新しいファッション製品の売上予測は、多くのビジネス動態を含む難問であり、古典的な予測手法では解決できません。本論文では、Google Trends の時系列データという形での外生的知識を系統的に探求し、新製品に関連する多様な情報を組み合わせることで、過去のデータが不足しているにもかかわらず効果的に売上を予測することの有効性を調査します。特に、エンコーダが外生的時系列データの表現を学習し、デコーダが Google Trends のエンコーディングと利用可能な視覚情報およびメタデータ情報に基づいて売上を予測するニューラルネットワークベースのアプローチを提案します。当モデルは非自己回帰的方式で動作し、大きな最初の一歩の誤差による影響を回避します。第二の貢献として、VISUELLE（新しいファッション製品の売上予測タスク用に公開されているデータセット）について紹介します。このデータセットには、イタリアのファストファッション企業 Nunalie が 2016 年から 2019 年までに販売した実際の新製品 5577 点に関する多様な情報が含まれています。データセットには製品画像、メタデータ、関連する売上実績、および対応する Google Trends が付属しています。VISUELLE を使用して当アプローチと最先端の代替手法やいくつかの基準モデルとの比較を行い、ニューラルネットワークベースのアプローチがパーセンテージエラーと絶対エラーにおいて最も正確であることを示しました。外生的知識の追加により、加重平均絶対パーセントエラー (WAPE) で 1.5% の精度向上が見られました。これは情報豊富な外部情報を活用することが重要であることを示唆しています。コードとデータセットはどちらも https://github.com/HumaticsLAB/GTM-Transformer で入手可能です。