零售中的消费者行为：基于深度神经网络的下一逻辑购买预测

预测未来消费者行为是大型零售企业面临的最具挑战性的问题之一。准确预测消费者购买模式有助于更好的库存规划和高效的个性化营销策略。最优库存规划有助于最小化缺货/库存过剩的情况，而智能个性化营销策略则确保顺畅且愉悦的购物体验。消费者购买预测问题通常由 ML 研究者以常规方式处理，或通过推荐系统，或通过传统 ML 方法。此类建模方法在预测消费者购买模式时泛化性不佳。在本文中，我们展示了关于消费者购买行为的研究，其中我们建立了一个数据驱动框架，利用电商零售数据预测消费者是否会在特定时间范围内购买某商品。为建模此关系，我们为所有相关的消费者-商品组合创建了顺序时间序列数据。然后，我们通过生成消费者、商品和时间交集处的特征来构建广义非线性模型。我们通过实验不同的神经网络架构、ML 模型及其组合，展示了鲁棒的性能。我们给出了 60 个具有不同超参数的建模实验结果，以及堆叠泛化集成和 F1 最大化框架。随后我们展示了多层感知机、长短期记忆（LSTM）、时间卷积网络（TCN）和 TCN-LSTM 等神经网络架构相对于 Xgboost 和 RandomForest 等 ML 模型所带来的优势。