फैशन रिटेल: नए आइटम्स की मांग का पूर्वानुमान - एक मशीन लर्निंग दृष्टिकोण

1. परिचय

फैशन रिटेल में मांग का पूर्वानुमान लगाना उद्योग की सबसे जटिल चुनौतियों में से एक है। रंगों, प्रिंट्स, कट्स, पैटर्न और सामग्रियों में रुझानों की क्षणिक प्रकृति, लंबे डिज़ाइन चक्रों, थोक विनिर्माण आवश्यकताओं और खपत में भौगोलिक विविधताओं के साथ मिलकर, खुदरा विक्रेताओं के लिए एक उच्च-दांव वाला वातावरण बनाती है। पारंपरिक पूर्वानुमान विधियां मौजूदा वस्तुओं के ऐतिहासिक बिक्री डेटा पर बहुत अधिक निर्भर करती हैं, जिससे वे पूरी तरह से नए डिज़ाइन या शैलियों की मांग की भविष्यवाणी के लिए अनुपयुक्त हो जाती हैं, जो इस शोध का प्राथमिक फोकस है।

KDD 2019 वर्कशॉप ऑन AI फॉर फैशन में प्रस्तुत यह शोध पत्र, इस महत्वपूर्ण अंतर को संबोधित करता है। Myntra Designs के लेखक एक नवीन दृष्टिकोण प्रस्तावित करते हैं जो अतीत की बिक्री के समय-श्रृंखला विश्लेषण से आगे बढ़ता है। इसके बजाय, वे बड़े पैमाने पर फैशन बिक्री डेटा का विश्लेषण करते हैं ताकि यह अनुमान लगाया जा सके कि कौन से विशिष्ट उत्पाद गुण (जैसे, नेकलाइन, स्लीव प्रकार, फैब्रिक) और मर्चेंडाइजिंग कारक (जैसे, मूल्य बिंदु, ब्रांड) उपभोक्ता मांग को प्रेरित करते हैं। फिर वे सामान्यीकृत मशीन लर्निंग मॉडल बनाते हैं जो किसी भी बिक्री इतिहास के अस्तित्व में आने से पहले, केवल इन गुणों के आधार पर नए आइटमों की मांग का पूर्वानुमान लगाने में सक्षम हैं।

2. Problem Statement & Challenges

मूल समस्या फैशन पूर्वानुमान में "कोल्ड-स्टार्ट" परिदृश्य है: शून्य ऐतिहासिक बिक्री डेटा वाले नए आइटम की मांग की भविष्यवाणी करना। पारंपरिक तकनीकें विफल हो जाती हैं क्योंकि:

• गैर-रैखिक अंतःक्रियाएँ: कई डिज़ाइन पैरामीटर (रंग, पैटर्न, कट) किसी आइटम की अपील को परिभाषित करने के लिए जटिल, गैर-रैखिक तरीकों से अंतःक्रिया करते हैं, जिससे सरल एक्सट्रपोलेशन असंभव हो जाता है।
• अंतर्ज्ञान पर निर्भरता: वर्तमान उद्योग प्रथा अक्सर व्यापारियों के व्यक्तिपरक अंतर्ज्ञान पर निर्भर करती है, जिससे उच्च परिवर्तनशीलता, क्रॉस-उत्पाद प्रभावों (प्रतिस्थापन, नुकसान) को ध्यान में रखने में असमर्थता, और महत्वपूर्ण पूर्वानुमान त्रुटियाँ होती हैं।
• Business & Environmental Cost: गलत पूर्वानुमान से बिक्री के अवसरों की हानि, भारी मात्रा में अविक्रित इन्वेंट्री (कार्यशील पूंजी की हानि), और अति उत्पादन एवं अपशिष्ट से पर्यावरणीय क्षति होती है।

आवश्यकता एक डेटा-संचालित, सामान्यीकरण योग्य मॉडल की है जो वस्तु विशेषताओं को 6-8 महीने की योजना अवधि के लिए एक विश्वसनीय मांग पूर्वानुमान में परिवर्तित करता है।

3. Methodology & Technical Approach

लेखकों की पद्धति समय-श्रृंखला के मॉडलिंग से फैशन विशेषताओं के शब्दार्थ स्थान के मॉडलिंग की ओर केंद्रित होती है।

3.1 Data & Attribute Representation

मॉडल ऐतिहासिक फैशन वस्तुओं के एक बड़े डेटासेट पर आधारित है, जिनमें से प्रत्येक का वर्णन श्रेणीबद्ध और संख्यात्मक विशेषताओं के एक समृद्ध सेट द्वारा किया गया है। उनके दृष्टिकोण की कुंजी इसका निर्माण है। विशेषता एम्बेडिंग्स. एनएलपी में शब्द एम्बेडिंग्स (जैसे Word2Vec) के समान, श्रेणीबद्ध विशेषताओं (जैसे, "क्रू नेक," "फ्लोरल प्रिंट") को सघन, निरंतर वेक्टर प्रतिनिधित्व में रूपांतरित किया जाता है। इससे मॉडल को विशेषताओं के बीच सूक्ष्म संबंध और समानताएं सीखने की अनुमति मिलती है (जैसे, कि "वी-नेक" और "स्कूप नेक" एक-दूसरे के "टर्टल नेक" की तुलना में अधिक समान हैं)।

3.2 मॉडल आर्किटेक्चर

पेपर में कई न्यूरल आर्किटेक्चर और पारंपरिक ML विधियों के साथ प्रयोग किए गए हैं:

• ट्री-आधारित मॉडल (XGBoost, Random Forest): मजबूत बेसलाइन के रूप में उपयोग किए गए, जो मिश्रित फीचर प्रकारों वाली सारणीबद्ध डेटा को संभालने में सक्षम हैं।
• फीड-फॉरवर्ड न्यूरल नेटवर्क्स (FFNN): स्टैंडर्ड मल्टी-लेयर परसेप्ट्रॉन जो इनपुट के रूप में संयुक्त एट्रिब्यूट एम्बेडिंग्स और न्यूमेरिकल फीचर्स लेते हैं।
• लॉन्ग शॉर्ट-टर्म मेमोरी नेटवर्क्स (LSTM): इसे अस्थायी बिक्री अनुक्रमों के लिए नहीं, बल्कि संभवतः विशेषताओं के अनुक्रमों को मॉडल करने या फीचर प्रोसेसिंग पाइपलाइन में निर्भरताओं को पकड़ने के लिए नियोजित किया गया है। पेपर इस गैर-अनुक्रमिक संदर्भ में उनकी उपयोगिता का पता लगाता है।

मूल आर्किटेक्चर में प्रत्येक श्रेणीबद्ध विशेषता के लिए एक एम्बेडिंग परत शामिल है, जिसके आउटपुट को संयोजित (जैसे, संयोजित या पूल किया गया) किया जाता है और अंतिम मांग पूर्वानुमान के लिए बाद की न्यूरल नेटवर्क परतों में फीड किया जाता है।

3.3 लॉस फ़ंक्शन

सही उद्देश्य चुनना व्यावसायिक प्रभाव के लिए महत्वपूर्ण है। लेखक मानक मीन स्क्वेर्ड एरर (MSE) से परे प्रयोग करते हैं। वे असममित हानि फलनों पर विचार करते हैं जो ओवरस्टॉकिंग (बहुत अधिक पूर्वानुमान) और अंडरस्टॉकिंग (बहुत कम पूर्वानुमान) को अलग-अलग दंडित करते हैं, जिससे मॉडल का अनुकूलन लक्ष्य खुदरा इन्वेंट्री प्रबंधन की वास्तविक लागत संरचना के साथ संरेखित हो जाता है। एक सरलीकृत रूप इस प्रकार हो सकता है:

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

जहाँ $c_{over}$ और $c_{under}$ क्रमशः अधिक पूर्वानुमान और कम पूर्वानुमान की संबंधित लागतें हैं।

4. Experimental Results & Analysis

शोध पत्र प्रस्तावित गुण-आधारित मॉडलों के मजबूत प्रदर्शन को प्रदर्शित करता है। प्रमुख निष्कर्षों में संभवतः शामिल हैं (सारांश से अनुमानित):

• बेसलाइन्स पर श्रेष्ठता: नए-आइटम पूर्वानुमान के कार्य में, एट्रिब्यूट एम्बेडिंग्स वाले न्यूरल मॉडल सरल ऐतिहासिक एक्सट्रपोलेशन मॉडल्स और संभावित रूप से पारंपरिक ML मॉडल्स से काफी बेहतर प्रदर्शन करते हैं।
• सामान्यीकरण क्षमता: मॉडल अदृश्य विशेषताओं के संयोजनों के लिए सामान्यीकरण करने की क्षमता दिखाते हैं, जो इस मूल परिकल्पना को मान्य करता है कि मांग विघटनीय विशेषताओं द्वारा संचालित होती है।
• आर्किटेक्चर तुलना: परिणाम इस सेटिंग में FFNNs बनाम LSTMs का एक तुलनात्मक विश्लेषण प्रदान करते हैं, संभवतः यह निष्कर्ष निकालते हुए कि हालांकि LSTMs शक्तिशाली हैं, इस विशिष्ट विशेषता-से-मांग मैपिंग समस्या के लिए सरल FFNNs पर्याप्त और अधिक कुशल हो सकते हैं।
• लॉस फ़ंक्शन प्रभाव: व्यवसाय-जागरूक असममित हानि फलनों के साथ प्रशिक्षित मॉडल ऐसे पूर्वानुमान उत्पन्न करते हैं जो वास्तविक इन्वेंट्री लागत को कम करते हैं, न कि केवल पूर्वानुमान त्रुटि को।

चार्ट विवरण (अनुमानित): एक बार चार्ट संभवतः विभिन्न मॉडलों के लिए तुलना मेट्रिक्स (जैसे, माध्य निरपेक्ष प्रतिशत त्रुटि - MAPE, या एक कस्टम लागत-आधारित मेट्रिक) दिखाएगा: एक सरल बेसलाइन (जैसे, समान श्रेणियों की औसत मांग), ट्री-आधारित मॉडल (XGBoost), FFNN, और LSTM। एम्बेडिंग वाले तंत्रिका नेटवर्क मॉडल सबसे कम त्रुटि दिखाएंगे। एक दूसरा चार्ट यह दर्शा सकता है कि कस्टम हानि फलन में असममितता पैरामीटर के साथ पूर्वानुमान त्रुटि कैसे बदलती है, जो एक व्यवसाय-इष्टतम सेटिंग पर स्पष्ट न्यूनतम दिखाता है।

5. केस स्टडी: फ्रेमवर्क अनुप्रयोग

परिदृश्य: एक फास्ट-फैशन रिटेलर को अगले सीजन के लिए योजनाबद्ध एक नई महिलाओं की गर्मियों की ड्रेस की मांग का पूर्वानुमान लगाने की आवश्यकता है।

चरण 1 - विशेषता परिभाषा: उत्पाद टीम अपनी विशेषताएँ परिभाषित करती है: {Category: Dress, Sub-category: Midi, Neckline: V-neck, Sleeve: Short, Pattern: Floral, Color: Pastel Blue, Material: Cotton, Price Tier: Mid-Range, Brand: In-House Label}.

चरण 2 - फ़ीचर वेक्टराइज़ेशन: प्रत्येक श्रेणीबद्ध विशेषता (नेकलाइन, पैटर्न, आदि) को उसकी पूर्व-प्रशिक्षित एम्बेडिंग परत से गुजारा जाता है, जो "वी-नेक" और "फ्लोरल" को सघन वैक्टर (जैसे, [0.2, -0.5, 0.8...]) में परिवर्तित करता है। मूल्य जैसी संख्यात्मक विशेषताओं को सामान्यीकृत किया जाता है।

चरण 3 - मॉडल अनुमान: सभी विशेषता वैक्टर और संख्यात्मक विशेषताओं को एक एकल इनपुट वेक्टर में संयोजित किया जाता है। यह वेक्टर प्रशिक्षित FFNN मॉडल में फीड किया जाता है।

चरण 4 - मांग पूर्वानुमान: मॉडल एक सतत मूल्य आउटपुट करता है जो पहले सीज़न में बिकने वाली कुल इकाइयों के अनुमानित आंकड़े को दर्शाता है। इस पूर्वानुमान का उपयोग उत्पादन योजना और इन्वेंट्री आवंटन के लिए किया जाता है।

अंतर्दृष्टि: मॉडल आंतरिक रूप से यह पहचान सकता है कि "फ्लोरल," "पेस्टल ब्लू," और "मिडी" लंबाई का संयोजन गर्मियों के दौरान "मिड-रेंज" मूल्य स्तर पर अत्यधिक सफल रहा है, जिसके कारण एक उच्च-विश्वास, उच्च-मात्रा वाला पूर्वानुमान प्राप्त होता है।

6. Future Applications & Directions

रेखांकित दृष्टिकोण कई आशाजनक मार्ग खोलता है:

• Generative Design & Forecasting Loop: इस भविष्यकथन मॉडल को जनरेटिव AI (जैसे GANs या Diffusion Models, पाठ से छवि संश्लेषण में प्रयुक्त मॉडलों के समान) के साथ एकीकृत करने से एक बंद-लूप प्रणाली बन सकती है। डिज़ाइनर ट्रेंड मूड बोर्ड इनपुट कर सकते हैं, एक जनरेटर (जैसे CycleGAN स्टाइल ट्रांसफर के लिए) नए विशेषता संयोजन उत्पन्न करता है, और पूर्वानुमानकर्ता उनकी व्यावसायिक क्षमता का मूल्यांकन करता है, जिससे उच्च मांग वाली वस्तुओं के AI-सहायित डिज़ाइन सक्षम होते हैं।
• डायनेमिक प्राइसिंग एकीकरण: मॉडल को एक डिमांड फ़ंक्शन $D(attributes, price)$ तक विस्तारित किया जा सकता है, जो नए आइटम्स के लिए इष्टतम प्रारंभिक मूल्य निर्धारण और मार्कडाउन रणनीतियों की अनुमति देगा।
• क्रॉस-डोमेन अनुकूलन: कोल्ड-स्टार्ट पूर्वानुमान के लिए विशेषता एम्बेडिंग की मूल पद्धति इलेक्ट्रॉनिक्स, फर्नीचर या कॉस्मेटिक्स जैसे समृद्ध उत्पाद विशेषताओं वाले अन्य खुदरा क्षेत्रों में हस्तांतरणीय है।
• एक्सप्लेनेबल एआई (एक्सएआई): भविष्य का कार्य एम्बेडिंग स्पेस और मॉडल निर्णयों की व्याख्या पर केंद्रित हो सकता है, जवाब देते हुए क्यों एक निश्चित विशेषता संयोजन के सफल होने की भविष्यवाणी की जाती है, जो व्यापारियों को मूल्यवान प्रतिक्रिया प्रदान करता है।
• रियल-टाइम ट्रेंड इनकॉर्पोरेशन: सोशल मीडिया (जैसे, Instagram, Pinterest) या खोज रुझानों से रियल-टाइम संकेतों के साथ स्थिर विशेषताओं को बढ़ाने से पूर्वानुमान उभरती हुई अल्पकालिक लोकप्रियताओं के प्रति अधिक प्रतिक्रियाशील बन सकते हैं।

7. References

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). (CycleGAN पेपर जनरेटिव डिज़ाइन कॉन्सेप्ट के लिए संदर्भित)।
5. Academictorrents.com & arXiv.org - as representative open-access academic databases for related work in ML and forecasting.

8. विश्लेषक का परिप्रेक्ष्य