ভিত্তিক অনুভূতির উপর নির্ভর করে, যার ফলে উচ্চ পরিবর্তনশীলতা, ক্রস-প্রোডাক্ট ইফেক্ট (প্রতিস্থাপন, ক্যানিবালাইজেশন) বিবেচনায় নিতে ব্যর্থতা এবং উল্লেখযোগ্য পূর্বাভাস ত্রুটি দেখা দেয়।
• ব্যবসায়িক ও পরিবেশগত খরচ: ভুল পূর্বাভাসের ফলে বিক্রয় সুযোগ হারানো, বিপুল পরিমাণ অবিক্রিত ইনভেন্টরি (কার্যকরী মূলধনের ক্ষতি), এবং অত্যধিক উৎপাদন ও বর্জ্য থেকে পরিবেশগত ক্ষতি হয়।

এখানে প্রয়োজন একটি ডেটা-চালিত, সাধারণীকরণযোগ্য মডেলের যা আইটেম বৈশিষ্ট্যগুলোকে ৬-৮ মাসের পরিকল্পনা সময়সীমার জন্য একটি নির্ভরযোগ্য চাহিদা পূর্বাভাসে রূপান্তরিত করে।

3. পদ্ধতি ও প্রযুক্তিগত দৃষ্টিভঙ্গি

লেখকদের পদ্ধতিটি টাইম-সিরিজ মডেলিং থেকে সরে এসে ফ্যাশন বৈশিষ্ট্যগুলোর সিম্যান্টিক স্পেস মডেলিং-এর দিকে ঘুরেছে।

3.1 ডেটা ও বৈশিষ্ট্য উপস্থাপনা

মডেলটি ঐতিহাসিক ফ্যাশন আইটেমগুলোর একটি বৃহৎ ডেটাসেটের উপর তৈরি করা হয়েছে, যার প্রতিটিকে শ্রেণীবদ্ধ এবং সংখ্যাসূচক বৈশিষ্ট্যগুলোর একটি সমৃদ্ধ সেট দ্বারা বর্ণনা করা হয়েছে। তাদের পদ্ধতির মূল বিষয় হলো বৈশিষ্ট্য এম্বেডিং তৈরি করা। NLP-তে ওয়ার্ড এম্বেডিং-এর মতো (যেমন Word2Vec), শ্রেণীবদ্ধ বৈশিষ্ট্যগুলো (যেমন: "ক্রু নেক", "ফ্লোরাল প্রিন্ট") ঘন, অবিচ্ছিন্ন ভেক্টর উপস্থাপনায় রূপান্তরিত হয়। এটি মডেলটিকে বৈশিষ্ট্যগুলোর মধ্যে সূক্ষ্ম সম্পর্ক এবং সাদৃশ্য শিখতে দেয় (যেমন: "ভি-নেক" এবং "স্কুপ নেক" একে অপরের সাথে "টার্টল নেক"-এর চেয়ে বেশি মিল রাখে)।

3.2 মডেল আর্কিটেকচার

গবেষণাপত্রটি একাধিক নিউরাল আর্কিটেকচার এবং ঐতিহ্যগত ML পদ্ধতি নিয়ে পরীক্ষা-নিরীক্ষা করে:

• ট্রি-ভিত্তিক মডেল (XGBoost, Random Forest): শক্তিশালী বেসলাইন হিসেবে ব্যবহৃত, মিশ্র ফিচার টাইপ সহ ট্যাবুলার ডেটা হ্যান্ডেল করতে সক্ষম।
• ফিড-ফরওয়ার্ড নিউরাল নেটওয়ার্ক (FFNN): স্ট্যান্ডার্ড মাল্টি-লেয়ার পারসেপট্রন যা কনক্যাটেনেটেড বৈশিষ্ট্য এম্বেডিং এবং সংখ্যাসূচক ফিচারগুলোকে ইনপুট হিসেবে নেয়।
• লং শর্ট-টার্ম মেমরি নেটওয়ার্ক (LSTM): টেম্পোরাল সেলস সিকোয়েন্সের জন্য নয়, বরং সম্ভাব্যভাবে বৈশিষ্ট্যগুলোর সিকোয়েন্স মডেল করার জন্য বা ফিচার প্রসেসিং পাইপলাইনে নির্ভরতা ক্যাপচার করার জন্য নিযুক্ত করা হয়। গবেষণাপত্রটি এই নন-সিকোয়েনশিয়াল প্রসঙ্গে তাদের উপযোগিতা অন্বেষণ করে।

মূল আর্কিটেকচারে প্রতিটি শ্রেণীবদ্ধ বৈশিষ্ট্যের জন্য একটি এম্বেডিং লেয়ার জড়িত, যার আউটপুটগুলো একত্রিত করা হয় (যেমন: কনক্যাটেনেটেড বা পুলড) এবং চূড়ান্ত চাহিদা পূর্বাভাসের জন্য পরবর্তী নিউরাল নেটওয়ার্ক লেয়ারগুলোতে ফিড করা হয়।

3.3 লস ফাংশন

ব্যবসায়িক প্রভাবের জন্য সঠিক উদ্দেশ্য বেছে নেওয়া গুরুত্বপূর্ণ। লেখকরা স্ট্যান্ডার্ড Mean Squared Error (MSE)-এর বাইরে গিয়ে পরীক্ষা-নিরীক্ষা করেন। তারা অ্যাসিমেট্রিক লস ফাংশন বিবেচনা করেন যা ওভারস্টকিং (খুব বেশি পূর্বাভাস) এবং আন্ডারস্টকিং (খুব কম পূর্বাভাস) কে ভিন্নভাবে শাস্তি দেয়, যার ফলে মডেলের অপ্টিমাইজেশন লক্ষ্য খুচরা ইনভেন্টরি ব্যবস্থাপনার প্রকৃত খরচ কাঠামোর সাথে সামঞ্জস্যপূর্ণ হয়। একটি সরলীকৃত রূপ হতে পারে:

$L(y, \hat{y}) = \begin{cases} c_{over} \cdot (\hat{y} - y) & \text{if } \hat{y} > y \\ c_{under} \cdot (y - \hat{y}) & \text{if } \hat{y} \leq y \end{cases}$

যেখানে $c_{over}$ এবং $c_{under}$ হল যথাক্রমে ওভার-ফোরকাস্টিং এবং আন্ডার-ফোরকাস্টিং-এর খরচ।

4. পরীক্ষামূলক ফলাফল ও বিশ্লেষণ

গবেষণাপত্রটি প্রস্তাবিত বৈশিষ্ট্য-ভিত্তিক মডেলগুলোর শক্তিশালী কর্মক্ষমতা প্রদর্শন করে। মূল ফলাফলগুলোর মধ্যে সম্ভবত রয়েছে (সারসংক্ষেপ থেকে অনুমিত):

• বেসলাইনগুলোর চেয়ে শ্রেষ্ঠত্ব: বৈশিষ্ট্য এম্বেডিং সহ নিউরাল মডেলগুলো নতুন-আইটেম পূর্বাভাসের কাজে সহজ ঐতিহাসিক এক্সট্রাপোলেশন মডেল এবং সম্ভবত ঐতিহ্যগত ML মডেলগুলোর চেয়ে উল্লেখযোগ্যভাবে ভালো পারফর্ম করে।
• সাধারণীকরণ ক্ষমতা: মডেলগুলো দেখা যায়নি এমন বৈশিষ্ট্য সমন্বয়ের জন্য সাধারণীকরণ করার ক্ষমতা দেখায়, এই মূল অনুমানকে বৈধতা দেয় যে চাহিদা বিভাজনযোগ্য বৈশিষ্ট্যগুলো দ্বারা চালিত হয়।
• আর্কিটেকচার তুলনা: ফলাফলগুলো এই সেটিংয়ে FFNN বনাম LSTM-এর একটি তুলনামূলক বিশ্লেষণ প্রদান করে, সম্ভবত এই সিদ্ধান্তে পৌঁছায় যে যদিও LSTM শক্তিশালী, এই নির্দিষ্ট বৈশিষ্ট্য-থেকে-চাহিদা ম্যাপিং সমস্যার জন্য সহজ FFNN পর্যাপ্ত এবং আরও দক্ষ হতে পারে।
• লস ফাংশনের প্রভাব: ব্যবসা-সচেতন অ্যাসিমেট্রিক লস ফাংশন দিয়ে প্রশিক্ষিত মডেলগুলো এমন পূর্বাভাসের দিকে নিয়ে যায় যা শুধুমাত্র পূর্বাভাস ত্রুটি নয়, বরং প্রকৃত ইনভেন্টরি খরচ কমিয়ে দেয়।

চার্ট বর্ণনা (অনুমিত): একটি বার চার্ট সম্ভবত বিভিন্ন মডেলের জন্য তুলনামূলক মেট্রিক্স (যেমন: Mean Absolute Percentage Error - MAPE, বা একটি কাস্টম খরচ-ভিত্তিক মেট্রিক) দেখাবে: একটি নিষ্পাপ বেসলাইন (যেমন: অনুরূপ বিভাগের গড় চাহিদা), ট্রি-ভিত্তিক মডেল (XGBoost), FFNN, এবং LSTM। এম্বেডিং সহ নিউরাল নেটওয়ার্ক মডেলগুলো সর্বনিম্ন ত্রুটি দেখাবে। একটি দ্বিতীয় চার্ট দেখাতে পারে কিভাবে পূর্বাভাস ত্রুটি কাস্টম লস ফাংশনে অ্যাসিমেট্রি প্যারামিটারের সাথে পরিবর্তিত হয়, যা একটি ব্যবসা-অপটিমাল সেটিংয়ে একটি স্পষ্ট ন্যূনতম দেখায়।

5. কেস স্টাডি: ফ্রেমওয়ার্ক প্রয়োগ

পরিস্থিতি: একটি ফাস্ট-ফ্যাশন খুচরা বিক্রেতার পরবর্তী মৌসুমের জন্য পরিকল্পিত একটি নতুন মহিলাদের গ্রীষ্মকালীন ড্রেসের চাহিদা পূর্বাভাসের প্রয়োজন।

ধাপ ১ - বৈশিষ্ট্য সংজ্ঞায়ন: পণ্য দলটি এর বৈশিষ্ট্যগুলো সংজ্ঞায়িত করে: {বিভাগ: ড্রেস, উপ-বিভাগ: মিডি, নেকলাইন: ভি-নেক, হাতা: শর্ট, প্যাটার্ন: ফ্লোরাল, রঙ: পেস্টেল ব্লু, উপাদান: কটন, মূল্য স্তর: মিড-রেঞ্জ, ব্র্যান্ড: ইন-হাউস লেবেল}।

ধাপ ২ - ফিচার ভেক্টরাইজেশন: প্রতিটি শ্রেণীবদ্ধ বৈশিষ্ট্য (নেকলাইন, প্যাটার্ন ইত্যাদি) এর প্রি-ট্রেইন্ড এম্বেডিং লেয়ারের মধ্য দিয়ে যাওয়ানো হয়, "ভি-নেক" এবং "ফ্লোরাল"-কে ঘন ভেক্টরে রূপান্তরিত করে (যেমন: [০.২, -০.৫, ০.৮...])। মূল্যের মতো সংখ্যাসূচক ফিচারগুলো নরমালাইজ করা হয়।

ধাপ ৩ - মডেল ইনফারেন্স: সমস্ত বৈশিষ্ট্য ভেক্টর এবং সংখ্যাসূচক ফিচারগুলো একটি একক ইনপুট ভেক্টরে কনক্যাটেনেট করা হয়। এই ভেক্টরটি প্রশিক্ষিত FFNN মডেলে ফিড করা হয়।

ধাপ ৪ - চাহিদা পূর্বাভাস: মডেলটি একটি অবিচ্ছিন্ন মান আউটপুট করে যা প্রথম মৌসুমে বিক্রি হওয়া পূর্বাভাসিত মোট ইউনিটের প্রতিনিধিত্ব করে। এই পূর্বাভাসটি উৎপাদন পরিকল্পনা এবং ইনভেন্টরি বরাদ্দের জন্য ব্যবহৃত হয়।

অন্তর্দৃষ্টি: মডেলটি অভ্যন্তরীণভাবে স্বীকার করতে পারে যে "ফ্লোরাল," "পেস্টেল ব্লু," এবং "মিডি" দৈর্ঘ্যের সমন্বয় গ্রীষ্মকালে "মিড-রেঞ্জ" মূল্য স্তরে অত্যন্ত সফল হয়েছে, যার ফলে একটি উচ্চ-আত্মবিশ্বাস, উচ্চ-ভলিউম পূর্বাভাস তৈরি হয়।

6. ভবিষ্যত প্রয়োগ ও দিকনির্দেশনা

বর্ণিত পদ্ধতিটি বেশ কয়েকটি সম্ভাবনাময় পথ উন্মুক্ত করে:

• জেনারেটিভ ডিজাইন ও পূর্বাভাস লুপ: এই প্রেডিক্টিভ মডেলটিকে জেনারেটিভ AI (যেমন GANs বা Diffusion Models, টেক্সট থেকে ইমেজ সিন্থেসিসে ব্যবহৃত মডেলগুলোর মতো) এর সাথে একীভূত করা একটি ক্লোজড-লুপ সিস্টেম তৈরি করতে পারে। ডিজাইনাররা ট্রেন্ড মুড বোর্ড ইনপুট দিতে পারে, একটি জেনারেটর (CycleGAN-এর মতো স্টাইল ট্রান্সফারের জন্য অনুপ্রাণিত মডেল) নতুন বৈশিষ্ট্য সমন্বয় তৈরি করে, এবং ফোরকাস্টার তাদের বাণিজ্যিক সম্ভাবনা মূল্যায়ন করে, যার ফলে উচ্চ চাহিদাসম্পন্ন আইটেমগুলোর AI-সহায়তায় ডিজাইন সক্ষম হয়।
• ডায়নামিক প্রাইসিং ইন্টিগ্রেশন: মডেলটিকে একটি চাহিদা ফাংশন $D(attributes, price)$-এ প্রসারিত করা যেতে পারে, যা নতুন আইটেমগুলোর জন্য সর্বোত্তম প্রাথমিক মূল্য নির্ধারণ এবং মার্কডাউন কৌশলগুলোর অনুমতি দেয়।
• ক্রস-ডোমেইন অভিযোজন: কোল্ড-স্টার্ট পূর্বাভাসের জন্য বৈশিষ্ট্য এম্বেডিং-এর মূল পদ্ধতিটি অন্যান্য খুচরা খাতে স্থানান্তরযোগ্য যেখানে সমৃদ্ধ পণ্য বৈশিষ্ট্য রয়েছে, যেমন ইলেকট্রনিক্স, আসবাবপত্র বা প্রসাধনী।
• ব্যাখ্যাযোগ্য AI (XAI): ভবিষ্যতের কাজ এম্বেডিং স্পেস এবং মডেল সিদ্ধান্তগুলোর ব্যাখ্যায় ফোকাস করতে পারে, কেন একটি নির্দিষ্ট বৈশিষ্ট্য সমন্বয় সফল হবে বলে পূর্বাভাস দেওয়া হয়েছে তার উত্তর দিয়ে, মার্চেন্ডাইজারদের জন্য মূল্যবান প্রতিক্রিয়া প্রদান করতে পারে।
• রিয়েল-টাইম ট্রেন্ড অন্তর্ভুক্তি: স্ট্যাটিক বৈশিষ্ট্যগুলোর সাথে সোশ্যাল মিডিয়া (যেমন: Instagram, Pinterest) বা সার্চ ট্রেন্ড থেকে রিয়েল-টাইম সিগন্যাল যুক্ত করা পূর্বাভাসগুলোকে উদীয়মান ফ্যাডগুলোর প্রতি আরও প্রতিক্রিয়াশীল করে তুলতে পারে।

7. তথ্যসূত্র

1. Singh, P. K., Gupta, Y., Jha, N., & Rajan, A. (2019). Fashion Retail: Forecasting Demand for New Items. In Proceedings of the KDD 2019 Workshop on AI for Fashion.
2. Ferreira, K. J., Lee, B. H. A., & Simchi-Levi, D. (2015). Analytics for an Online Retailer: Demand Forecasting and Price Optimization. Manufacturing & Service Operations Management, 18(1), 69–88.
3. Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. arXiv preprint arXiv:1301.3781.
4. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. In Proceedings of the IEEE International Conference on Computer Vision (ICCV). (জেনারেটিভ ডিজাইন ধারণার জন্য উল্লিখিত CycleGAN গবেষণাপত্র)।
5. Academictorrents.com & arXiv.org - ML এবং পূর্বাভাসে সম্পর্কিত কাজের জন্য প্রতিনিধিত্বমূলক ওপেন-অ্যাক্সেস একাডেমিক ডাটাবেস হিসেবে।

8. বিশ্লেষকের দৃষ্টিভঙ্গি