28、基于深度学习的需求预测：Zalando的实践与创新

基于深度学习的需求预测：Zalando的实践与创新

1. 数据概述

Zalando活跃于25个欧洲市场，拥有超6500个品牌和超5000万活跃客户，截至2021年第三季度，平台上有160万件商品。我们主要关注商品的未来需求建模，需求指的是客户在一个时间单位内想要购买的商品数量。Zalando的需求呈现典型的长尾分布，多数商品在多数日子里销量不佳，但有少数畅销产品。

需求（对数刻度）直方图：展示了重尾需求分布

从单个商品的观测时间序列中提取模式存在困难，如个别商品历史数据少或时间序列稀疏。此外，我们只能观测到销售数据，而非需求数据。只有当库存充足时，需求才会转化为实际销售。我们有库存信号来指示何时因无库存导致销售严格小于需求。

2. 销售数据转化为需求数据

我们采用预处理销售数据并估算需求的方法。时尚商品通常有不同尺码，我们假设商品需求服从多项分布，通过学习无缺货区间的观测数据得到各尺码的离散概率分布 $p_i$，进而根据部分观测数据推断总预期需求。

具体步骤如下：
1. 定义商品 $i$ 有 $k$ 个尺码的需求 $q_i = {q_{i1}, q_{i2}, …, q_{ik}}$ 为随机变量。
2. 假设 $q_i$ 服从多项分布 $q_i \sim Multinomial(n_i, p_i)$，其中 $p_i = {p_1, p_2, …, p_k}$ 是商品 $i$ 各尺码的离散概率分布。
3. 若已知 $p_i$，根据部分观测数据