FreshRetailNet-LT: A Stockout-Annotated Censored Demand Dataset for Latent Demand Recovery and Forecasting in Fresh Retail
Dieses Paper stellt FreshRetailNet-50K vor, den ersten groß angelegten Benchmark-Datensatz mit 50.000 stündlichen Laden-Produkt-Zeitreihen mit präzisen Bestandsausfall-Annotationen, der es Forschern ermöglicht, die latente Nachfrage zu rekonstruieren und die Prognosegenauigkeit für verderbliche Einzelhandelsprodukte durch die Korrektur systemischer Verzerrungen, die durch zensierte Verkaufsdaten verursacht werden, signifikant zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie führen einen geschäftigen Limonadenstand. Sie möchten genau wissen, wie viele Becher die Leute kaufen wollen, damit Sie die perfekte Menge an Limonade herstellen können. Wenn Sie zu viel herstellen, wird sie sauer (Verschwendung); wenn Sie zu wenig herstellen, entgehen Ihnen Verkäufe.
Das Problem ist: Ihr Verkaufsbericht ist eine Lügnerin.
Das Problem: Die „Leere-Becher-Illusion“
In der Welt frischer Lebensmittel (wie Erdbeeren, Fisch oder Milch) sind Geschäfte oft ausverkauft. Nehmen wir an, Sie haben 100 Kunden, die Erdbeeren wollen, aber Sie haben nur 50. Sie sind bereits um 11:00 Uhr ausverkauft.
Ihr Verkaufsbericht für den Rest des Tages sagt: „0 Verkäufe.“
Aber das stimmt nicht! Die Nachfrage war immer noch da; Sie hatten lediglich keinen Bestand mehr. Dies wird als zensierte Daten bezeichnet. Es ist wie eine Kamera, die aufhört aufzunehmen, sobald die Batterie leer ist. Wenn Sie versuchen, aus dieser defekten Kamera zu lernen, werden Sie denken: „Oh, nach 11:00 Uhr wollte niemand mehr Erdbeeren kaufen“, und Sie werden am nächsten Tag wahrscheinlich noch weniger bestellen. Dies erzeugt einen Teufelskreis, in dem Sie ständig ausverkauft sind und Geld verlieren.
Die Lösung: FreshRetailNet-LT
Die Autoren dieser Arbeit haben einen neuen, massiven Datensatz namens FreshRetailNet-LT erstellt, um diese defekte Kamera zu reparieren. Denken Sie an diesen Datensatz als ein „super-detailliertes Tagebuch“ für den Verkauf von Frischwaren.
Hier ist das, was ihn besonders macht, erklärt mit einfachen Analogien:
1. Das High-Definition-Video vs. die tägliche Zusammenfassung
Die meisten alten Datensätze sind wie eine tägliche Zusammenfassung: „Heute 50 Äpfel verkauft.“ Sie sagen Ihnen nicht, wann Sie ausverkauft waren.
Dieser neue Datensatz ist wie ein hochauflösendes Video, das jede Stunde aufgenommen wird. Er zeigt Ihnen exakt, wann das Regal leer war. Er zeichnet die Geschichten von 20.000 verschiedenen Produkten aus über 1.000 Geschäften in 18 Städten über zwei Jahre hinweg auf. Da er alles stündlich verfolgt, kann er erkennen, dass Sie um 11:00 Uhr die Erdbeeren aufgebraucht haben, selbst wenn Sie um 14:00 Uhr nichts mehr verkauft haben.
2. Das „Wahrheits-Label“
Normalerweise müssen Computer raten, ob ein Geschäft ausverkauft war. Dieser Datensatz kommt mit verifizierten „Stockout-Labels“ (Bestandsfehlern). Es ist, als hätte man eine Lehrerin, die jedes Mal, wenn das Regal tatsächlich leer war, einen goldenen Stern daneben setzt. Dies ermöglicht es Forschern, Computern den Unterschied zwischen „niemand wollte es“ (echter Null-Nachfrage) und „wir waren ausverkauft“ (zensierter Nachfrage) beizubringen.
3. Die Kontext-Hinweise
Der Datensatz zählt nicht nur Verkäufe; er zeichnet den „Wetterbericht“ für die Verkäufe auf. Er enthält:
- Aktionen: Hatten wir einen 50%-Rabatt? (Dies verursacht normalerweise einen riesigen Nachfragespitzen).
- Wetter: Regnet es? (Die Leute kaufen vielleicht mehr frisches Gemüse, um zu Hause zu kochen).
- Feiertage: Ist chinesisches Neujahr? (Die Leute kaufen andere Dinge).
Wie sie es getestet haben: Die Zwei-Schritte-Lösung
Die Forscher nutzten diesen neuen Datensatz, um eine Zwei-Schritte-Methode zu testen, die den „lügenden Verkaufsbericht“ korrigiert:
- Schritt 1: Die Detektivarbeit (Rekonstruktion)
Zuerst nutzten sie die „goldenen Stern“-Labels, um die fehlenden Verkäufe zu rekonstruieren. Wenn das Regal um 11:00 Uhr leer war, schätzt das Modell ein, wie viele Menschen Erdbeeren gekauft hätten, wenn das Regal nicht leer gewesen wäre. Es ist, als würde man die fehlenden Bilder eines Films ergänzen. - Schritt 2: Die Kristallkugel (Prognose)
Zweitens nutzten sie diese „rekonstruierte Wahrheit“, um einen Computer darauf zu trainieren, die zukünftige Nachfrage vorherzusagen.
Die Ergebnisse: Ein klareres Bild
Als sie diese Methode testeten, waren die Ergebnisse beeindruckend:
- Weniger Raten: Der Computer unterschätzte die Nachfrage nicht mehr. Vorher lag er um etwa 6,7 % daneben (er dachte, die Leute wollten weniger als sie tatsächlich wollten). Nach der Anwendung der neuen Methode sank dieser Fehler auf nahezu Null.
- Bessere Genauigkeit: Die allgemeine Vorhersagegenauigkeit verbesserte sich um 1,63 %. In der Welt, in der Millionen von Dollar an Frischwaren verkauft werden, spart dieses kleine Prozentsatz viel Geld und reduziert die Verschwendung.
Warum es wichtig ist
In dieser Arbeit geht es nicht nur um Mathematik; es geht darum, ein kaputtes System zu reparieren. Indem sie einen Datensatz bereitstellen, der zugibt „wir waren ausverkauft“ und genau sagt, wann dies der Fall war, hilft er Geschäften dabei, den Kreislauf des Ausverkauft-Seins bei Frischwaren zu durchbrechen. Er ermöglicht es ihnen, die richtige Menge an verderblichen Waren zu bestellen, damit sichergestellt ist, dass die Erdbeeren, wenn Sie in den Laden gehen, auch tatsächlich da sind.
Die Autoren haben dieses „super-detaillierte Tagebuch“ und ihren Code für jeden zur Nutzung zur Verfügung gestellt, in der Hoffnung, sowohl Wissenschaftlern als auch Ladenbesitzern dabei zu helfen, das Rätsel der Nachfrage nach Frischwaren zu lösen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.