🤖 machine learning

CEDAR: Controlled and Event-Driven Demand Forecasting via Residual Decomposition

CEDAR est un cadre à deux étapes qui améliore la prévision de la demande pour la planification du commerce électronique en combinant un Transformer à interleaving d'actions pour simuler les transitions d'état pilotées par des politiques avec un module de correction résiduelle qui exploite les LLM et les signaux d'événements pour pallier les limites des modèles de séries temporelles passifs, permettant ainsi une analyse contrefactuelle robuste et une meilleure planification budgétaire.

Auteurs originaux : Junjie Meng, Ranxu Zhang, Zi-an Zhang, Shujun Liu, Xiaoning Qi, Xiaozhou Xu, Yanyong Zhang, Hui Xiong, Chao Wang

Publié 2026-08-27

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Junjie Meng, Ranxu Zhang, Zi-an Zhang, Shujun Liu, Xiaoning Qi, Xiaozhou Xu, Yanyong Zhang, Hui Xiong, Chao Wang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le vaste marché numérique bourdonnant de l'e-commerce moderne, une question fondamentale intrigue depuis longtemps les planificateurs : comment savoir ce qui va se passer ensuite ? Pendant des décennies, la réponse standard reposait sur une forme de prédiction passive. Les ordinateurs étudiaient le passé, observant comment les ventes évoluaient en réponse aux prix, aux jours fériés et à la publicité, puis prolongeaient simplement ces lignes vers l'avant. C'était une méthode d'extrapolation, supposant que le futur ressemblerait beaucoup au passé, avec seulement un léger décalage. Cette approche fonctionnait suffisamment bien lorsque le monde était stable et que les marchands se contentaient de réagir aux tendances. Mais dans l'environnement dynamique et à enjeux élevés du commerce mondial, les marchands ne sont pas des observateurs passifs ; ils sont des moteurs actifs. Ils changent constamment leurs stratégies, ajustant les budgets, lançant des promotions et modifiant les prix pour remodeler la demande avant même qu'elle ne se produise. L'ancienne façon de prévoir, qui traitait ces décisions humaines comme un simple bruit de fond, a commencé à échouer. Elle ne pouvait pas répondre à la question la plus critique qu'un chef d'entreprise doit poser : « Si je change mon plan aujourd'hui, à quoi ressemblera le marché demain ? »

C'est le défi que l'équipe de chercheurs de l'Université de Science et Technologie de Chine et du Groupe Alibaba s'est donné pour mission de résoudre. Ils ont reconnu que pour prédire l'avenir d'un marché, il faut cesser de traiter le futur comme une destination fixe et commencer à le traiter comme un chemin que l'on peut diriger. Leurs travaux, présentés lors d'une grande conférence de science des données, introduisent un nouveau système appelé CEDAR. Contrairement aux modèles traditionnels qui se contentent de regarder l'histoire se dérouler, CEDAR est conçu pour simuler ce qui se passerait si un marchand prenait des mesures spécifiques. Il ne se contente pas de deviner le prochain chiffre ; il calcule le résultat d'un choix. En séparant le flux naturel du marché des effets spécifiques de l'intervention humaine, et en tenant compte des événements externes soudains et imprévisibles, les chercheurs ont créé un outil capable de tester de manière fiable différentes stratégies budgétaires avant que le moindre dollar ne soit dépensé.

Le cœur de cette nouvelle approche réside dans une architecture en deux parties qui imite la façon dont un marchand pense et agit réellement. La première partie est un moteur spécialisé qui apprend le lien direct entre une décision et son résultat immédiat. Par le passé, les modèles mélangeaient les actions d'un marchand, comme une remise ou une dépense publicitaire, avec les données de vente, les traitant comme un flux d'informations unique et confus. Cela causait la confusion du modèle, qui supposait souvent qu'un pic de ventes était causé par une tendance naturelle alors qu'il était en réalité le résultat d'une promotion spécifique. Le nouveau système, cependant, traite l'action du marchand comme une force distincte et primaire. Il apprend un schéma spécifique où un état passé mène à une décision, et cette décision entraîne directement l'état suivant. Cela permet au système de comprendre que si un marchand arrête de dépenser en publicité, les ventes chuteront probablement, même si la tendance générale du marché est à la hausse. Il apprend la mécanique de cause à effet plutôt que la simple corrélation d'événements.

La seconde partie du système aborde le chaos du monde réel. Même avec une compréhension parfaite de la manière dont les actions d'un marchand influencent les ventes, l'avenir n'est jamais entièrement prévisible. Des événements d'actualité soudains, des tendances virales sur les réseaux sociaux ou des jours fériés inattendus peuvent provoquer une explosion ou un effondrement de la demande sans aucun rapport avec le budget du marchand. Pour gérer cela, les chercheurs ont ajouté un module de correction qui agit comme un mécanisme de réglage fin. Ce module examine les signaux externes, tels que les titres de l'actualité et les sujets de recherche tendance, et utilise le traitement avancé du langage pour en comprendre le sens. Il calcule ensuite la différence entre ce que la première partie du système avait prédit et ce qui s'est réellement passé, attribuant cette différence à ces chocs externes. Ce faisant, le système peut corriger ses propres prédictions, ajoutant une couche de réalisme qui tient compte de la nature imprévisible du monde.

Les chercheurs ont testé ce système sur un ensemble massif de données provenant de la plateforme 1688 d'Alibaba, qui comprend les trajectoires de ventes d'environ 32 millions de produits sur une certaine période. Ils ont comparé leur nouvelle méthode à plusieurs des modèles de prévision les plus puissants existants. Les résultats étaient clairs et cohérents. Dans les simulations où le système était chargé de prédire les ventes sous de nouveaux plans budgétaires inédits, les modèles traditionnels peinaient. Ils avaient tendance à s'en tenir aux schémas historiques, échouant à réagir lorsque la stratégie du marchand changeait. En revanche, le nouveau système suivait avec précision le nouveau chemin, prédisant correctement comment les ventes augmenteraient ou diminueraient en réponse aux interventions spécifiques. Lorsque l'horizon de prévision était étendu à dix semaines, le nouveau système réduisait le taux d'erreur de plus de la moitié par rapport aux meilleurs modèles traditionnels. Il s'est avéré particulièrement apte à la planification à long terme, là où de petites erreurs de prédiction peuvent se transformer en calculs erronés massifs.

Pour s'assurer qu'il ne s'agissait pas d'un simple exercice théorique, l'équipe a déployé le système dans un environnement réel sur la plateforme Alibaba 1688. Ils ont mené un test à grande échelle impliquant des centaines de marchands qui ont utilisé le système pour planifier leurs budgets publicitaires. Les marchands ayant utilisé le nouvel outil de simulation ont constaté une amélioration significative de leurs résultats commerciaux. En moyenne, leur retour sur investissement a augmenté de 15 % et leur valeur vie client globale a crû de 13 %. Ces gains proviennent de la capacité à allouer l'argent plus efficacement, évitant de dépenser dans des campagnes qui ne fonctionneraient pas et doublant la mise sur les stratégies que la simulation montrait comme étant fructueuses. Le système leur a permis de voir les conséquences de leurs choix avant de les faire, transformant le processus de planification d'un jeu de hasard en une stratégie calculée.

Le succès de ce travail suggère un changement dans notre façon de concevoir les prévisions dans les systèmes complexes. Il déplace l'attention de la simple observation du passé vers la compréhension des leviers qui contrôlent le futur. En modélisant explicitement la relation entre les décisions humaines et les résultats du marché, et en séparant ces décisions du bruit des événements externes, les chercheurs ont construit un outil qui est à la fois plus précis et plus utile. Cela démontre que dans un monde où les actions remodèlent constamment la réalité, la meilleure façon de prédire l'avenir est de comprendre comment nos propres choix le construiront. Les conclusions offrent une nouvelle voie aux entreprises pour naviguer dans l'incertitude, en fournissant un moyen de tester des stratégies dans un environnement simulé sûr avant de s'engager des ressources réelles dans un marché volatil.

Résumé Technique : CEDAR

Énoncé du Problème

Dans les places de marché électroniques à grande échelle, la prévision de séries temporelles (TSF - Time Series Forecasting) est cruciale pour la planification des stocks, la tarification et l'optimisation du marketing. Cependant, les approches de prévision actuelles sont principalement passives, conçues pour extrapoler les tendances historiques sous des politiques observées. Elles ne répondent pas au besoin fondamental des marchands : la simulation conditionnée par la décision. Les marchands nécessitent des analyses de type « what-if » (et si) pour évaluer les trajectoires de ventes futures sous des séquences d'interventions spécifiques (par exemple, des calendriers de budget, des stratégies de remise) qui peuvent diverger considérablement des données historiques.

Les modèles de TSF multivariés existants traitent généralement les actions des marchands (ex: dépenses publicitaires, remises) comme des covariables auxiliaires concaténées aux variables d'état. Cette conception souffre de deux limitations principales :

Inertie Autorégressive : Les modèles capturent les corrélations statistiques dans la distribution jointe des états et des actions plutôt que d'apprendre des mécanismes de transition causaux explicites. Par conséquent, ils ne peuvent pas répondre à des calendriers d'actions contrefactuels, ce qui conduit à des déploiements insensibles aux politiques.
Conflation de la Dynamique : Ces modèles entremêlent l'évolution endogène du marché avec les transitions induites par les décisions et ne parviennent pas à séparer les effets des actions des chocs exogènes non stationnaires (ex: tendances virales, jours fériés). Cela conduit à une analyse contrefactuelle peu fiable et à une planification budgétaire erronée.

Méthodologie : CEDAR

Les auteurs proposent CEDAR (Controlled and Event-Driven Demand forecasting via Action-aware Residual decomposition), un cadre à deux étapes conçu pour simuler de manière robuste la demande sous des interventions planifiées. Le cadre est entraîné sur un ensemble de données à grande échelle provenant d'Alibaba 1688 contenant 32 millions de trajectoires de produits avec des séquences état-action appariées et des signaux d'événements alignés.

Étape I : Transformer Intercalé par l'Action (AIT - Action-Interleaved Transformer)

La première étape se concentre sur l'apprentissage de transitions d'état conditionnées par l'action et contrôlables.

Architecture : Au lieu de traiter les actions comme des caractéristiques exogènes, CEDAR modélise les états ( $s_t$ ) et les actions ( $a_t$ ) comme des jetons (tokens) intercalés dans une séquence causale unifiée : $s_{t-1} \to a_t \to s_t$ .
Mécanisme : Un Transformer Intercalé par l'Action (AIT) traite cette séquence. En imposant cet ordre causal spécifique, le modèle apprend un opérateur de transition explicite $s_{t+1} = f(s_t, a_{t+1})$ qui capture comment les interventions pilotent les changements d'état ultérieurs.
Objectif : Permettre des déploiements multi-étapes stables sous de nouvelles stratégies d'intervention en désentremêlant les dynamiques contrôlables des corrélations passives.

Étape II : Module de Correction de Résidus

La seconde étape traite le désentremêlement exogène, corrigeant les facteurs externes non stationnaires que l'AIT ne peut prédire à partir de l'historique état-action seul.

Construction du Signal : Le module exploite les Grands Modèles de Langage (LLM) pour extraire des représentations structurées à partir de signaux externes non structurés. Il traite les actualités de la semaine précédente et les événements saisonniers ou de vacances actuels pour générer des « plongements de points chauds » ( $h_t$ ) qui capturent le contexte sémantique des influences externes.
Mécanisme de Correction : Un mécanisme d'attention croisée aligne ces plongements d'événements externes avec les motifs temporels spécifiques aux articles (métadonnées du produit et états récents). Un Perceptron Multicouche (MLP) prédit ensuite le résidu ( $\Delta s_{t+1}$ ) entre la trajectoire simulée et les observations réelles.
Sortie Finale : La prévision finale est la somme de la prédiction de base de l'Étape I et de la correction de résidu : $\tilde{s}_{t+1} = \hat{s}_{t+1} + \Delta s_{t+1}$ .

Stratégie d'Entraînement

CEDAR emploie un paradigme d'entraînement découplé en deux étapes. L'Étape I est entraînée en premier pour apprendre des dynamiques de transition stables. L'Étape II est entraînée par la suite pour apprendre les corrections de résidus. Cette séparation garantit que l'opérateur de transition reste robuste lors des changements de politique, tandis que le module de correction s'adapte de manière flexible aux conditions volatiles du marché.

Contributions Clés

Formulation du Problème : L'article recadre la prévision des ventes pour les marchands comme un problème de simulation conditionnée par la décision, soulignant l'insuffisance de la TSF passive sous des interventions séquentielles.
Cadre Novateur : CEDAR introduit un cadre à deux étapes sensible aux actions qui :
- Apprend des transitions explicites conditionnées par l'action via un Transformer Intercalé par l'Action.
- Corrige les déviations exogènes et non stationnaires à l'aide d'un module de résidus piloté par les événements, enrichi par la compréhension textuelle assistée par LLM.
Validation Empirique : L'approche est validée sur un ensemble de données industrielles massives (32 millions de trajectoires) et par des tests A/B en ligne dans un environnement de production.

Résultats Expérimentaux

Les auteurs ont évalué CEDAR par rapport à des modèles de référence de pointe (Informer, PatchTST, PETFormer, Timer-XL) sur l'ensemble de données E-Com 15-Week et un ensemble de données public Kaggle Store Sales.

Performance Hors-ligne : CEDAR a systématiquement surpassé tous les modèles de référence en termes d'Erreur Quadratique Moyenne (MSE), d'Erreur Absolue Moyenne (MAE) et de MSE Normalisé (NMSE).
- Dans le cadre de prédiction « prochaines 5 » (next 5), CEDAR a atteint un MSE de 0,182, surpassant nettement le modèle de référence le plus fort PatchTST (0,424) et PETFormer (0,434), représentant des améliorations relatives de 57,1 % et 58,1 %, respectivement.
- Dans le cadre « prochaines 10 » (next 10), CEDAR a réduit le MSE à 0,414, tandis que des modèles comme Informer ont subi une dégradation sévère (MSE > 30).
Études d'Ablation :
- Supprimer la conception Intercalée par l'Action (en utilisant un entraînement conjoint à étape unique) a augmenté le MSE, confirmant la nécessité d'une modélisation explicite conditionnée par l'action.
- Supprimer le Module de Correction de Résidus ou mélanger les signaux d'événements temporels a dégradé les performances, particulièrement pour capturer les fluctuations de demande soudaines (MAE).
Tests A/B en Ligne : Déployé sur Alibaba 1688 pendant 30 jours auprès de 239 marchands.
- Le groupe de traitement (utilisant CEDAR) a obtenu une augmentation de 13 % de la Valeur Vie Client (LTV) (46 471 contre 41 228) et une amélioration de 15 % du Retour sur Investissement (ROI) par rapport au groupe de contrôle utilisant un modèle de référence basé sur la diffusion.
- Le système a facilité 8,77 millions de RMB de valeur de transaction avec un taux de réachat de 61 %.

Signification et Revendications

L'article affirme que CEDAR fournit une base rigoureuse pour la prévision consciente des décisions dans des environnements d'e-commerce hautement non stationnaires. En découplant explicitement les dynamiques de marché endogènes des chocs externes latents et en traitant les actions des marchands comme des modalités de premier rang, le cadre permet une analyse « what-if » fiable.

Les auteurs soulignent que leur travail va au-delà de l'extrapolation passive basée sur la corrélation pour passer à la simulation contrôlée, permettant aux marchands d'optimiser proactivement les calendriers budgétaires et les stratégies marketing. Le succès du déploiement en ligne démontre que la simulation conditionnée par la décision apporte une valeur commerciale tangible à grande échelle, réduisant les dépenses publicitaires inefficaces et améliorant l'alignement entre l'allocation budgétaire et la véritable demande du marché. L'article conclut que la modélisation explicite conditionnée par l'action et le désentremêlement des chocs externes sont essentiels pour une planification robuste dans les systèmes pilotés par les interventions.