Gut recherchiert ist halb gewonnen: Mehrmodalprognose der Verkaufszahlen neuer Modellprodukte mit bildbasierten Google-Trends
Die Prognose von Verkaufszahlen für neue Modellprodukte ist ein anspruchsvolles Problem, das viele Geschäftsdynamiken umfasst und nicht durch klassische Prognosemethoden gelöst werden kann. In dieser Arbeit untersuchen wir die Effektivität systematischer Erschließung von äußeren Wissensquellen in Form von Google-Trends-Zeitreihen und deren Kombination mit multimodalen Informationen zu einem ganz neuen Modellprodukt, um dessen Verkaufszahlen trotz des Mangels an historischen Daten effektiv vorhersagen zu können. Insbesondere schlagen wir einen auf neuronale Netze basierenden Ansatz vor, bei dem ein Encoder eine Darstellung der äußeren Zeitreihe lernt, während der Decoder die Verkaufszahlen basierend auf der Google-Trends-Kodierung und den verfügbaren visuellen und Metadateninformationen prognostiziert. Unser Modell arbeitet nicht autoregressiv, wodurch der sich häufende Effekt großer Fehler im ersten Schritt vermieden wird. Als zweite Leistung präsentieren wir VISUELLE, einen öffentlich zugänglichen Datensatz für die Aufgabe der Prognose von Verkaufszahlen neuer Modellprodukte. Er enthält multimodale Informationen zu 5577 echten, neuen Produkten, die zwischen 2016 und 2019 vom italienischen Fast-Fashion-Unternehmen Nunalie verkauft wurden. Der Datensatz ist mit Produktbildern, Metadaten, zugehörigen Verkäufen und assoziierten Google-Trends ausgestattet. Wir verwenden VISUELLE, um unseren Ansatz mit den StandesderTechnik-Alternativen und mehreren Baselines zu vergleichen und zeigen, dass unser auf neuronale Netze basierender Ansatz sowohl in Bezug auf den prozentualen als auch den absoluten Fehler am genauesten ist. Es ist erwähnenswert, dass die Hinzunahme äußerer Wissensquellen die Prognosegenauigkeit um 1,5 % in Bezug auf den gewichteten absoluten prozentualen Fehler (WAPE) erhöht, was die Bedeutung der Nutzung informativer externer Informationen verdeutlicht. Der Code und der Datensatz sind beide unter https://github.com/HumaticsLAB/GTM-Transformer verfügbar.