論文の概要: Improving Sales Forecasting Accuracy: A Tensor Factorization Approach
with Demand Awareness
- arxiv url: http://arxiv.org/abs/2011.03452v1
- Date: Fri, 6 Nov 2020 16:04:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 04:31:39.590057
- Title: Improving Sales Forecasting Accuracy: A Tensor Factorization Approach
with Demand Awareness
- Title（参考訳）: 販売予測精度の向上:需要認知を伴うテンソル因子化アプローチ
- Authors: Xuan Bi, Gediminas Adomavicius, William Li, Annie Qu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.8282018606246824
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to accessible big data collections from consumers, products, and stores,
advanced sales forecasting capabilities have drawn great attention from many
companies especially in the retail business because of its importance in
decision making. Improvement of the forecasting accuracy, even by a small
percentage, may have a substantial impact on companies' production and
financial planning, marketing strategies, inventory controls, supply chain
management, and eventually stock prices. Specifically, our research goal is to
forecast the sales of each product in each store in the near future. Motivated
by tensor factorization methodologies for personalized context-aware
recommender systems, we propose a novel approach called the Advanced Temporal
Latent-factor Approach to Sales forecasting (ATLAS), which achieves accurate
and individualized prediction for sales by building a single
tensor-factorization model across multiple stores and products. Our
contribution is a combination of: tensor framework (to leverage information
across stores and products), a new regularization function (to incorporate
demand dynamics), and extrapolation of tensor into future time periods using
state-of-the-art statistical (seasonal auto-regressive integrated
moving-average models) and machine-learning (recurrent neural networks) models.
The advantages of ATLAS are demonstrated on eight product category datasets
collected by the Information Resource, Inc., where a total of 165 million
weekly sales transactions from more than 1,500 grocery stores over 15,560
products are analyzed.
- Abstract（参考訳）: 消費者、製品、店舗から得られるビッグデータ収集により、高度な販売予測能力は、意思決定の重要性から、特に小売業において多くの企業から大きな注目を集めている。
予測精度の改善は、たとえ少額であっても、企業の生産と金融計画、マーケティング戦略、在庫管理、サプライチェーン管理、そして最終的には株価に重大な影響を与える可能性がある。
具体的には、近い将来、各店舗における各商品の販売予測を行うことを目標としている。
パーソナライズされたコンテキスト認識レコメンデーションシステムのためのテンソル因子化手法に動機づけられ,複数の店舗や製品にまたがる単一のテンソル因子化モデルを構築することによって,販売の正確かつ個別化された予測を実現する,advanced temporal latent-factoring to sales forecasting (atlas) と呼ばれる新しいアプローチを提案する。
当社のコントリビューションは、テンソルフレームワーク(ストアや製品間での情報を活用する)、新しい正規化関数(需要動態を組み込む)、および最先端統計モデル(季節的自己回帰型移動平均モデル)と機械学習(リカレントニューラルネットワーク)モデルを使用してテンソルを将来の時間に外挿する。
ATLASの利点は、情報資源社(Information Resource, Inc.)が収集した8つの製品カテゴリデータセットで示されており、1500以上の食料品店から15,560以上の商品を毎週1億6500万件販売している。
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) - 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) - 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) - 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) - 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) - Product age based demand forecast model for fashion retail [0.0]
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。
論文 参考訳（メタデータ） (2020-07-10T09:44:59Z) - 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。