Uuzaji wa Mavazi: Kutabiri Mahitaji ya Bidhaa Mpya

1. Utangulizi

Kutabiri mahitaji katika uuzaji wa mavazi ni mojawapo ya changamoto ngumu zaidi katika tasnia hii. Hali ya muda mfupi ya mitindo katika rangi, michoro, mikato, muundo, na nyenzo, ikichanganyika na mizunguko mirefu ya kubuni, mahitaji ya uzalishaji kwa wingi, na tofauti za kijiografia katika matumizi, huunda mazingira yenye hatari kubwa kwa wauzaji. Njia za jadi za kutabiri hutegemea sana data ya mauzo ya zamani ya bidhaa zilizopo, na hivyo hazifai kutabiri mahitaji ya miundo au mitindo mipya kabisa, ambayo ndiyo lengo kuu la utafiti huu.

Karatasi hii, iliyowasilishwa katika Warsha ya KDD 2019 juu ya AI kwa Mitindo, inashughulikia pengo hili muhimu. Waandishi kutoka Myntra Designs wanapendekeza njia mpya inayozidi uchambuzi wa mfululizo wa wakati wa mauzo ya zamani. Badala yake, wanachambua data ya mauzo ya mitindo kwa kiwango kikubwa ili kubaini ni sifa gani maalum za bidhaa (k.m., shingo, aina ya mikono, kitambaa) na sababu za uuzaji (k.m., bei, chapa) zinazoongoza mahitaji ya watumiaji. Kisha hujenga miundo ya jumla ya kujifunza kwa mashine inayoweza kutabiri mahitaji ya bidhaa mpya kwa kuzingatia sifa hizi pekee, kabla ya kuwepo kwa historia yoyote ya mauzo.

2. Taarifa ya Tatizo na Changamoto

Tatizo kuu ni hali ya "mwanzo mgumu" katika utabiri wa mitindo: kutabiri mahitaji ya bidhaa mpya isiyo na data yoyote ya mauzo ya zamani. Mbinu za kawaida zinashindwa kwa sababu:

Mwingiliano usio na mstari: Vigezo vingi vya kubuni (rangi, muundo, mkato) huingiliana kwa njia tata, zisizo na mstari, kuamua uvutano wa bidhaa, na hivyo kufanya utabiri rahisi usiwezekane.
Kutegemea ufahamu wa ndani: Mazoea ya sasa ya tasnia mara nyingi hutegemea ufahamu wa kibinafsi wa wauzaji, na kusababisha tofauti kubwa, kutoweza kuzingatia athari za bidhaa mbalimbali (badala, kula wenzake), na makosa makubwa ya utabiri.
Gharama ya Biashara na Mazingira: Utabiri usio sahihi husababisha kupoteza fursa za mauzo, hisa nyingi zisizouzwa (hasara ya mtaji wa kufanya kazi), na uharibifu wa mazingira kutokana na uzalishaji wa kupita kiasi na taka.

Hitaji ni muundo unaoongozwa na data, unaoweza kutumika kwa jumla, unaobadilisha sifa za bidhaa kuwa utabiri wa mahitaji unaoaminika kwa muda wa kupanga wa miezi 6-8.

3. Mbinu na Njia ya Kiufundi

Mbinu ya waandishi inabadilika kutoka kwa kuiga mfululizo wa wakati hadi kuiga nafasi ya maana ya sifa za mitindo.

3.1 Data na Uwakilishi wa Sifa

Muundo umejengwa kwenye seti kubwa ya data ya bidhaa za zamani za mitindo, kila moja ikielezewa na seti tajiri ya sifa za kategoria na nambari. Muhimu katika mbinu yao ni uundaji wa viambatisho vya sifa. Kama viambatisho vya maneno katika NLP (kama Word2Vec), sifa za kategoria (k.m., "shingo ya wakombora," "mchoro wa maua") hubadilishwa kuwa uwakilishi wa vekta mnene, unaoendelea. Hii inaruhusu muundo kujifunza uhusiano wa kina na ufanano kati ya sifa (k.m., kwamba "shingo ya V" na "shingo ya kuchota" zinafanana zaidi kuliko "shingo ya kobe").

3.2 Miundo ya Muundo

Karatasi hii inajaribu miundo mbalimbali ya neva na mbinu za jadi za ML:

Miundo ya Msingi wa Miti (XGBoost, Msitu wa Nasibu): Inatumiwa kama misingi thabiti, inayoweza kushughulikia data ya jedwali yenye aina mchanganyiko za vipengele.
Mitandao ya Neva ya Kusambaza Mbele (FFNN): Perceptrons za tabaka nyingi za kawaida zinazochukua viambatisho vya sifa vilivyounganishwa na vipengele vya nambari kama ingizo.
Mitandao ya Kumbukumbu ya Muda Mfupi Mrefu (LSTM): Inatumika sio kwa mfululizo wa mauzo ya wakati, lakini kwa uwezekano wa kuiga mfululizo wa sifa au kukamata utegemezi katika mchakato wa usindikaji wa kipengele. Karatasi hii inachunguza matumizi yao katika muktadha huu usio wa mfululizo.

Muundo mkuu unahusisha tabaka la kiambatisho kwa kila sifa ya kategoria, ambayo matokeo yake yanachanganywa (k.m., kuunganishwa au kuwekwa pamoja) na kutiwa katika tabaka za mitandao ya neva zinazofuata kwa utabiri wa mwisho wa mahitaji.

3.3 Kazi za Hasara

Kuchagua lengo sahihi ni muhimu kwa athari ya biashara. Waandishi wanajaribu zaidi ya Hitilafu ya Mraba ya Wastani (MSE) ya kawaida. Wanazingatia kazi za hasara zisizo na ulinganifu zinazoadhibisha kuhifadhi bidhaa kupita kiasi (kutabiri kupita kiasi) na kuhifadhi bidhaa chini ya kiasi (kutabiri chini ya kiasi) kwa njia tofauti, na kusawazisha lengo la uboreshaji la muundo na muundo halisi wa gharama wa usimamizi wa hisa za rejareja. Fomu rahisi inaweza kuwa:

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

ambapo $c_{over}$ na $c_{under}$ ni gharama husika za kutabiri kupita kiasi na kutabiri chini ya kiasi.

4. Matokeo ya Majaribio na Uchambuzi

Karatasi hii inaonyesha utendakazi thabiti wa miundo iliyopendekezwa ya msingi wa sifa. Matokeo muhimu yanaweza kujumuisha (kukisiwa kutoka kwa dondoo):

Ukuu wa Kuliko Misingi: Miundo ya neva iliyo na viambatisho vya sifa inafanya vizuri zaidi kuliko miundo rahisi ya utabiri wa mfululizo wa zamani na uwezekano wa miundo ya jadi ya ML kwenye kazi ya kutabiri bidhaa mpya.
Nguvu ya Jumla: Miundo inaonyesha uwezo wa kutumika kwa mchanganyiko usioonekana wa sifa, na kuthibitisha dhana kuu kwamba mahitaji yanaongozwa na sifa zinazoweza kutenganishwa.
Ulinganisho wa Muundo: Matokeo yanatoa uchambuzi wa kulinganisha wa FFNN dhidi ya LSTM katika mazingira haya, na kwa uwezekano kuhitimisha kuwa ingawa LSTM zina nguvu, FFNN rahisi zinaweza kutosha na kuwa bora zaidi kwa tatizo hili maalum la ramani ya sifa-hadi-mahitaji.
Athari ya Kazi ya Hasara: Miundo iliyofunzwa na kazi za hasara zisizo na ulinganifu zenye ufahamu wa biashara husababisha utabiri unaopunguza gharama halisi za hisa, sio tu hitilafu ya utabiri.

Maelezo ya Chati (Yaliyokisiwa): Chati ya mihimili ingaonyesha uwezekano wa viashiria vya kulinganisha (k.m., Hitilafu ya Asilimia Kamili ya Wastani - MAPE, au kipimo maalum cha msingi wa gharama) kwa miundo tofauti: msingi rahisi (k.m., mahitaji ya wastani ya kategoria zinazofanana), miundo ya msingi wa miti (XGBoost), FFNN, na LSTM. Miundo ya mitandao ya neva iliyo na viambatisho ingeonyesha hitilafu ndogo zaidi. Chati ya pili inaweza kuonyesha jinsi hitilafu ya utabiri inavyobadilika na kigezo cha kutofautiana katika kazi maalum ya hasara, na kuonyesha kiwango cha chini wazi katika mpangilio bora wa biashara.

5. Uchunguzi wa Kesi: Utumizi wa Mfumo

Mazingira: Mwuza wa mitindo ya haraka anahitaji kutabiri mahitaji ya gauni jipya la wanawake la kiangazi lililopangwa kwa msimu ujao.

Hatua ya 1 - Ufafanuzi wa Sifa: Timu ya bidhaa hufafanua sifa zake: {Kategoria: Gauni, Kategoria ndogo: Midi, Shingo: Shingo ya V, Mikono: Fupi, Muundo: Maua, Rangi: Bluu ya Pasteli, Nyenzo: Pamba, Kiwango cha Bei: Kati, Chapa: Lebo ya Ndani}.

Hatua ya 2 - Uwekaji Vekta wa Kipengele: Kila sifa ya kategoria (Shingo, Muundo, n.k.) hupitishwa kwenye tabaka lake la kiambatisho lililofunzwa awali, na kubadilisha "Shingo ya V" na "Maua" kuwa vekta mnene (k.m., [0.2, -0.5, 0.8...]). Vipengele vya nambari kama bei vinarekebishwa.

Hatua ya 3 - Uchambuzi wa Muundo: Vekta zote za sifa na vipengele vya nambari vinaunganishwa kuwa vekta moja ya ingizo. Vekta hii hutolewa kwenye muundo wa FFNN uliofunzwa.

Hatua ya 4 - Utabiri wa Mahitaji: Muundo hutoa thamani inayoendelea inayowakilisha jumla ya vitengo vilivyotabiriwa kuuzwa katika msimu wa kwanza. Utabiri huu unatumika kwa upangaji wa uzalishaji na mgao wa hisa.

Ufahamu: Muundo unaweza kutambua ndani kwamba mchanganyiko wa "Maua," "Bluu ya Pasteli," na urefu wa "Midi" umefanikiwa sana katika kiwango cha bei cha "Kati" wakati wa kiangazi, na kusababisha utabiri wa kujiamini, wa kiasi kikubwa.

6. Matumizi ya Baadaye na Mwelekeo

Njia iliyoelezewa inafungua njia kadhaa zenye matumaini:

Kitanzi cha Kubuni na Kutabiri: Kuunganisha muundo huu wa utabiri na AI ya kuzalisha (kama GANs au Miundo ya Uenezi, sawa na ile inayotumika katika usanisi wa picha kutoka kwa maandishi) kunaweza kuunda mfumo wa kitanzi kilichofungwa. Wabuni wanaweza kuingiza bodi za mhemko wa mtindo, kizazi (kilichochochewa na miundo kama CycleGAN kwa uhamishaji wa mtindo) hutengeneza mchanganyiko mpya wa sifa, na mtabiri hutathmini uwezo wao wa kibiashara, na kuwezesha kubuni kusaidiwa na AI ya bidhaa zenye mahitaji makubwa.
Unganisho wa Bei Dinamiki: Muundo unaweza kupanuliwa hadi kazi ya mahitaji $D(sifa, bei)$, na kuruhusu bei bora ya mwanzo na mikakati ya kupunguza bei kwa bidhaa mpya.
Ubadilishaji wa Kikoa: Mbinu kuu ya kiambatisho cha sifa kwa utabiri wa mwanzo mgumu inaweza kuhamishwa kwa sekta nyingine za rejareja zenye sifa tajiri za bidhaa, kama vile vifaa vya elektroniki, fanicha, au vipodozi.
AI Inayoelezeka (XAI): Kazi ya baadaye inaweza kuzingatia kufasiri nafasi za kiambatisho na maamuzi ya muundo, na kujibu kwa nini mchanganyiko fulani wa sifa unatabiriwa kuwa mafanikio, na kutoa maoni muhimu kwa wauzaji.
Ujumuishaji wa Mtindo wa Wakati Halisi: Kuongeza sifa tuli na ishara za wakati halisi kutoka kwa mitandao ya kijamii (k.m., Instagram, Pinterest) au mitindo ya utafutaji kunaweza kufanya utabiri ujibu zaidi kwa mitindo inayoibuka.

7. Marejeo

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). (Karatasi ya CycleGAN iliyorejelewa kwa dhana ya kubuni ya kizazi).
Academictorrents.com & arXiv.org - kama hifadhidata wazi za kitaaluma zinazowakilisha kazi inayohusiana katika ML na utabiri.

8. Mtazamo wa Mchambuzi

Ufahamu Mkuu: Kazi ya timu ya Myntra ni mageuzi ya vitendo na muhimu zaidi ya ibada ya mfululizo wa wakati katika AI ya rejareja. Ufahamu wao wa msingi—kwamba mahitaji ya mitindo ya baadaye sio kazi ya mikunjo ya mauzo ya zamani bali ya sifa za kisanii na za kibiashara zinazoweza kutenganishwa na kujifunza—unafikia lengo. Kwa asili, wanajenga "injini ya ladha," na kutafsiri lugha ya ubora wa ubunifu kuwa lugha ya kiasi ya kiasi kilichotabiriwa. Hii inahamisha tasnia kutoka kwa uchambuzi unaojibu hadi utabiri wa makusudi ya kubuni.

Mtiririko wa Kimantiki na Sifa ya Kiufundi: Mbinu ni sahihi, ikikopa kwa hekima kutoka kwa mafanikio ya NLP na viambatisho. Kuchukulia "shingo ya mashua" au "mchoro wa wanyama" kama ishara katika "msamiati wa mitindo" na kujifunza uhusiano wao wa maana ni mzuri. Ujaribio na miundo tofauti ya neva na, muhimu zaidi, kazi za hasara zenye ufahamu wa gharama ya biashara, zinaonyesha ukomavu ambao mara nyingi haupo katika utafiti wa ML safi. Sio tu kuhusu hitilafu ndogo, bali pia hasara ndogo ya kifedha. Hata hivyo, karatasi hii ingefaidika na uchunguzi wa kina zaidi wa nafasi za kiambatisho zilizojifunza—muundo unajifunza nini kuhusu "ufanano" kati ya rangi au miundo? Kuonyesha haya, kama ilivyofanyika katika NLP, kunaweza kutoa ufahamu wa kushangaza juu ya mitindo ya siri.

Nguvu na Kasoro: Nguvu kuu ni utumikizi wake wa moja kwa moja kwa tatizo la mwanzo mgumu la mabilioni ya dola. Ni mfano tayari kwa uzalishaji. Kasoro kubwa, iliyokubaliwa lakini haijatatuliwa kabisa, ni hali ya tuli ya muundo. Mitindo sio tu kuhusu sifa kwa utupu; ni kuhusu upya wao na mzunguko wa maisha ndani ya mtindo. Sifa ya "peplum" inaweza kuwa na uzito chanya mwaka 2014, wastani mwaka 2018, na hasi leo. Muundo unahitaji mwelekeo wa wakati kwa msukumo au uchovu wa sifa, labda kwa kufanya viambatisho vitegemezi wakati au kujumuisha ishara za kasi ya mtindo kutoka kwa data ya nje, mbinu iliyochunguzwa katika maabara ya utafiti ya kiteknolojia inayoongoza.

Ufahamu Unaoweza Kutekelezwa: Kwa wauzaji, hatua ya haraka ni kuwekeza katika usimamizi tajiri, thabiti, na wa kina wa sifa za bidhaa. Miundombinu yako ya data sasa ni mali kuu ya kubuni. Kwa timu za teknolojia, kipaumbele kazi za hasara zisizo na ulinganifu, zilizofafanuliwa na biashara kuliko viashiria vya usahihi vya kawaida. Mwishowe, tazama hii sio kama zana ya utabiri pekee, bali kama sehemu ya kwanza ya mfumo wa kubuni wa kizazi. Hatua ya mantiki inayofuata ni kubadilisha muundo: tumia mtabiri kama mkosoaji kuongoza AI ya kizazi (kama tofauti maalum ya mitindo ya muundo wa Uenezi) kuunda mchanganyiko wa sifa mpya wenye alama kubwa, na kwa ufanisi kufanya mchakato wa awali wa kubuni uwe otomatiki. Hapa ndipo msukosuko halisi upo.