論文の概要: How Much Can A Retailer Sell? Sales Forecasting on Tmall
- arxiv url: http://arxiv.org/abs/2002.11940v1
- Date: Thu, 27 Feb 2020 06:41:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 08:05:11.946676
- Title: How Much Can A Retailer Sell? Sales Forecasting on Tmall
- Title（参考訳）: 小売業者はいくら売れますか?
tmallにおける販売予測
- Authors: Chaochao Chen, Ziqi Liu, Jun Zhou, Xiaolong Li, Yuan Qi, Yujing Jiao,
and Xingyu Zhong
- Abstract要約: 本稿では,世界最大のオンラインB2CプラットフォームであるTmallにおける小売店の売上予測事例について検討する。
我々は,販売予測,すなわち季節性抽出と流通転換の2つのメカニズムを設計する。
- 参考スコア（独自算出の注目度）: 20.51263243320733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time-series forecasting is an important task in both academic and industry,
which can be applied to solve many real forecasting problems like stock,
water-supply, and sales predictions. In this paper, we study the case of
retailers' sales forecasting on Tmall|the world's leading online B2C platform.
By analyzing the data, we have two main observations, i.e., sales seasonality
after we group different groups of retails and a Tweedie distribution after we
transform the sales (target to forecast). Based on our observations, we design
two mechanisms for sales forecasting, i.e., seasonality extraction and
distribution transformation. First, we adopt Fourier decomposition to
automatically extract the seasonalities for different categories of retailers,
which can further be used as additional features for any established regression
algorithms. Second, we propose to optimize the Tweedie loss of sales after
logarithmic transformations. We apply these two mechanisms to classic
regression models, i.e., neural network and Gradient Boosting Decision Tree,
and the experimental results on Tmall dataset show that both mechanisms can
significantly improve the forecasting results.
- Abstract（参考訳）: 時系列予測は学術と産業の両方において重要な課題であり、在庫、水供給、販売予測など多くの実際の予測問題を解決するために応用することができる。
本稿では,世界有数のオンラインB2CプラットフォームであるTmallにおける小売業者の売り上げ予測について検討する。
データを分析することにより、小売業の異なるグループをグループ化した後の販売季節性と、販売転換後のツイーディー分布(予測対象)の2つの主要な観察結果が得られる。
本研究は,販売予測,すなわち季節性抽出と流通転換の2つのメカニズムを設計する。
まず,フーリエ分解(fourier decomposition)を採用することで,小売業者の異なるカテゴリの季節性を自動的に抽出し,任意の既定回帰アルゴリズムの追加機能として利用できる。
第2に,対数変換後の売上損失を最適化する手法を提案する。
これらの2つのメカニズムを古典回帰モデル、すなわちニューラルネットワークと勾配ブースティング決定木に適用し、Tmallデータセットの実験結果から、どちらのメカニズムも予測結果を大幅に改善できることが示された。
関連論文リスト
- Unlocking Your Sales Insights: Advanced XGBoost Forecasting Models for Amazon Products [11.309196049601145]
我々は、XGBoostモデルを活用して、Amazonプラットフォーム上での家電製品の予測販売に挑戦するソリューションを紹介した。
その結果,XGBoostは従来のモデルに比べて優れた予測性能を示した。
論文 参考訳（メタデータ） (2024-11-01T09:14:33Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Hierarchical Forecasting at Scale [55.658563862299495]
既存の階層予測技術は、時系列の数が増加するとスケールが低下する。
我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。
欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
論文 参考訳（メタデータ） (2023-10-19T15:06:31Z) - Improved Sales Forecasting using Trend and Seasonality Decomposition
with LightGBM [9.788039182463768]
時系列上での傾向と季節成分のユニークな影響を示すための新しい尺度を提案する。
実験の結果,提案手法は精度を向上できることがわかった。
論文 参考訳（メタデータ） (2023-05-26T18:49:42Z) - An Empirical Study on Distribution Shift Robustness From the Perspective
of Pre-Training and Data Augmentation [91.62129090006745]
本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。
我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
論文 参考訳（メタデータ） (2022-05-25T13:04:53Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳（メタデータ） (2022-04-16T12:03:52Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Predicting seasonal influenza using supermarket retail records [59.18952050885709]
我々は,スーパーマーケットの小売データを,センチネルバスケットの識別を通じてインフルエンザの代替信号とみなす。
SVR(Support Vector Regression)モデルを用いて、季節性インフルエンザ発生の予測を行います。
論文 参考訳（メタデータ） (2020-12-08T16:30:43Z) - A Generalized Flow for B2B Sales Predictive Modeling: An Azure Machine
Learning Approach [0.0]
ビジネス・トゥ・ビジネス(B2B)の売上の予測はビジネス・マネジメントの成功の中核をなす。
クラウドベースのコンピューティングプラットフォームであるMicrosoft Azure ML上でのデータ駆動機械学習(ML)ワークフローを提案する。
その結果、ML予測に基づく意思決定はより正確であり、より高い金融価値をもたらすことが示唆された。
論文 参考訳（メタデータ） (2020-02-04T18:01:24Z) - Profit-oriented sales forecasting: a comparison of forecasting
techniques from a business perspective [3.613072342189595]
本稿では,コカ・コーラ社の産業界データと公開データセットの両方から成る35回連続のテクニックを比較検討する。
モデル構築と評価プロセスの両方において、テクニックが生成できる期待される利益を考慮に入れた、新しく完全に自動化された利益主導のアプローチを導入します。
論文 参考訳（メタデータ） (2020-02-03T14:50:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。