时尚零售：新品需求预测——一种机器学习方法

1. 引言

时尚零售领域的需求预测是该行业最复杂的挑战之一。色彩、印花、剪裁、图案和面料等流行趋势的短暂性，加上漫长的设计周期、大批量生产要求以及消费的地域差异，为零售商创造了一个高风险的环境。传统的预测方法严重依赖现有商品的历史销售数据，这使得它们不适合预测全新设计或款式的需求，而这正是本研究的重点。

这篇发表于KDD 2019“时尚人工智能”研讨会的论文，旨在解决这一关键缺口。来自Myntra Designs的作者们提出了一种超越过去销售时间序列分析的新颖方法。他们转而分析大规模的时尚销售数据，以推断哪些具体的产品属性（例如，领型、袖型、面料）和商品因素（例如，价格点、品牌）驱动了消费者需求。然后，他们构建了通用的机器学习模型，能够在没有任何销售历史的情况下，仅基于这些属性来预测新品的需求。

2. 问题陈述与挑战

核心问题是时尚预测中的“冷启动”场景：预测一个历史销售数据为零的新品的需求。传统技术之所以失败，是因为：

• 非线性交互：多个设计参数（颜色、图案、剪裁）以复杂的非线性方式相互作用，共同定义商品的吸引力，使得简单的推断变得不可能。
• 依赖直觉：当前的行业实践通常依赖于商品企划人员的主观直觉，导致预测结果波动性大、无法考虑跨产品效应（替代、蚕食），并产生显著的预测误差。
• 商业与环境成本：不准确的预测会导致销售机会的丧失、大量未售出库存（营运资本损失），以及因过度生产和浪费造成的环境破坏。

业界需要的是一种数据驱动的、可推广的模型，能够将商品属性转化为未来6-8个月规划周期内的可靠需求预测。

3. 方法论与技术路线

作者的方法论从建模时间序列转向了建模时尚属性的语义空间。

3.1 数据与属性表示

该模型建立在一个大型历史时尚商品数据集之上，每个商品都由一组丰富的分类属性和数值属性描述。其方法的关键在于创建属性嵌入。类似于自然语言处理中的词嵌入（如Word2Vec），分类属性（例如，“圆领”、“花卉印花”）被转换为稠密的连续向量表示。这使得模型能够学习属性之间微妙的关系和相似性（例如，“V领”和“勺形领”彼此之间比与“高领”更相似）。

3.2 模型架构

论文尝试了多种神经网络架构和传统机器学习方法：

• 基于树的模型（XGBoost，随机森林）：作为稳健的基线模型，能够处理具有混合特征类型的表格数据。
• 前馈神经网络（FFNN）：标准的多层感知机，以拼接后的属性嵌入向量和数值特征作为输入。
• 长短期记忆网络（LSTM）：并非用于时间销售序列，而是可能用于建模属性序列或捕获特征处理流程中的依赖关系。论文探讨了LSTM在这种非序列上下文中的效用。

核心架构涉及为每个分类属性设置一个嵌入层，其输出被组合（例如，拼接或池化）并馈送到后续的神经网络层，以进行最终的需求预测。

3.3 损失函数

选择正确的目标函数对业务影响至关重要。作者们尝试了标准均方误差（MSE）之外的方法。他们考虑了非对称损失函数，这些函数对库存积压（预测过高）和库存不足（预测过低）给予不同的惩罚，从而使模型的优化目标与零售库存管理的实际成本结构保持一致。一个简化的形式可以是：

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

其中 $c_{over}$ 和 $c_{under}$ 分别是预测过高和预测过低的相应成本。

4. 实验结果与分析

论文展示了所提出的基于属性的模型的稳健性能。主要发现可能包括（根据摘要推断）：

• 优于基线模型：在预测新品需求的任务上，带有属性嵌入的神经网络模型显著优于简单的历史外推模型，并且可能也优于传统的机器学习模型。
• 泛化能力：模型显示出对未见过的属性组合的泛化能力，验证了需求由可分解属性驱动的核心假设。
• 架构比较：结果提供了在此场景下FFNN与LSTM的比较分析，可能得出结论：虽然LSTM功能强大，但对于这个特定的属性到需求的映射问题，更简单的FFNN可能已经足够且更高效。
• 损失函数的影响：使用具有业务意识的非对称损失函数训练的模型，其预测结果能够最小化实际的库存成本，而不仅仅是预测误差。

图表描述（推断）：一个条形图可能展示不同模型的比较指标（例如，平均绝对百分比误差 - MAPE，或自定义的基于成本的指标）：一个简单基线（例如，相似品类的平均需求）、基于树的模型（XGBoost）、FFNN和LSTM。带有嵌入的神经网络模型将显示出最低的误差。第二张图表可能说明预测误差如何随着自定义损失函数中非对称参数的变化而变化，在业务最优设置处显示出明显的最小值。

5. 案例研究：框架应用

场景：一家快时尚零售商需要预测下一季计划推出的一款新女式夏季连衣裙的需求。

步骤 1 - 属性定义：产品团队定义其属性：{品类：连衣裙，子品类：中长款，领型：V领，袖型：短袖，图案：花卉，颜色：淡蓝色，材质：棉，价格区间：中档，品牌：自有品牌}。

步骤 2 - 特征向量化：每个分类属性（领型、图案等）通过其预训练的嵌入层，将“V领”和“花卉”转换为稠密向量（例如，[0.2, -0.5, 0.8...]）。价格等数值特征则进行归一化处理。

步骤 3 - 模型推理：所有属性向量和数值特征被拼接成一个单一的输入向量。该向量被输入到训练好的FFNN模型中。

步骤 4 - 需求预测：模型输出一个连续值，代表预测的首季总销售量。该预测用于生产计划和库存分配。

洞察：模型可能在内部识别出，在夏季，“花卉”、“淡蓝色”和“中长款”长度在“中档”价格区间内的组合一直非常成功，从而做出一个高置信度、高销量的预测。

6. 未来应用与方向

概述的方法开辟了几个有前景的方向：

• 生成式设计与预测闭环：将此预测模型与生成式人工智能（如GANs或扩散模型，类似于用于文本到图像合成的模型）相结合，可以创建一个闭环系统。设计师可以输入趋势情绪板，生成器（灵感来源于用于风格迁移的CycleGAN等模型）产生新的属性组合，预测器则评估其商业潜力，从而实现高需求商品的AI辅助设计。
• 动态定价集成：该模型可以扩展为需求函数 $D(属性, 价格)$，从而为新品的初始定价和降价策略提供优化方案。
• 跨领域适配：用于冷启动预测的属性嵌入核心方法，可以迁移到其他具有丰富产品属性的零售垂直领域，如电子产品、家具或化妆品。
• 可解释人工智能（XAI）：未来的工作可以侧重于解释嵌入空间和模型决策，回答为什么某个属性组合被预测为会成功，为商品企划人员提供有价值的反馈。
• 实时趋势整合：用来自社交媒体（例如，Instagram，Pinterest）或搜索趋势的实时信号来增强静态属性，可以使预测对新兴时尚潮流更加敏感。

7. 参考文献

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). （引用CycleGAN论文以说明生成式设计概念）。
5. Academictorrents.com & arXiv.org - 作为机器学习和预测相关工作的代表性开放获取学术数据库。

8. 分析师视角