大数据环境下多产品时尚库存管理与需求预测集成问题研究

Fashion product features short life-cycle, fast update and wide varieties, which result in the inventory under-stock and over-stock problems for fashion industry. How to capture the real-time changes of fashion trend rapidly and make quick responses to the market is an urgent problem in fashion industry. Starting from this, the key problem of this study is how to include multi-product interactions and real-time demand distributions to into fashion inventory management and demand forecasting integration study via big data recognition and analysis, so as to build up the quick response theory. Three implementation steps are included: Firstly, recognizing the customer which affects the fashion demand via analyzing the big data (e.g, Google trend, Baidu index, social media and video, etc), and to study the causality among big data based on econometric method; secondly, developing a hybrid fashion demand forecasting model which takes the customer factors from big data and interactions among multi-products into account based on panel data, particle filter and extreme learning machine; Finally, proposing the real-time demand distribution via optimizing the demand forecast interval, which takes multi-optimization guidelines into account. Based on the real-time demand distribution, the multi-product inventory optimization and quick response decision can be made. This project aims to provide fashion industry a feasible scheme to achieve digitization transformation and upgrading, so as to promote healthy and rapid development of the national economy.

时尚产品生命周期短、更新速度快且品类繁多，市场需求极难把握，导致库存短缺与过剩的问题一直困扰着时尚企业。如何实时快速地把握市场需求变化并做出快速响应决策，是时尚行业亟待解决的问题。以此为出发点，本项目研究的关键问题是，如何通过对在线大数据的识别与分析，充分考虑产品关联性和实时的需求分布，建立结合库存管理和需求预测的产品快速响应理论。主要包括以下三个实现步骤：首先，通过对在线大数据（如谷歌趋势、社交媒体及视频等）的挖掘，识别出影响需求的消费者因素，并通过计量经济学的方法分析其因果关系。然后，建立考虑多产品关联性和在线数据影响的实时混合需求预测模型。最后，建立体现多个准则互补的实时需求分布，进而实现多产品库存的最优决策和对需求的快速响应。本研究成果有望为我国本土时尚企业实现数据化升级转型提供可行方案，从而促进国民经济健康快速发展。

时尚产品生命周期短、更新速度快且品类繁多，市场需求极难把握，导致库存短缺与过剩的问题一直困扰着时尚企业。如何实时快速地把握市场需求变化并做出快速响应决策，是时尚行业亟待解决的问题。以此为出发点，本项目研究的关键问题是，如何建立结合库存管理和需求预测的产品快速响应理论。本项目主要研究内容包括以下几个方面：首先，通过对在线大数据（电商产品评论数据和新媒体数据）的深入挖掘与分析，从时尚企业运营管理的角度，识别影响消费者线上购物体验和对品牌营销反应的影响因素及其影响关系。其次，对现有时尚产品需求预测模型和方法的有效性进行了深入的分析和评价。并通过对实际运营案例的调研，分析并总结出大数据环境下时尚零售企业如何进行需求预测与库存管理决策。然后，考虑在线搜索大数据对时尚产品需求的影响，建立了基于在线搜索大数据的影响和多时尚产品关联性的需求预测模型。进而，建立考虑实时需求分布的库存决策模型，实现多产品库存的最优决策和对需求的快速响应。本文提出了一种基于深度学习算法的一步决策模型S2SCL(Seq2Seq based CNN-LSTM)，该模型智能地集成了实时需求分布与库存决策过程。基于Seq2Seq的预测模型，能过够更好的捕捉到需求的随机性和不同产品间的相互关联性。在完成项目计划内容的基础上，本研究提出了一种结合共享经济去提高时尚行业的物流效率，降低库存及物流等成本的方案。本研究成果有望为我国本土时尚企业实现数据化升级转型提供可行方案，从而促进国民经济健康快速发展。