論文の概要: Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting

• arxiv url: http://arxiv.org/abs/2506.05941v1
• Date: Fri, 06 Jun 2025 10:08:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.417792
• Title: Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting
• Title（参考訳）: 小売販売予測のための最新の機械学習モデルの比較分析
• Authors: Luka Hobor, Mario Brcic, Lidija Polutnik, Ante Kapetanovic,
• Abstract要約: 予測が販売水準を過小評価すると、企業は販売、不足、そして関連する市場での小売業者の評判に影響を及ぼす。 本研究は,高解像度のレンガとモルタルの小売データセットに適用した予測モデルを徹底的に評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate forecasting is key for all business planning. When estimated sales are too high, brick-and-mortar retailers may incur higher costs due to unsold inventories, higher labor and storage space costs, etc. On the other hand, when forecasts underestimate the level of sales, firms experience lost sales, shortages, and impact on the reputation of the retailer in their relevant market. Accurate forecasting presents a competitive advantage for companies. It facilitates the achievement of revenue and profit goals and execution of pricing strategy and tactics. In this study, we provide an exhaustive assessment of the forecasting models applied to a high-resolution brick-and-mortar retail dataset. Our forecasting framework addresses the problems found in retail environments, including intermittent demand, missing values, and frequent product turnover. We compare tree-based ensembles (such as XGBoost and LightGBM) and state-of-the-art neural network architectures (including N-BEATS, NHITS, and the Temporal Fusion Transformer) across various experimental settings. Our results show that localized modeling strategies especially those using tree-based models on individual groups with non-imputed data, consistently deliver superior forecasting accuracy and computational efficiency. In contrast, neural models benefit from advanced imputation methods, yet still fall short in handling the irregularities typical of physical retail data. These results further practical understanding for model selection in retail environment and highlight the significance of data preprocessing to improve forecast performance.
• Abstract（参考訳）: 正確な予測はすべてのビジネス計画の鍵です。 推定販売高が高すぎると、未販売の在庫や労働・保管スペースの高額化等により、小売業者は高いコストがかかる可能性がある。 一方、予測が販売水準を過小評価すると、企業は販売、不足、そして関連する市場での小売業者の評判に影響を及ぼす。 正確な予測は企業にとって競争上の優位性を示す。 収益と利益目標の達成と価格戦略と戦術の実行を促進する。 本研究では,高解像度のレンガとモルタルの小売データセットに適用した予測モデルについて,徹底的に評価する。 我々の予測フレームワークは、断続的な需要、欠落した価値、頻繁な製品転売など、小売環境にある問題に対処する。 我々は、ツリーベースのアンサンブル(XGBoostやLightGBMなど)と最先端のニューラルネットワークアーキテクチャ(N-BEATS、NHITS、Temporal Fusion Transformerなど)を、様々な実験環境で比較する。 この結果から, 局所モデル戦略, 特に非入力データ群における木モデルを用いた場合, 予測精度, 計算効率が良好であることが示唆された。 対照的に、ニューラルネットワークは高度な計算手法の恩恵を受けるが、物理小売データの典型的な不規則性を扱うには依然として不足している。 これらの結果から,小売環境におけるモデル選択の実践的理解が深まり,データ前処理の重要性が強調され,予測性能が向上した。

関連論文リスト

• LLMForecaster: Improving Seasonal Event Forecasts with Unstructured Textual Data [63.777637042161544]
  本稿では,非構造化意味情報と文脈情報と履歴データを組み込むために,大規模言語モデルを微調整した新しい予測ポストプロセッサを提案する。 産業規模の小売アプリケーションでは, ホリデードリブン需要の急激な上昇にともなう数種類の製品に対して, 本手法が統計的に有意な改善を予測できることが実証された。
  論文  参考訳（メタデータ） (2024-12-03T16:18:42Z)
• Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
  SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。 データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
  論文  参考訳（メタデータ） (2024-11-30T10:56:30Z)
• 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)
• 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)
• A Comparative Study on Forecasting of Retail Sales [0.0]
  Walmartの過去の売上データに関する予測モデルをベンチマークし、今後の売上を予測する。 これらのモデルを予測課題データセット(KaggleによるM5予測)に適用する。
  論文  参考訳（メタデータ） (2022-03-14T04:24:29Z)
• How Much Can A Retailer Sell? Sales Forecasting on Tmall [20.51263243320733]
  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。
  論文  参考訳（メタデータ） (2020-02-27T06:41:00Z)
• 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。