Sintesi Tecnica: Deconvoluzione Contestuale per la Stabilità della Varianza nel Demand Sensing

Definizione del Problema

Negli ambienti retail promozionali, i modelli standard di machine learning (ML) — come gli alberi potenziati dal gradiente o i transformer temporali — ottimizzano l'accuratezza statistica puntuale (es. RMSE), ma non riescono a tenere conto della volatilità operativa. Questi modelli spesso confondono shock di domanda transitori (es. promozioni, eventi SNAP) con spostamenti strutturali della domanda. Di conseguenza, le previsioni non smussate propagano l'instabilità a monte, gonfiando i requisiti di scorta di sicurezza e amplificando l'effetto Bullwhip.

La sfida centrale è che i modelli autoregressivi classici mancano di vincoli strutturali per mappare gli effetti esogeni ritardati alla loro fonte. Essi trattano le impronte promozionali plurigiornaliere come collassi strutturali o anomalie istantanee, portando all'instabilità operativa. Sebbene esistano metodi di apprendimento orientati all'inventario, essi spesso mirano direttamente allo strato decisionale. Questo documento affronta lo strato di decomposizione, con l'obiettivo di separare le baseline strutturali latenti dagli shock transitori per fornire un input stabile per gli ottimizzatori di inventario a valle.

Metodologia: Deconvoluzione Contestuale (CD)

Gli autori riformulano il demand sensing come un problema inverso: il recupero delle componenti strutturali e transitorie latenti dai segnali di domanda osservati. Il framework proposto, la Deconvoluzione Contestuale (CD), utilizza uno stimatore a due stadi che combina la regressione a ritardo distribuito con una decomposizione convessa di tipo smoothness-plus-sparsity.

1. Formulazione del Problema Inverso

Il segnale di domanda osservato $b$ è modellato come una sovrapposizione di una baseline strutturale fluida ($x_{base}$) e un segnale transitorio sparso ($x_{spec}$), mappati attraverso operatori forward:
$$b = A_{base}x_{base} + A_{spec}(\theta)x_{spec} + \epsilon$$
Dove $A_{base} = I$ (identità) e $A_{spec}(\theta)$ è un operatore a banda modulato dal contesto parametrizzato da iperparametri del kernel $\theta$. Il recupero è formulato come un problema di ottimizzazione convessa che minimizza fedeltà, fluidità (penalità $\ell_2$ sulle derivate) e sparsità (penalità $\ell_1$ sugli shock):
$$\min_{x_{base}, x_{spec}} \|b - (x_{base} + A_{spec}x_{spec})\|_2^2 + \lambda_{smooth}\|Lx_{base}\|_2^2 + \lambda_{sparse}\|x_{spec}\|_1$$

2. Operatori Modulati dal Kernel

A differenza della decomposizione classica che assume shock istantanei ($A=I$), la CD utilizza un operatore modulato dal kernel per codificare il carryover promozionale.

• Famiglia Parametrica: Per evitare i problemi di non-normalità e crescita transitoria tipici degli operatori Koopman basati sui dati (EDMD), la CD utilizza un kernel Difference-of-Exponentials (DoE) compatto e interpretabile. Questo kernel cattura un aumento immediato, un carryover graduale e un eventuale cannibalizzazione post-promozionale (vuoto).
• Propagazione Modulata dalla Fonte: L'operatore è una matrice a banda triangolare inferiore in cui le sottodiagonali sono modulate da feature esogene (es. tipo di promozione). Fondamentalmente, il contributo al tempo $t$ proveniente da un ritardo $k$ è modulato dal valore della feature al tempo sorgente $t-k$, riflettendo la dinamica della catena di approvvigionamento.
• Larghezza di Banda (Bandwidth): Il ritardo del kernel è derivato dai dati (default $n=14$ giorni), catturando $\ge 94\%$ dell'energia di risposta all'impulso nella maggior parte delle categorie, pur rimanendo computazionalmente efficiente.

3. Pipeline di Stima a Due Stadi

Per garantire scalabilità e stabilità, la CD decoppia la stima della baseline dal recupero del kernel:

1. Detrending Robusto: Una funzione di perdita Huber estrae un trend robusto $\hat{\mu}$ dal segnale grezzo, riducendo il peso delle osservazioni estreme.
2. Regressione a Ritardo Distribuito: Il residuo viene regredito contro le feature degli eventi e i loro ritardi causali utilizzando la regressione ridge per stimare i coefficienti del kernel. Per le famiglie parametriche, questi vengono adattati tramite minimi quadrati non lineari.

4. Pooling Parziale Gerarchico

Per affrontare la fragilità statistica della stima del kernel per singolo SKU (comune nel retail enterprise con storie di eventi sparse), la CD impiega il pooling parziale gerarchico. I parametri del kernel sono stimati a livelli di singolo SKU, categoria e globale. Gli SKU con storie scarse mutuano forza dalle mediane di categoria o globali, consentendo l'implementazione su decine di migliaia di SKU senza tuning per singolo prodotto.

5. Architettura di Previsione

La previsione finale è una sovrapposizione di due flussi:

• Flusso A: Estrapolazione della baseline fluida (es. Holt-Winters).
• Flusso B: Iniezione deterministica di eventi futuri noti tramite il kernel fisso.

Contributi Chiave

1. Operatore a Banda Modulato dal Contesto: Introduce un operatore strutturato che codifica il carryover promozionale direttamente in un problema inverso convesso, sostituendo la classica mappatura d'identità con un operatore invertibile e motivato fisicamente.
2. Pipeline a Due Stadi Scalabile: Un processo di stima decoppiato (Robust Detrending + Distributed Lag Regression) che garantisce stabilità e permette il deployment su scala catalogo su CPU.
3. Pooling Parziale Gerarchico: Un meccanismo che regolarizza i kernel dei singoli SKU verso le mediane di categoria e globali, rendendo il metodo applicabile a SKU con storie di eventi scarse.
4. Contabilità Onesta dei Costi: Il documento fornisce un'analisi rigorosa dei costi di inventario, identificando un punto di incrocio specifico dove la CD minimizza il costo totale rispetto a dove scambia il costo con la stabilità.
5. Analisi Teorica dell'Operatore: Dimostra che gli operatori appresi senza vincoli sono altamente non-normali, giustificando l'uso di kernel parametrici compatti per l'interpretabilità e la stabilità operativa.

Risultati Empirici

Il framework è stato valutato rigorosamente out-of-sample su 30.490 SKU M5 e 2.845 articoli Favorita, con tutti i baseline dotati di calendari promozionali futuri identici.

• Stabilità Operativa (Rapporto di Varianza): La CD raggiunge un Rapporto di Varianza (VR) mediano di 0,0007 su M5 e 0,0072 su Favorita. Questo è significativamente inferiore rispetto a Tuned XGBoost (0,0135 su M5, 0,0395 su Favorita) e altri baseline strutturali o boosted.
• Scorta di Sicurezza: La CD riduce la scorta di sicurezza necessaria allo 0,16× rispetto a Tuned XGBoost su M5 e allo 0,38× su Favorita a parità di livelli di servizio.
• Affidabilità vs. Tendenza Centrale: Sebbene i guadagni di accuratezza mediana siano modesti (CD wMAPE 1,01 vs. 1,14 per XGBoost su M5), la CD mostra una affidabilità cross-sezionale superiore. Presenta la minore dispersione dell'errore per SKU (SD 0,23 vs. 1,11–4,51) e il minor tasso di fallimenti catastrofici (0,8% di SKU con errore >200% rispetto al 9,9–20,6% dei baseline).
• Compromesso Costo-Beneficio:
  • La CD riduce il costo totale dell'inventario solo quando i costi di mantenimento superano circa il 20% dei costi di stockout ($h/p \gtrsim 0,20$).
  • Nei regimi in cui i costi di stockout dominano (tipico del retail alimentare), l'approccio aggressivo di smoothing della CD porta a un sotto-approvvigionamento dei picchi promozionali, aumentando i costi di stockout.
  • Pertanto, la CD è posizionata come uno strato di stabilità operativa e capitale di inventario piuttosto che come un universalizzatore del minimizzatore di costi attesi.

Significato e Rivendicazioni

Il documento sostiene che la Deconvoluzione Contestuale offre una soluzione strutturale al trade-off statistico-operativo nelle catene di approvvigionamento. Separando esplicitamente gli shock transitori dalle baseline strutturali tramite un operatore modulato dal kernel, la CD riduce la varianza delle previsioni e degli ordini senza richiedere l'addestramento per singolo SKU o risorse GPU.

Gli autori sottolineano che i guadagni operativi (riduzione dell'effetto Bullwhip, minore scorta di sicurezza) derivano principalmente dalla decomposizione strutturale (baseline fluida + shock sparsi) piuttosto che dalla forma specifica del kernel di carryover. Il kernel agisce come un raffinamento adattivo che migliora le prestazioni dove esiste un reale carryover plurigiornalino (es. categoria M5 Hobbies) ma si riduce a un impulso dove le promozioni sono istantanee (es. M5 Foods/Household, Favorita).

Il lavoro posiziona la CD non come un sostituto dei sistemi di previsione esistenti, ma come uno strato di supporto alle decisioni che opera parallelamente ad essi. È particolarmente preziosa per le imprese che cercano di stabilizzare i segnali di riapprovvigionamento e ridurre il capitale di inventario in ambienti con calendari promozionali futuri noti, a condizione che la struttura dei costi favorisca la riduzione dei costi di mantenimento rispetto alla copertura dei picchi.