FreshRetailNet-LT: A Stockout-Annotated Censored Demand Dataset for Latent Demand Recovery and Forecasting in Fresh Retail
यह शोध पत्र FreshRetail-Net-50K को प्रस्तुत करता है, जो सटीक स्टॉकआउट एनोटेशन के साथ 50,000 प्रति घंटा स्टोर-उत्पाद टाइम सीरीज़ वाला पहला बड़े पैमाने का बेंचमार्क डेटासेट है, जो शोधकर्ताओं को विलुप्त मांग (latent demand) को पुनर्गठित करने और सेंसर डेटा के कारण होने वाले व्यवस्थित पूर्वाग्रहों को सुधारकर खराब होने वाले खुदरा उत्पादों के लिए पूर्वानुमान सटीकता में महत्वपूर्ण रूप से सुधार करने में सक्षम बनाता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप नींबू पानी (लेमोनेड) का एक व्यस्त स्टाल चला रहे हैं। आप ठीक-ठीक जानना चाहते हैं कि कितने लोग नींबू पानी खरीदना चाहते हैं ताकि आप एकदम सही मात्रा में नींबू पानी बना सकें। यदि आप बहुत अधिक बनाते हैं, तो यह खट्टा हो जाता है (बर्बादी); यदि आप बहुत कम बनाते हैं, तो आप बिक्री का अवसर खो देते हैं।
समस्या यह है कि आपका बिक्री रिकॉर्ड एक झूठ बोलने वाला है।
समस्या: "खाली कप" का भ्रम
ताजी खाद्य सामग्री (जैसे स्ट्रॉबेरी, मछली या दूध) की दुनिया में, स्टोर अक्सर स्टॉक खत्म होने की समस्या से जूझते हैं। मान लीजिए कि 100 ग्राहक स्ट्रॉबेरी खरीदना चाहते हैं, लेकिन आपके पास केवल 50 हैं। आप सुबह 11:00 बजे तक सब बेच चुके होते हैं।
दिन के बाकी समय के लिए आपका बिक्री रिकॉर्ड कहता है: "0 बिक्री।"
लेकिन यह सच नहीं है! मांग अभी भी मौजूद थी; बस आपके पास स्टॉक खत्म हो गया था। इसे सेंसर्ड डेटा (Censored Data) कहा जाता है। यह एक ऐसे कैमरे की तरह है जो बैटरी खत्म होते ही रिकॉर्डिंग बंद कर देता है। यदि आप इस टूटे हुए कैमरे से सीखने की कोशिश करते हैं, तो आप सोचेंगे, "ओह, सुबह 11 बजे के बाद किसी को स्ट्रॉबेरी नहीं चाहिए थी," और आप अगले दिन और भी कम स्टॉक मंगवाएंगे। यह एक दुष्चक्र बनाता है जहाँ आप लगातार स्टॉक खत्म होने की स्थिति में रहते हैं और पैसा गंवाते हैं।
समाधान: FreshRetailNet-LT
इस शोधकर्ताओं ने इस टूटे हुए कैमरे को ठीक करने के लिए एक नया, विशाल डेटासेट बनाया है जिसे FreshRetailNet-LT कहा जाता है। इसे एक "अत्यंत विस्तृत डायरी" की तरह समझें जो ताजे खाद्य पदार्थों की बिक्री का हिसाब रखती है।
यहाँ बताया गया है कि यह क्या खास बनाता है, सरल उपमाओं का उपयोग करते हुए:
1. हाई-डेफिनिशन वीडियो बनाम दैनिक सारांश
अधिकांश पुराने डेटासेट एक दैनिक सारांश नोट की तरह होते हैं: "आज 50 सेब बिके।" वे आपको यह नहीं बताते कि आपका स्टॉक कब खत्म हुआ।
यह नया डेटासेट एक हाई-डेफिनिशन वीडियो की तरह है जो हर घंटे रिकॉर्ड किया जाता है। यह आपको बिल्कुल सटीक रूप से दिखाता है कि शेल्फ कब खाली हुई। यह 18 शहरों के 1,000 से अधिक स्टोरों से 20,000 अलग-अलग उत्पादों की कहानियों को दो वर्षों तक ट्रैक करता है। क्योंकि यह हर घंटे ट्रैक करता है, इसलिए यह पहचान सकता है कि आपने सुबह 11:00 बजे स्ट्रॉबेरी खत्म कर दी थी, भले ही दोपहर 2:00 बजे आपकी कोई बिक्री न हुई हो।
2. "ट्रुथ लेबल" (सत्य का लेबल)
आमतौर पर, कंप्यूटर को यह अनुमान लगाना पड़ता है कि क्या किसी स्टोर में स्टॉक खत्म हो गया है। यह डेटासेट सत्यापित "स्टॉकआउट लेबल" के साथ आता है। यह एक शिक्षक की तरह है जो हर उस बार के बगल में 'गोल्ड स्टार' लगा देता है जब शेल्फ वास्तव में खाली थी। यह शोधकर्ताओं को कंप्यूटर को यह सिखाने की अनुमति देता है कि "किसी को इसकी ज़रूरत नहीं थी" (वास्तविक शून्य मांग) और "हमारा स्टॉक खत्म हो गया" (सेंसर्ड मांग) के बीच क्या अंतर है।
3. संदर्भ के संकेत (Context Clues)
यह डेटासेट केवल बिक्री की गिनती नहीं करता; यह बिक्री के लिए "मौसम की रिपोर्ट" भी दर्ज करता है। इसमें शामिल हैं:
- प्रमोशन: क्या 50% की छूट वाली सेल चल रही थी? (यह आमतौर पर मांग में भारी उछाल लाता है)।
- मौसम: क्या बारिश हो रही है? (लोग घर पर खाना बनाने के लिए अधिक ताजी सब्जियां खरीद सकते हैं)।
- त्यौहार: क्या चीनी नव वर्ष (Chinese New Year) है? (लोग अलग-अलग चीजें खरीदते हैं)।
उन्होंने इसका परीक्षण कैसे किया: दो-चरणीय समाधान
शोधकर्ताओं ने इस नए डेटासेट का उपयोग इस "झूठे बिक्री रिकॉर्ड" को ठीक करने के लिए एक दो-चरणीय विधि का परीक्षण करने के लिए किया:
- चरण 1: जासूसी कार्य (रिकवरी)
सबसे पहले, उन्होंने "गोल्ड स्टार" लेबल का उपयोग करके गायब बिक्री को पुनर्गठित किया। यदि सुबह 11 बजे शेल्फ खाली थी, तो मॉडल यह अनुमान लगाता है कि यदि शेल्फ खाली न होती, तो कितने लोग स्ट्रॉबेरी खरीदना चाहते। यह एक फिल्म के गायब फ्रेम को भरने जैसा है। - चरण 2: भविष्य देखने की शक्ति (फोरकास्टिंग)
दूसो, उन्होंने इस "पुनर्गठित सत्य" का उपयोग कंप्यूटर को भविष्य की मांग की भविष्यवाणी करना सिखाने के लिए किया।
परिणाम: एक स्पष्ट तस्वीर
जब उन्होंने इस पद्धति का परीक्षण किया, तो परिणाम प्रभावशाली थे:
- कम अनुमान लगाना: कंप्यूटर ने मांग को कम आंकना बंद कर दिया। पहले, यह लगभग 6.7% गलत था (यह सोचकर कि लोग वास्तव में जितनी मांग कर रहे थे उससे कम चाहते हैं)। इस नई पद्धति का उपयोग करने के बाद, त्रुटि घटकर शून्य के करीब आ गई।
- बेहतर सटीकता: समग्र भविष्यवाणी सटीकता में 1.63% का सुधार हुआ। लाखों डॉलर के ताजे भोजन को बेचने की दुनिया में, यह छोटा सा प्रतिशत बहुत सारा पैसा बचाता है और बर्बादी को कम करता है।
यह क्यों महत्वपूर्ण है
यह शोध पत्र केवल गणित के बारे में नहीं है; यह एक टूटी हुई प्रणाली को ठीक करने के बारे में है। एक ऐसा डेटासेट प्रदान करके जो यह स्वीकार करता है कि "हमारा स्टॉक खत्म हो गया" और यह भी बताता है कि ठीक कब, यह स्टोरों को स्टॉक खत्म होने के चक्र से बाहर निकलने में मदद करता है। यह उन्हें खराब होने वाली वस्तुओं की सही मात्रा मंगवाने की अनुमति देता है, जिससे यह सुनिश्चित होता है कि जब आप स्टोर जाएं, तो स्ट्रॉबेरी वास्तव में वहां मौजूद हों।
लेखकों ने इस "अत्यंत विस्तृत डायरी" और उनके कोड को किसी के भी उपयोग के लिए उपलब्ध कराया है, इस उम्मीद में कि यह वैज्ञानिकों और स्टोर मालिकों दोनों को ताजे भोजन की मांग की पहेली को सुलझाने में मदद करेगा।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।