提升销售预测精度：一种具有需求感知的张量分解方法
机器学习
2020-11-09 v1 信息检索
机器学习
摘要
由于可从消费者、产品和商店获取大数据集合，先进的销售预测能力已引起众多公司的极大关注，尤其在零售业务中，因其在决策制定中的重要性。预测精度即便仅提升很小的百分比，也可能对公司的生产与财务规划、营销策略、库存控制、供应链管理乃至股价产生实质影响。具体而言，我们的研究目标是预测近期每个商店中每种产品的销售额。受面向个性化上下文感知推荐系统的张量分解方法启发，我们提出一种称为销售预测高级时序隐因子方法（ATLAS）的新方法，其通过跨多个商店与产品构建单一张量分解模型，实现准确且个性化的销售预测。我们的贡献在于结合：张量框架（以跨商店和产品利用信息）、新的正则化函数（以纳入需求动态），以及使用最先进的统计（季节性自回归积分滑动平均模型）和机器学习（循环神经网络）模型将张量外推至未来时段。ATLAS 的优势在 Information Resource, Inc. 收集的八个产品类别数据集上得到展示，其中分析了来自 1500 多家杂货店、涵盖 15560 种产品的共计 1.65 亿条周销售交易。
引用
@article{arxiv.2011.03452,
title = {Improving Sales Forecasting Accuracy: A Tensor Factorization Approach with Demand Awareness},
author = {Xuan Bi and Gediminas Adomavicius and William Li and Annie Qu},
journal= {arXiv preprint arXiv:2011.03452},
year = {2020}
}