大规模修正库存不准确问题
机器学习
2022-07-15 v3 机器学习
摘要
库存记录不准确频繁发生,据某些估计每年使零售商损失约4%的销售额。人工检测库存不准确成本高昂,而现有的算法解决方案几乎完全依赖纵向数据学习,这在现代零售运营引发的动态环境中是不够的。相反,我们提出一种基于门店与SKU横截面数据的解决方案,观察到检测库存不准确可视为在低秩泊松矩阵中识别异常的问题。最先进的低秩矩阵异常检测方法显然存在不足。具体而言,从理论角度看,这些方法的恢复保证要求非异常条目以趋于零的微小噪声被观测(这在我们的问题中并不成立,事实上在许多应用中亦如此)。受此驱动,我们提出一种概念上简单的逐元素低秩泊松矩阵异常检测方法。我们的方法适用于一般类别的概率异常模型。我们证明,算法所产生的代价以极小极大最优速率逼近最优算法的代价。利用合成数据与某消费品零售商的真实数据,我们表明该方法相较现有异常检测方法可至多降低10倍代价。在此过程中,我们基于近期寻求矩阵补全逐元素误差保证的工作,建立了亚指数矩阵的此类保证,这一结果具有独立意义。
引用
@article{arxiv.2006.13126,
title = {Fixing Inventory Inaccuracies At Scale},
author = {Vivek F. Farias and Andrew A. Li and Tianyi Peng},
journal= {arXiv preprint arXiv:2006.13126},
year = {2022}
}
备注
The preliminary version titled "Near-Optimal Entrywise Anomaly Detection for Low-Rank Matrices with Sub-Exponential Noise" appeared at Proceedings of the 38th International Conference on Machine Learning (ICML 2021)