論文の概要: Product age based demand forecast model for fashion retail
- arxiv url: http://arxiv.org/abs/2007.05278v1
- Date: Fri, 10 Jul 2020 09:44:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 21:06:04.840273
- Title: Product age based demand forecast model for fashion retail
- Title（参考訳）: 商品年齢に基づくファッション小売需要予測モデル
- Authors: Rajesh Kumar Vashishtha, Vibhati Burman, Rajan Kumar, Srividhya
Sethuraman, Abhinaya R Sekar, Sharadha Ramanan
- Abstract要約: ファッション小売店は来シーズンの正確な需要予測を1年近く前倒しする必要がある。
製品年齢に基づく新しい予測モデルを提案し,製品年齢は発売から数週間の期間を指す。
小売業者の計画と比較すると、当社のフレームワークから収益が41%上昇していることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fashion retailers require accurate demand forecasts for the next season,
almost a year in advance, for demand management and supply chain planning
purposes. Accurate forecasts are important to ensure retailers' profitability
and to reduce environmental damage caused by disposal of unsold inventory. It
is challenging because most products are new in a season and have short life
cycles, huge sales variations and long lead-times. In this paper, we present a
novel product age based forecast model, where product age refers to the number
of weeks since its launch, and show that it outperforms existing models. We
demonstrate the robust performance of the approach through real world use case
of a multinational fashion retailer having over 300 stores, 35k items and
around 40 categories. The main contributions of this work include unique and
significant feature engineering for product attribute values, accurate demand
forecast 6-12 months in advance and extending our approach to recommend product
launch time for the next season. We use our fashion assortment optimization
model to produce list and quantity of items to be listed in a store for the
next season that maximizes total revenue and satisfies business constraints. We
found a revenue uplift of 41% from our framework in comparison to the
retailer's plan. We also compare our forecast results with the current methods
and show that it outperforms existing models. Our framework leads to better
ordering, inventory planning, assortment planning and overall increase in
profit for the retailer's supply chain.
- Abstract（参考訳）: 需要管理やサプライチェーンの計画のために、ファッション小売業者は次のシーズン、ほぼ1年間、正確な需要予測を必要としている。
正確な予測は、小売業者の収益性を確保し、未処理在庫の廃棄による環境被害を減らすために重要である。
ほとんどの製品は季節によって新しく、ライフサイクルが短く、販売のバリエーションが大きく、リードタイムも長いため、難しい。
本稿では,製品年齢に基づく新しい予測モデルを提案する。製品年齢は発売後数週間の期間を指し,既存のモデルよりも優れていることを示す。
我々は,300以上の店舗,35k品目,約40のカテゴリーを有する多国籍ファッション小売店の現実的利用事例を通じて,アプローチの堅牢性を示す。
この作業の主な貢献は、製品属性値のユニークな重要な機能エンジニアリング、6～12ヶ月前の正確な需要予測、次のシーズンの製品ローンチ時間を推奨するためのアプローチの拡張です。
ファッションアソシエーション最適化モデルを用いて、次のシーズンの店舗に掲載される商品の一覧と量を作成し、総売上を最大化し、ビジネス上の制約を満たす。
当社のフレームワークでは、小売業者の計画と比較して41%の収益を上げています。
また、予測結果を現在の手法と比較し、既存のモデルよりも優れていることを示す。
私たちのフレームワークは、注文、在庫計画、ソート計画、小売業者のサプライチェーンの全体的な利益増加につながる。
関連論文リスト
- 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) - Job-SDF: A Multi-Granularity Dataset for Job Skill Demand Forecasting and Benchmarking [59.87055275344965]
Job-SDFは、ジョブスキルの需要予測モデルをトレーニングし、ベンチマークするために設計されたデータセットである。
2021年から2023年にかけて、中国の大手オンライン求人プラットフォームから集められた1035万件の求人広告に基づいている。
本データセットは,職業,企業,地域レベルなど,さまざまな粒度でのスキル需要予測モデルの評価を可能にする。
論文 参考訳（メタデータ） (2024-06-17T07:22:51Z) - Making forecasting self-learning and adaptive -- Pilot forecasting rack [0.0]
本稿では,このような商品カテゴリーの予測精度向上を支援するための,積極的なパイロット・エクササイズに基づく本研究の成果について述べる。
我々は,サンプル製品カテゴリであるKnitwearに基づいて,予測精度を向上させるアルゴリズム介入の機会を評価した。
その結果,ニットウェア製品カテゴリーの需要予測の精度は20%向上し,全体の精度は80%向上した。
論文 参考訳（メタデータ） (2023-06-12T03:26:11Z) - 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) - Multimodal Neural Network For Demand Forecasting [0.8602553195689513]
本稿では,ニュース記事からのリアルタイムイベントと,過去のセールスやホリデー情報といった従来のデータを組み合わせたマルチモーダルセールス予測ネットワークを提案する。
従来の販売予測手法と比較して,SMAPEの誤差測定値の平均改善率は7.37%と統計的に有意な改善を示した。
論文 参考訳（メタデータ） (2022-10-20T18:06:36Z) - 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) - Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。
商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。
本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
論文 参考訳（メタデータ） (2022-02-26T02:07:25Z) - Forecasting sales with Bayesian networks: a case study of a supermarket
product in the presence of promotions [0.0]
本研究では,価格,プロモーションの種類,製品立地といった要素の組み合わせが売上に与える影響を予測するためのBNモデルを構築した。
本稿では,特にプロモーションにおいて,BNが販売予測に有効であることを確認した。
論文 参考訳（メタデータ） (2021-12-16T08:52:22Z) - PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。
我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。
概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
論文 参考訳（メタデータ） (2021-05-04T15:23:59Z) - 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) - Improving Sales Forecasting Accuracy: A Tensor Factorization Approach
with Demand Awareness [1.8282018606246824]
販売予測への高度時間潜在因子アプローチ(ATLAS)という新しいアプローチを提案する。
ATLASは、複数のストアや製品にまたがる単一のテンソルファクターモデルを構築することで、販売の正確かつ個別化された予測を実現する。
ATLASの利点は、Information Resource, Inc.が収集した8つの製品カテゴリデータセットで実証されている。
論文 参考訳（メタデータ） (2020-11-06T16:04:40Z)
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。