時裝零售：新貨品需求預測 — 一種機器學習方法

1. 簡介

時裝零售嘅需求預測，係行業中最複雜嘅挑戰之一。顏色、印花、剪裁、圖案同物料嘅潮流轉瞬即逝，再加上漫長嘅設計週期、大批量生產要求，以及唔同地區嘅消費差異，為零售商創造咗一個高風險環境。傳統嘅預測方法極度依賴現有貨品嘅歷史銷售數據，令佢哋唔適合用嚟預測全新設計或款式嘅需求，而呢個正係本研究嘅主要焦點。

呢篇喺KDD 2019「時裝AI」研討會上發表嘅論文，正正針對呢個關鍵缺口。嚟自Myntra Designs嘅作者提出咗一種新穎方法，超越咗對過去銷售數據嘅時間序列分析。相反，佢哋分析大規模時裝銷售數據，推斷邊啲特定產品屬性（例如領口、袖型、布料）同營銷因素（例如價格點、品牌）驅動消費者需求。然後，佢哋建立通用嘅機器學習模型，能夠喺任何銷售歷史都未存在之前，單憑呢啲屬性就預測出新貨品嘅需求。

2. 問題陳述與挑戰

核心問題係時裝預測中嘅「冷啟動」情景：預測一件零歷史銷售數據嘅新貨品嘅需求。傳統技術之所以失敗，原因在於：

• 非線性互動：多個設計參數（顏色、圖案、剪裁）以複雜嘅非線性方式互動，定義一件貨品嘅吸引力，令簡單嘅外推法變得不可能。
• 依賴直覺：目前嘅行業慣例通常依賴採購員嘅主觀直覺，導致高度嘅可變性、無法考慮跨產品效應（替代、蠶食），以及顯著嘅預測誤差。
• 商業與環境成本：唔準確嘅預測會導致銷售機會流失、大量未售出庫存（營運資金損失），以及因過度生產同浪費而造成嘅環境破壞。

業界需要一個數據驅動、可通用化嘅模型，能夠將貨品屬性轉化為未來6至8個月規劃期內可靠嘅需求預測。

3. 方法論與技術方案

作者嘅方法論從建模時間序列轉向建模時裝屬性嘅語義空間。

3.1 數據與屬性表示

模型建立喺一個大型歷史時裝貨品數據集上，每件貨品都由一組豐富嘅分類同數值屬性描述。佢哋方法嘅關鍵在於創建屬性嵌入。類似於自然語言處理（NLP）中嘅詞嵌入（例如Word2Vec），分類屬性（例如「圓領」、「花卉印花」）被轉換成密集、連續嘅向量表示。咁樣可以讓模型學習屬性之間細微嘅關係同相似性（例如，「V領」同「湯匙領」彼此之間比同「樽領」更相似）。

3.2 模型架構

論文試驗咗多種神經網絡架構同傳統機器學習方法：

• 基於樹嘅模型（XGBoost、隨機森林）：用作穩健嘅基準模型，能夠處理混合特徵類型嘅表格數據。
• 前饋神經網絡（FFNN）：標準嘅多層感知器，將連接嘅屬性嵌入同數值特徵作為輸入。
• 長短期記憶網絡（LSTM）：並非用於時間銷售序列，而係可能用於建模屬性序列，或者喺特徵處理流程中捕捉依賴關係。論文探討咗佢哋喺呢個非順序性上下文嘅效用。

核心架構涉及每個分類屬性都有一個嵌入層，其輸出被組合（例如連接或池化），然後輸入到後續嘅神經網絡層進行最終需求預測。

3.3 損失函數

選擇正確嘅目標對於業務影響至關重要。作者試驗咗標準均方誤差（MSE）以外嘅方法。佢哋考慮咗非對稱損失函數，對庫存過多（預測過高）同庫存不足（預測過低）施加唔同嘅懲罰，使模型嘅優化目標與零售庫存管理嘅實際成本結構保持一致。一個簡化形式可以係：

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

其中 $c_{over}$ 同 $c_{under}$ 分別係預測過高同預測過低嘅成本。

4. 實驗結果與分析

論文展示咗所提出基於屬性嘅模型嘅穩健性能。主要發現可能包括（根據摘要推斷）：

• 優於基準模型：帶有屬性嵌入嘅神經模型喺新貨品預測任務上，顯著優於簡單嘅歷史外推模型，並且可能優於傳統機器學習模型。
• 泛化能力：模型顯示出能夠泛化到未見過嘅屬性組合，驗證咗需求由可分解屬性驅動呢個核心假設。
• 架構比較：結果提供咗FFNN與LSTM喺呢個設定下嘅比較分析，可能得出結論：雖然LSTM功能強大，但對於呢個特定嘅「屬性到需求」映射問題，更簡單嘅FFNN可能已經足夠且更有效率。
• 損失函數影響：使用具備商業意識嘅非對稱損失函數訓練嘅模型，所產生嘅預測能夠最小化實際庫存成本，而不僅僅係預測誤差。

圖表描述（推斷）：柱狀圖可能會顯示唔同模型嘅比較指標（例如平均絕對百分比誤差 - MAPE，或自定義基於成本嘅指標）：一個簡單基準（例如類似類別嘅平均需求）、基於樹嘅模型（XGBoost）、FFNN同LSTM。帶有嵌入嘅神經網絡模型會顯示最低誤差。第二張圖可能說明預測誤差如何隨自定義損失函數中嘅非對稱參數變化，顯示喺業務最優設定處有一個清晰嘅最小值。

5. 案例研究：框架應用

情景：一間快時尚零售商需要預測下一季計劃推出嘅新款女士夏季連身裙嘅需求。

步驟 1 - 屬性定義：產品團隊定義其屬性：{類別：連身裙，子類別：中長裙，領口：V領，袖型：短袖，圖案：花卉，顏色：淡藍色，物料：棉，價格層級：中價，品牌：自家品牌}。

步驟 2 - 特徵向量化：每個分類屬性（領口、圖案等）通過其預先訓練好嘅嵌入層，將「V領」同「花卉」轉換成密集向量（例如[0.2, -0.5, 0.8...]）。數值特徵如價格則被標準化。

步驟 3 - 模型推論：所有屬性向量同數值特徵被連接成單一輸入向量。呢個向量被輸入到已訓練嘅FFNN模型。

步驟 4 - 需求預測：模型輸出一個連續值，代表預測喺第一季嘅總銷售件數。呢個預測用於生產規劃同庫存分配。

洞察：模型可能內部識別到「花卉」、「淡藍色」同「中長」裙長嘅組合，喺夏季嘅「中價」層級一直非常成功，從而產生一個高置信度、高銷量嘅預測。

6. 未來應用與方向

概述嘅方法開闢咗幾個有前景嘅途徑：

• 生成式設計與預測循環：將呢個預測模型與生成式人工智能（例如GANs或擴散模型，類似用於從文本生成圖像嘅模型）結合，可以創建一個閉環系統。設計師可以輸入潮流情緒板，一個生成器（靈感來自用於風格遷移嘅CycleGAN等模型）產生新嘅屬性組合，然後預測器評估佢哋嘅商業潛力，從而實現AI輔助設計高需求貨品。
• 動態定價整合：模型可以擴展為一個需求函數 $D(attributes, price)$，允許為新貨品制定最佳初始定價同減價策略。
• 跨領域適應：用於冷啟動預測嘅屬性嵌入核心方法論，可以轉移到其他具有豐富產品屬性嘅零售垂直領域，例如電子產品、傢俬或化妝品。
• 可解釋人工智能（XAI）：未來工作可以專注於解釋嵌入空間同模型決策，回答點解某個屬性組合被預測為成功，為採購員提供有價值嘅反饋。
• 實時潮流整合：用來自社交媒體（例如Instagram、Pinterest）或搜索趨勢嘅實時信號增強靜態屬性，可以使預測對新興潮流更敏感。

7. 參考文獻

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). （為生成式設計概念而引用嘅CycleGAN論文）。
5. Academictorrents.com & arXiv.org - 作為機器學習同預測相關工作嘅代表性開放存取學術數據庫。

8. 分析師觀點