Deep factorization for temporal retail data analysis

Abstract

Perakende satışında, ürün talebini tahmin etmek, işletmelerin satış kayıplarını önlemesine yardımcı olur. Bununla birlikte mevcut modeller çoğunlukla gerçek dünyada kullanılan karmaşık ve büyük veri setlerini işleme eksikliği olan makine öğrenme algoritmalarından oluşmaktadır. Bu makalede, tavsiye sistemleri için yaygın olarak kullanılan işbirlikçi filtreleme yöntemlerinin perakende veri analizine uygulanma olasılığı denenmiştir. İşbirliğine dayalı filtreleme (CF), bir kullanıcının beğenebileceği ürünleri benzer kullanıcıların tepkilerine göre filtreleyebilen öneri tekniklerinden biridir. Kullanıcı ve ürünler arasındaki aynı etkileşim, mağaza ve ürün etkileşimi için uygulanabilirken, değerlendirme değerleri yerine satış miktarları etkileşim veri tabanını oluşturur. Perakende veri analizi için işbirlikçi filtreleme yaklaşımının uygulanabilir olup olmadığını görmek için Negatif Olmayan Matris Çarpanlara Ayırma (NMF) modeli uygulanmak üzere seçilmiştir. Ayrıca, öneri sistemlerinde derin öğrenme ile yapılan gelişmelerden esinlenerek, tavsiye sistemlerinde bahsedilen aynı sorunların üstesinden gelmek için perakende analizi için temel model olarak otomatik kodlayıcıları ve çok katmanlı algılayıcı modülünü (MLP) içeren bir derin öğrenme yaklaşımı uygulandı. Daha sonra, perakende veri analizinde var olan zamansal davranışları çıkarmak için temel model, zaman serisi modeline dönüştürülmüştür. Hem temel model hem de zaman serisi modeli, klasik yönteme göre daha iyi ve genelleştirilmiş sonuçlar vererek perakende veri analizinde derin öğrenme algoritmalarının kullanılabileceğini göstermiştir.In retail sales, predicting demand for items helps businesses avoid lost sales. However, existing models are mostly machine learning algorithms that lack the ability to extract complex relationships and process large datasets used in the real world. In this paper, the possibility of applying collaborative filtering methods commonly used for recommender systems into retail data analysis is experimented. Collaborative filtering (CF) is one of the recommendation techniques that can filter out items a user might like based on reactions by similar users. The same interaction between the user and items was applied for store-item interaction while, instead of ratings, sales amounts are considered as interaction databases. Nonnegative Matrix Factorization (NMF) model was selected to be applied to see if collaborative filtering approach is applicable for retail data analysis. Further, inspired by the developments made with deep learning in recommendation systems, a suitable deep learning approach which includes autoencoders and multilayer perceptron module (MLP) was implemented for retail analysis as a base model to overcome same problems mentioned for recommender systems. Later, the base model was changed into a time series model to extract temporal behaviors that exist in retail data analysis. Both base model and time series model get better and more generalized results than the classical method and enabled the use of deep learning algorithms in retail data analysis.