Moda Perakendeciliği: Yeni Ürünler İçin Talep Tahmini - Bir Makine Öğrenimi Yaklaşımı

1. Giriş

Moda perakendeciliğinde talep tahmini, sektörün en karmaşık zorluklarından birini temsil eder. Renk, baskı, kesim, desen ve malzeme trendlerinin geçici doğası, uzun tasarım döngüleri, toplu üretim gereksinimleri ve tüketimdeki coğrafi farklılıklarla birleşerek perakendeciler için yüksek riskli bir ortam yaratır. Geleneksel tahmin yöntemleri, büyük ölçüde mevcut ürünlerin geçmiş satış verilerine dayanır ve bu da onları tamamen yeni tasarımlar veya stiller için talep tahminine uygun hale getirmez; ki bu araştırmanın ana odağıdır.

KDD 2019 Moda için Yapay Zeka Çalıştayı'nda sunulan bu makale, bu kritik boşluğu ele almaktadır. Myntra Designs'tan yazarlar, geçmiş satışların zaman serisi analizinin ötesine geçen yeni bir yaklaşım önermektedir. Bunun yerine, hangi spesifik ürün niteliklerinin (örneğin, yaka, kol tipi, kumaş) ve satış faktörlerinin (örneğin, fiyat noktası, marka) tüketici talebini yönlendirdiğini çıkarmak için büyük ölçekli moda satış verilerini analiz ederler. Daha sonra, herhangi bir satış geçmişi olmadan, yalnızca bu niteliklere dayanarak yeni ürünler için talep tahmini yapabilen genelleştirilmiş makine öğrenimi modelleri oluştururlar.

2. Problem Tanımı & Zorluklar

Temel problem, moda tahminindeki "soğuk başlangıç" senaryosudur: sıfır geçmiş satış verisi olan yeni bir ürün için talep tahmini. Geleneksel teknikler şu nedenlerle başarısız olur:

• Doğrusal Olmayan Etkileşimler: Birden fazla tasarım parametresi (renk, desen, kesim), bir ürünün çekiciliğini tanımlamak için karmaşık, doğrusal olmayan şekillerde etkileşime girer, bu da basit dışa vurumu imkansız kılar.
• Sezgiye Dayalılık: Mevcut endüstri uygulaması genellikle satın alma görevlilerinin öznel sezgisine dayanır, bu da yüksek değişkenliğe, ürünler arası etkileri (ikame, kendi kendine rekabet) hesaba katamama ve önemli tahmin hatalarına yol açar.
• İş & Çevresel Maliyet: Yanlış tahminler, kayıp satış fırsatlarına, büyük miktarda satılmayan envantere (işletme sermayesi kaybı) ve aşırı üretim ve atıktan kaynaklanan çevresel zarara neden olur.

İhtiyaç, ürün niteliklerini 6-8 aylık bir planlama ufku için güvenilir bir talep tahminine dönüştüren, veriye dayalı, genelleştirilebilir bir modeldir.

3. Metodoloji & Teknik Yaklaşım

Yazarların metodolojisi, zaman serilerini modellemekten, moda niteliklerinin anlamsal uzayını modellemeye döner.

3.1 Veri & Nitelik Temsili

Model, her biri zengin bir kategorik ve sayısal nitelik seti ile tanımlanan, geçmiş moda ürünlerinden oluşan büyük bir veri seti üzerine kuruludur. Yaklaşımlarının anahtarı, nitelik gömme (attribute embeddings) oluşturulmasıdır. Doğal Dil İşleme'deki (NLP) kelime gömme (Word2Vec gibi) benzeri şekilde, kategorik nitelikler (örneğin, "crew neck", "floral print") yoğun, sürekli vektör temsillerine dönüştürülür. Bu, modelin nitelikler arasındaki nüanslı ilişkileri ve benzerlikleri öğrenmesine olanak tanır (örneğin, "v-yaka" ve "scoop neck"ın "turtle neck"a göre birbirine daha benzer olduğunu).

3.2 Model Mimarileri

Makale, birden fazla sinirsel mimari ve geleneksel ML yöntemini dener:

• Ağaç Tabanlı Modeller (XGBoost, Random Forest): Karışık özellik türlerine sahip tablo verilerini işleyebilen, sağlam temel modeller olarak kullanılır.
• İleri Beslemeli Sinir Ağları (FFNN): Birleştirilmiş nitelik gömme ve sayısal özellikleri girdi olarak alan standart çok katmanlı algılayıcılardır.
• Uzun Kısa Süreli Bellek Ağları (LSTM): Zamansal satış dizileri için değil, potansiyel olarak nitelik dizilerini modellemek veya özellik işleme hattındaki bağımlılıkları yakalamak için kullanılır. Makale, bu sıralı olmayan bağlamdaki faydalarını araştırır.

Çekirdek mimari, her kategorik nitelik için bir gömme katmanı içerir; bunların çıktıları birleştirilir (örneğin, birleştirilir veya havuzlanır) ve nihai talep tahmini için sonraki sinir ağı katmanlarına beslenir.

3.3 Kayıp Fonksiyonları

Doğru hedefi seçmek, iş etkisi için kritiktir. Yazarlar, standart Ortalama Kare Hata (MSE) ötesinde deneyler yapar. Fazla stoklamayı (çok yüksek tahmin) ve eksik stoklamayı (çok düşük tahmin) farklı şekilde cezalandıran asimetrik kayıp fonksiyonlarını dikkate alırlar, böylece modelin optimizasyon hedefini perakende envanter yönetiminin gerçek maliyet yapısıyla uyumlu hale getirirler. Basitleştirilmiş bir form şöyle olabilir:

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

Burada $c_{over}$ ve $c_{under}$, sırasıyla fazla tahmin ve eksik tahminin maliyetleridir.

4. Deneysel Sonuçlar & Analiz

Makale, önerilen nitelik tabanlı modellerin sağlam performansını gösterir. Ana bulgular muhtemelen şunları içerir (özetten çıkarılan):

• Temel Modellere Üstünlük: Nitelik gömme içeren sinirsel modeller, yeni ürün tahmini görevinde basit tarihsel dışa vurum modellerini ve potansiyel olarak geleneksel ML modellerini önemli ölçüde geride bırakır.
• Genelleme Gücü: Modeller, görülmemiş nitelik kombinasyonlarına genelleme yapma yeteneği gösterir, talebin ayrıştırılabilir nitelikler tarafından yönlendirildiği temel hipotezini doğrular.
• Mimari Karşılaştırması: Sonuçlar, bu ortamda FFNN'ler ile LSTM'lerin karşılaştırmalı bir analizini sunar; muhtemelen LSTM'lerin güçlü olmasına rağmen, daha basit FFNN'lerin bu spesifik nitelikten-talep eşleme problemi için yeterli ve daha verimli olabileceği sonucuna varır.
• Kayıp Fonksiyonu Etkisi: İş odaklı asimetrik kayıp fonksiyonları ile eğitilen modeller, yalnızca tahmin hatasını değil, gerçek envanter maliyetlerini en aza indiren tahminlere yol açar.

Grafik Açıklaması (Çıkarılan): Bir çubuk grafik, muhtemelen farklı modeller için karşılaştırma metriklerini (örneğin, Ortalama Mutlak Yüzde Hata - MAPE veya özel maliyet tabanlı bir metrik) gösterir: saf bir temel model (örneğin, benzer kategoriler için ortalama talep), ağaç tabanlı modeller (XGBoost), FFNN ve LSTM. Gömme içeren sinir ağı modelleri en düşük hatayı gösterir. İkinci bir grafik, tahmin hatasının özel kayıp fonksiyonundaki asimetri parametresiyle nasıl değiştiğini gösterebilir, iş için optimal bir ayarda net bir minimum gösterir.

5. Vaka Çalışması: Çerçeve Uygulaması

Senaryo: Bir hızlı moda perakendecisi, önümüzdeki sezon için planlanan yeni bir kadın yaz elbisesi için talep tahmini yapmak istiyor.

Adım 1 - Nitelik Tanımı: Ürün ekibi niteliklerini tanımlar: {Kategori: Elbise, Alt Kategori: Midi, Yaka: V-yaka, Kol: Kısa, Desen: Çiçekli, Renk: Pastel Mavi, Malzeme: Pamuk, Fiyat Aralığı: Orta, Marka: Kendi Markası}.

Adım 2 - Özellik Vektörleştirme: Her kategorik nitelik (Yaka, Desen vb.), önceden eğitilmiş gömme katmanından geçirilerek, "V-yaka" ve "Çiçekli" yoğun vektörlere (örneğin, [0.2, -0.5, 0.8...]) dönüştürülür. Fiyat gibi sayısal özellikler normalleştirilir.

Adım 3 - Model Çıkarımı: Tüm nitelik vektörleri ve sayısal özellikler tek bir girdi vektöründe birleştirilir. Bu vektör, eğitilmiş FFNN modeline beslenir.

Adım 4 - Talep Tahmini: Model, ilk sezonda tahmini toplam satılacak birim sayısını temsil eden sürekli bir değer çıktılar. Bu tahmin, üretim planlaması ve envanter tahsisi için kullanılır.

İçgörü: Model, içsel olarak "Çiçekli", "Pastel Mavi" ve "Midi" uzunluğu kombinasyonunun yaz aylarında "Orta" fiyat aralığında oldukça başarılı olduğunu tanıyabilir, bu da yüksek güvenilirlikli, yüksek hacimli bir tahmine yol açar.

6. Gelecek Uygulamalar & Yönelimler

Ana hatları çizilen yaklaşım, birkaç umut verici yolu açar:

• Üretken Tasarım & Tahmin Döngüsü: Bu tahmin modelini üretken yapay zeka ile (GAN'lar veya Diffusion Modelleri gibi, metinden görüntü sentezinde kullanılanlara benzer şekilde) entegre etmek, kapalı döngü bir sistem yaratabilir. Tasarımcılar trend mood board'ları girebilir, bir üretici (CycleGAN gibi modellerden esinlenerek stil transferi için) yeni nitelik kombinasyonları üretir ve tahmin edici bunların ticari potansiyelini değerlendirir, böylece yüksek talep gören ürünlerin yapay zeka destekli tasarımını mümkün kılar.
• Dinamik Fiyatlandırma Entegrasyonu: Model, bir talep fonksiyonu $D(nitelikler, fiyat)$ olarak genişletilebilir, böylece yeni ürünler için optimal başlangıç fiyatlandırması ve indirim stratejilerine olanak tanır.
• Çapraz Alan Uyarlaması: Soğuk başlangıç tahmini için nitelik gömme metodolojisi, elektronik, mobilya veya kozmetik gibi zengin ürün niteliklerine sahip diğer perakende sektörlerine aktarılabilir.
• Açıklanabilir Yapay Zeka (XAI): Gelecek çalışmalar, gömme uzaylarını ve model kararlarını yorumlamaya odaklanabilir, belirli bir nitelik kombinasyonunun neden başarılı olacağının tahmin edildiğini açıklayarak, satın alma görevlilerine değerli geri bildirim sağlayabilir.
• Gerçek Zamanlı Trend Dahil Etme: Statik nitelikleri, sosyal medyadan (örneğin, Instagram, Pinterest) veya arama trendlerinden gelen gerçek zamanlı sinyallerle zenginleştirmek, tahminleri ortaya çıkan moda daha duyarlı hale getirebilir.

7. Kaynaklar

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). (Üretken tasarım konsepti için referans verilen CycleGAN makalesi).
5. Academictorrents.com & arXiv.org - ML ve tahmindeki ilgili çalışmalar için temsili açık erişimli akademik veritabanları olarak.

8. Analist Perspektifi