Runcit Fesyen: Meramal Permintaan untuk Barangan Baharu

1. Pengenalan

Meramal permintaan dalam runcit fesyen merupakan salah satu cabaran paling kompleks dalam industri ini. Sifat sementara tren dalam warna, cetakan, potongan, corak, dan bahan, digabungkan dengan kitaran reka bentuk yang panjang, keperluan pembuatan pukal, dan variasi geografi dalam penggunaan, mewujudkan persekitaran berisiko tinggi untuk peruncit. Kaedah peramalan tradisional sangat bergantung pada data jualan sejarah barangan sedia ada, menjadikannya tidak sesuai untuk meramal permintaan untuk reka bentuk atau gaya yang sama sekali baharu, yang menjadi fokus utama penyelidikan ini.

Kertas kerja ini, yang dibentangkan di Bengkel KDD 2019 mengenai AI untuk Fesyen, menangani jurang kritikal ini. Penulis dari Myntra Designs mencadangkan pendekatan baharu yang melangkaui analisis siri masa jualan lepas. Sebaliknya, mereka menganalisis data jualan fesyen berskala besar untuk membuat inferens atribut produk tertentu (contohnya, leher, jenis lengan, fabrik) dan faktor pemasaran (contohnya, titik harga, jenama) yang mendorong permintaan pengguna. Kemudian, mereka membina model pembelajaran mesin umum yang mampu meramal permintaan untuk barangan baharu berdasarkan semata-mata atribut ini, sebelum sebarang sejarah jualan wujud.

2. Penyataan Masalah & Cabaran

Masalah teras ialah senario "permulaan sejuk" dalam peramalan fesyen: meramal permintaan untuk barangan baharu dengan data jualan sejarah sifar. Teknik konvensional gagal kerana:

Interaksi Bukan Linear: Pelbagai parameter reka bentuk (warna, corak, potongan) berinteraksi dengan cara yang kompleks dan bukan linear untuk menentukan daya tarikan sesuatu barangan, menjadikan ekstrapolasi mudah mustahil.
Bergantung pada Intuisi: Amalan industri semasa sering bergantung pada intuisi subjektif pengurus pemasaran, membawa kepada kebolehubahan tinggi, ketidakupayaan untuk mengambil kira kesan silang produk (penggantian, kanibalisme), dan ralat ramalan yang ketara.
Kos Perniagaan & Alam Sekitar: Ramalan yang tidak tepat mengakibatkan kehilangan peluang jualan, inventori tidak terjual yang besar (kerugian modal kerja), dan kerosakan alam sekitar akibat pengeluaran berlebihan dan sisa.

Keperluan adalah untuk model berasaskan data dan boleh digeneralisasikan yang menterjemah atribut barangan kepada ramalan permintaan yang boleh dipercayai untuk ufuk perancangan 6-8 bulan.

3. Metodologi & Pendekatan Teknikal

Metodologi penulis beralih daripada pemodelan siri masa kepada pemodelan ruang semantik atribut fesyen.

3.1 Data & Perwakilan Atribut

Model ini dibina berdasarkan set data besar barangan fesyen sejarah, setiap satu diterangkan oleh set atribut kategori dan berangka yang kaya. Kunci kepada pendekatan mereka ialah penciptaan penyematan atribut. Serupa dengan penyematan perkataan dalam NLP (seperti Word2Vec), atribut kategori (contohnya, "leher kru", "cetakan bunga") diubah menjadi perwakilan vektor padat dan berterusan. Ini membolehkan model mempelajari hubungan dan persamaan yang halus antara atribut (contohnya, "leher V" dan "leher senduk" lebih serupa antara satu sama lain berbanding "leher kura-kura").

3.2 Seni Bina Model

Kertas kerja ini menguji pelbagai seni bina neural dan kaedah ML tradisional:

Model Berasaskan Pokok (XGBoost, Random Forest): Digunakan sebagai garis dasar yang teguh, mampu mengendalikan data jadual dengan jenis ciri bercampur.
Rangkaian Neural Suapan Hadapan (FFNN): Persepsi berbilang lapisan piawai yang mengambil penyematan atribut bersambung dan ciri berangka sebagai input.
Rangkaian Neural Ingatan Jangka Pendek Panjang (LSTM): Digunakan bukan untuk jujukan jualan temporal, tetapi berpotensi untuk memodelkan jujukan atribut atau menangkap kebergantungan dalam saluran paip pemprosesan ciri. Kertas kerja ini meneroka utiliti mereka dalam konteks bukan berjujukan ini.

Seni bina teras melibatkan lapisan penyematan untuk setiap atribut kategori, yang outputnya digabungkan (contohnya, disambungkan atau dikumpulkan) dan dimasukkan ke dalam lapisan rangkaian neural seterusnya untuk ramalan permintaan akhir.

3.3 Fungsi Kerugian

Memilih objektif yang betul adalah kritikal untuk impak perniagaan. Penulis menguji lebih daripada Ralat Kuasa Dua Min (MSE) piawai. Mereka mempertimbangkan fungsi kerugian tak simetri yang mengenakan penalti terhadap stok berlebihan (meramal terlalu tinggi) dan stok kurang (meramal terlalu rendah) secara berbeza, menyelaraskan matlamat pengoptimuman model dengan struktur kos sebenar pengurusan inventori runcit. Bentuk ringkas boleh jadi:

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

di mana $c_{over}$ dan $c_{under}$ adalah kos masing-masing untuk ramalan berlebihan dan ramalan kurang.

4. Keputusan Eksperimen & Analisis

Kertas kerja ini menunjukkan prestasi teguh model berasaskan atribut yang dicadangkan. Penemuan utama kemungkinan termasuk (disimpulkan dari abstrak):

Keunggulan Berbanding Garis Dasar: Model neural dengan penyematan atribut mengatasi dengan ketara model ekstrapolasi sejarah mudah dan berpotensi model ML tradisional dalam tugas peramalan barangan baharu.
Kuasa Penggeneralisasian: Model menunjukkan keupayaan untuk digeneralisasikan kepada gabungan atribut yang belum dilihat, mengesahkan hipotesis teras bahawa permintaan didorong oleh atribut yang boleh diuraikan.
Perbandingan Seni Bina: Keputusan memberikan analisis perbandingan FFNN berbanding LSTM dalam konteks ini, kemungkinan menyimpulkan bahawa walaupun LSTM berkuasa, FFNN yang lebih ringkas mungkin mencukupi dan lebih cekap untuk masalah pemetaan atribut-ke-permintaan khusus ini.
Impak Fungsi Kerugian: Model yang dilatih dengan fungsi kerugian tak simetri yang sedar perniagaan membawa kepada ramalan yang meminimumkan kos inventori sebenar, bukan hanya ralat ramalan.

Penerangan Carta (Disimpulkan): Carta bar kemungkinan menunjukkan metrik perbandingan (contohnya, Ralat Peratusan Mutlak Min - MAPE, atau metrik berasaskan kos tersuai) untuk model berbeza: garis dasar naif (contohnya, permintaan purata untuk kategori serupa), model berasaskan pokok (XGBoost), FFNN, dan LSTM. Model rangkaian neural dengan penyematan akan menunjukkan ralat terendah. Carta kedua mungkin menggambarkan bagaimana ralat ramalan berubah dengan parameter ketidaksimetrian dalam fungsi kerugian tersuai, menunjukkan minimum yang jelas pada tetapan optimum perniagaan.

5. Kajian Kes: Aplikasi Kerangka Kerja

Skenario: Seorang peruncit fesyen pantas perlu meramal permintaan untuk gaun musim panas wanita baharu yang dirancang untuk musim depan.

Langkah 1 - Definisi Atribut: Pasukan produk menentukan atributnya: {Kategori: Gaun, Sub-kategori: Midi, Leher: Leher V, Lengan: Pendek, Corak: Bunga, Warna: Biru Pastel, Bahan: Kapas, Tingkat Harga: Pertengahan, Jenama: Label Dalaman}.

Langkah 2 - Vektorisasi Ciri: Setiap atribut kategori (Leher, Corak, dll.) dilalui melalui lapisan penyematan yang telah dilatih, menukar "Leher V" dan "Bunga" kepada vektor padat (contohnya, [0.2, -0.5, 0.8...]). Ciri berangka seperti harga dinormalkan.

Langkah 3 - Inferens Model: Semua vektor atribut dan ciri berangka disambungkan menjadi satu vektor input. Vektor ini dimasukkan ke dalam model FFNN yang telah dilatih.

Langkah 4 - Ramalan Permintaan: Model mengeluarkan nilai berterusan yang mewakili jumlah unit yang diramalkan akan dijual pada musim pertama. Ramalan ini digunakan untuk perancangan pengeluaran dan peruntukan inventori.

Wawasan: Model mungkin secara dalaman mengenali bahawa gabungan "Bunga," "Biru Pastel," dan panjang "Midi" telah sangat berjaya dalam tingkat harga "Pertengahan" semasa musim panas, membawa kepada ramalan volum tinggi dengan keyakinan tinggi.

6. Aplikasi & Hala Tuju Masa Depan

Pendekatan yang digariskan membuka beberapa laluan yang menjanjikan:

Gelung Reka Bentuk Generatif & Peramalan: Mengintegrasikan model ramalan ini dengan AI generatif (seperti GAN atau Model Penyebaran, serupa dengan yang digunakan dalam sintesis imej dari teks) boleh mencipta sistem gelung tertutup. Pereka bentuk boleh memasukkan papan mood tren, penjana (diilhamkan oleh model seperti CycleGAN untuk pemindahan gaya) menghasilkan gabungan atribut baharu, dan peramal menilai potensi komersial mereka, membolehkan reka bentuk dibantu AI untuk barangan berpermintaan tinggi.
Integrasi Penetapan Harga Dinamik: Model boleh diperluaskan kepada fungsi permintaan $D(atribut, harga)$, membolehkan strategi penetapan harga awal dan pengurangan harga yang optimum untuk barangan baharu.
Penyesuaian Silang Domain: Metodologi teras penyematan atribut untuk ramalan permulaan sejuk boleh dipindahkan ke vertikal runcit lain dengan atribut produk yang kaya, seperti elektronik, perabot, atau kosmetik.
AI yang Boleh Diterangkan (XAI): Kerja masa depan boleh memberi tumpuan kepada mentafsir ruang penyematan dan keputusan model, menjawab mengapa gabungan atribut tertentu diramalkan berjaya, memberikan maklum balas berharga kepada pengurus pemasaran.
Penggabungan Tren Masa Nyata: Meningkatkan atribut statik dengan isyarat masa nyata dari media sosial (contohnya, Instagram, Pinterest) atau tren carian boleh menjadikan ramalan lebih responsif kepada fesyen yang baru muncul.

7. Rujukan

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.
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.
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. arXiv preprint arXiv:1301.3781.
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). (Kertas kerja CycleGAN dirujuk untuk konsep reka bentuk generatif).
Academictorrents.com & arXiv.org - sebagai pangkalan data akademik akses terbuka wakil untuk kerja berkaitan dalam ML dan peramalan.

8. Perspektif Penganalisis

Wawasan Teras: Kerja pasukan Myntra adalah evolusi pragmatik dan perlu melangkaui penyembahan siri masa dalam AI runcit. Wawasan asas mereka—bahawa permintaan fesyen masa depan bukan fungsi lengkung jualan lepas tetapi atribut estetik dan komersial yang boleh diuraikan dan boleh dipelajari—tepat mengenai sasaran. Mereka pada dasarnya membina "enjin rasa," menterjemah bahasa kualitatif reka bentuk kepada bahasa kuantitatif volum yang diramalkan. Ini menggerakkan industri dari analitik reaktif kepada peramalan proaktif berdasarkan niat reka bentuk.

Aliran Logik & Merit Teknikal: Metodologi ini kukuh, meminjam dengan bijak daripada kejayaan NLP dengan penyematan. Menganggap "leher bot" atau "cetakan haiwan" sebagai token dalam "perbendaharaan kata fesyen" dan mempelajari hubungan semantik mereka adalah elegan. Eksperimen dengan seni bina neural berbeza dan, yang penting, fungsi kerugian yang sedar kos perniagaan, menunjukkan kematangan yang sering tiada dalam penyelidikan ML tulen. Ia bukan hanya tentang ralat yang lebih rendah, tetapi kerugian kewangan yang lebih rendah. Walau bagaimanapun, kertas kerja ini akan mendapat manfaat daripada penerokaan lebih mendalam ke dalam ruang penyematan yang dipelajari—apakah yang dipelajari model tentang "persamaan" antara warna atau corak? Memvisualisasikan ini, seperti yang dilakukan dalam NLP, boleh memberikan wawasan yang menakjubkan ke dalam tren fesyen terpendam.

Kekuatan & Kelemahan: Kekuatan utama ialah kebolehgunaan langsungnya kepada masalah permulaan sejuk bernilai berbilion dolar. Ia adalah cetak biru sedia untuk pengeluaran. Kelemahan ketara, yang diakui tetapi tidak diselesaikan sepenuhnya, ialah sifat statik model. Fesyen bukan hanya tentang atribut dalam vakum; ia tentang kebaharuan dan kitaran hayat mereka dalam suatu tren. Atribut "peplum" mungkin mempunyai berat positif pada 2014, neutral pada 2018, dan negatif hari ini. Model memerlukan dimensi temporal untuk momentum atau kelelahan atribut, mungkin dengan menjadikan penyematan bergantung masa atau menggabungkan isyarat halaju tren dari data luaran, teknik yang diterokai di makmal penyelidikan teknologi terkemuka.

Wawasan Boleh Tindak: Untuk peruncit, tindakan segera ialah melabur dalam taksonomi atribut produk yang kaya, konsisten, dan terperinci. Infrastruktur data anda kini merupakan aset reka bentuk teras. Untuk pasukan teknologi, keutamakan fungsi kerugian tak simetri yang ditakrifkan perniagaan berbanding metrik ketepatan vanila. Akhir sekali, lihat ini bukan sebagai alat peramalan semata-mata, tetapi sebagai komponen pertama sistem reka bentuk generatif. Langkah logik seterusnya ialah menyongsangkan model: gunakan peramal sebagai pengkritik untuk membimbing AI generatif (seperti varian model Penyebaran khusus fesyen) untuk mencipta gabungan atribut baharu yang mendapat skor tinggi, secara efektif mengautomasikan proses sumbang saran reka bentuk awal. Di sinilah gangguan sebenar terletak.