CEDAR: Controlled and Event-Driven Demand Forecasting via Residual Decomposition
CEDAR is een tweestaps-framework dat de vraagvoorspelling voor e-commerceplanning verbetert door een Action-Interleaved Transformer te combineren voor het simuleren van beleidsgestuurde toestandsveranderingen met een Residual Correction Module die LLM's en eventsignalen benut om de beperkingen van passieve tijdreeksmodellen aan te pakken, waardoor robuuste contrafactuele analyse en verbeterde budgetplanning mogelijk worden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de uitgestrekte, zoemende digitale marktplaats van de moderne e-commerce heeft een fundamentele vraag planners al lang gekweld: hoe weten we wat er hierna zal gebeuren? Decennialang vertrouwde het standaardantwoord op een passieve vorm van voorspelling. Computers bestudeerden het verleden, keken naar hoe verkopen bewogen als reactie op prijzen, feestdagen en reclame, en trokken die lijnen vervolgens simpelweg door naar de toekomst. Het was een methode van extrapolatie, uitgaande van de aanname dat de toekomst er veel op zou lijken als het verleden, slechts licht verschoven. Deze aanpak werkte goed genoeg toen de wereld stabiel was en kooplieden slechts reageerden op trends. Maar in de dynamische, risicovolle omgeving van de wereldwijde handel zijn kooplieden geen passieve waarnemers; zij zijn actieve drijvers. Ze veranderen voortdurend hun strategieën, passen budgetten aan, lanceren promoties en wijzigen prijzen om de vraag te hervormen nog voordat deze plaatsvindt. De oude manier van voorspellen, die deze menselijke beslissingen als louter achtergrondruis beschouwde, begon te falen. Het kon niet de meest cruciale vraag beantwoorden die een bedrijfsleider moet stellen: "Als ik vandaag mijn plan wijzig, hoe ziet de markt er dan morgen uit?"
Dit is de uitdaging die een team onderzoekers van de University of Science and Technology of China en de Alibaba Group probeerde op te lossen. Zij erkenden dat men, om de toekomst van een marktplaats te voorspellen, moet stoppen met het beschouwen van de toekomst als een vaste bestemming en moet beginnen met het zien van de toekomst als een pad dat gestuurd kan worden. Hun werk, gepresenteerd op een belangrijke conferentie voor data science, introduceert een nieuw systeem genaamd CEDAR. In tegen tegenstelling tot traditionele modellen die simpelweg toekijken hoe de geschiedenis zich ontvouwt, is CEDAR ontworpen om te simuleren wat er zou gebeuren als een handelaar specifieke acties onderneemt. Het raadt niet alleen het volgende getal; het berekent de uitkomst van een keuze. Door de natuurlijke stroom van de markt te scheiden van de specifieke effecten van menselijke interventie, en door rekening te houden met plotselinge, onvoorspelbare externe gebeurtenissen, hebben de onderzoekers een instrument gecreëerd dat betrouwbaar verschillende budgetstrategieën kan testen voordat er ook maar één dollar is uitgegeven.
De kern van deze nieuwe aanpak ligt in een tweeledige architectuur die nabootst hoe een handelaar daadwerkelijk denkt en handelt. Het eerste deel is een gespecialiseerde motor die de directe link leert tussen een beslissing en het onmiddellijke resultaat. In het verleden mengden modellen de acties van een handelaar, zoals een korting of advertentie-uitgaven, met de verkoopgegevens, waardoor ze als één rommelige stroom van informatie werden behandeld. Dit zorgde ervoor dat het model in de war raakte, waarbij het vaak aannam dat een piek in de verkoop werd veroorzaakt door een natuurlijke trend, terwijl het in werkelijkheid het resultaat was van een specifieke promotie. Het nieuwe systeem behandelt de actie van de handelaar echter als een afzonderlijke, primaire kracht. Het leert een specifiek patroon waarbij een eerdere staat leidt tot een beslissing, en die beslissing direct de volgende staat aanstuurt. Hierdoor kan het systeem begrijpen dat als een handelaar stopt met het uitgeven aan advertenties, de verkopen waarschijnlijk zullen dalen, zelfs als de algemene markttrend stijgend is. Het leert de mechanica van oorzaak en gevolg in plaats van alleen de correlatie van gebeurtenissen.
Het tweede deel van het systeem adresseert de chaos van de echte wereld. Zelfs met een perfect begrip van hoe de acties van een handelaar de verkopen beïnvloeden, is de toekomst nooit volledig voorspelbaar. Plotseling nieuwsberichten, virale trends op sociale media of onverwachte feestdagen kunnen de vraag doen stijgen of kelderen op manieren die niets te maken hebben met het budget van de handelaar. Om dit aan te pakken, voegden de onderzoekers een correctiemodule toe die fungeert als een fijnmazig afstemmechanisme. Deze module kijkt naar externe signalen, zoals nieuwskoppen en trending zoekonderwerpen, en gebruikt geavanceerde taalverwerking om de betekenis ervan te begrijpen. Vervolgens berekent het het verschil tussen wat het eerste deel van het systeem voorspelde en wat er daadwerkelijk gebeurde, waarbij dat verschil toeschrijft aan deze externe schokken. Door dit te doen, kan het systeem zijn eigen voorspellingen corrigeren, wat een laag van realisme toevoegt dat rekening houdt met de onvoorspelbare aard van de wereld.
De onderzoekers testten dit systeem op een enorme dataset van Alibaba's 1688-platform, die de verkooptrajecten bevat van ongeveer 32 miljoen producten over een bepaalde periode. Ze vergeleken hun nieuwe methode met verschillende van de krachtigste bestaande voorspellingsmodellen. De resultaten waren duidelijk en consistent. In simulaties waarin het systeem werd gevraagd om de verkopen te voorspellen onder nieuwe, ongeziene budgetplannen, hadden de traditionele modellen moeite. Ze hadden de neiging om vast te houden aan historische patronen en slaagden er niet in te reageren wanneer de strategie van de handelaar veranderde. In contrast hiermee volgde het nieuwe systeem nauwkeurig het nieuwe pad, waarbij het correct voorspelde hoe de verkopen zouden stijgen of dalen als reactie op de specifieke interventies. Wanneer de voorspellingshorizon werd uitgebreid naar tien weken, verminderde het nieuwe systeem de foutmarge met meer dan de helft vergeleken met de best presterende traditionele modellen. Het bleek bijzonder bekwaam in het afhandelen van langetermijnplanning, waarbij kleine fouten in voorspelling kunnen uitmonden in enorme miscalculaties.
Om te waarborgen dat dit niet slechts een theoretische oefening was, hebben het team het systeem in een live omgeving op het Alibaba 1688-platform ingezet. Ze voerden een grootschalige test uit waarbij honderden handelaren het systeem gebruikten om hun advertentiebudgetten te plannen. De handelaren die het nieuwe simulatietool gebruikten, zagen een aanzienlijke verbetering in hun bedrijfsresultaten. Gemiddeld nam hun rendement op investeringen (ROI) met 15 procent toe, en hun totale lifetime value groeide met 13 procent. Deze winsten kwamen voort uit het vermogen om geld effectiever toe te wijzen, door het vermijden van uitgaven aan campagnes die niet zouden werken en door in te zetten op strategieën die de simulatie als succesvol aangaf. Het systeem stelde hen in staat om de gevolgen van hun keuzes te zien voordat ze deze maakten, waardoor het planningsproces veranderde van een gokspel in een berekende strategie.
Het succes van dit werk suggereert een verschuiving in hoe we denken over voorspellen in complexe systemen. Het verlegt de focus van het simpelweg observeren van het verleden naar het begrijpen van de hefbomen die de toekomst beheersen. Door de relatie tussen menselijke beslissingen en marktuitkomsten expliciet te modelleren, en door die beslissingen te scheiden van de ruis van externe gebeurtenissen, hebben de onderzoekers een instrument gebouwd dat zowel nauwkeuriger als nuttiger is. Het demonstreert dat in een wereld waar acties de realiteit voortdurend hervormen, de beste manier om de toekomst te voorspellen is door te begrijpen hoe onze eigen keuzes deze zullen opbouwen. De bevindingen bieden een nieuw pad voor bedrijven om door onzekerheid te navigeren, door een manier te bieden om strategieën te testen in een veilige, gesimuleerde omgeving voordat ze zich vastleggen op middelen in de volatiele marktplaats.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.