Bien googlé, c'est la moitié du travail fait : Prévision multimodale des ventes de nouveaux produits de mode à l'aide des tendances Google basées sur les images
La prévision des ventes de nouveaux produits de mode est un problème complexe qui implique de nombreuses dynamiques commerciales et ne peut pas être résolu par les approches de prévision classiques. Dans cet article, nous examinons l'efficacité d'une exploration systématique des connaissances exogènes sous forme de séries temporelles Google Trends, combinées avec des informations multimodales liées à un tout nouveau produit de mode, afin de prévoir efficacement ses ventes malgré l'absence de données historiques. Plus précisément, nous proposons une approche basée sur un réseau neuronal, où un encodeur apprend une représentation des séries temporelles exogènes, tandis que le décodeur prévoit les ventes en se basant sur l'encodage Google Trends et les informations visuelles et métadonnées disponibles. Notre modèle fonctionne de manière non auto-régressive, évitant ainsi l'effet cumulatif des grandes erreurs initiales. Comme deuxième contribution, nous présentons VISUELLE, un jeu de données disponible publiquement pour la tâche de prévision des ventes de nouveaux produits de mode, contenant des informations multimodales pour 5577 produits réels et nouveaux vendus entre 2016 et 2019 par Nunalie, une entreprise italienne de fast-fashion. Ce jeu de données est doté d'images de produits, de métadonnées, de ventes associées et des tendances Google correspondantes. Nous utilisons VISUELLE pour comparer notre approche aux alternatives les plus avancées et à plusieurs baselines, montrant que notre méthode basée sur un réseau neuronal est la plus précise en termes d'erreur relative et absolue. Il convient de noter que l'ajout de connaissances exogènes améliore la précision des prévisions de 1,5 % en termes d'Erreur Absolue Pondérée Parcentuelle (WAPE), soulignant l'importance d'exploiter des informations externes pertinentes. Le code source et le jeu de données sont tous deux disponibles à l'adresse suivante : https://github.com/HumaticsLAB/GTM-Transformer.