يعتبر تقدير الطلب على العناصر (Item Demand Forecasting) من المكونات الحيوية في تحسين مجموعات المتاجر. غالبًا ما تركز الأدبيات الحالية على تعلم نموذج اختيار العملاء (Customer Choice Model) مناسب واستخدامه لتحديد قيمة دالة الهدف (Objective Function) من حيث التوقعات المتعلقة بالطلب على مجموعات العناصر المقترحة.

لكن، في حال وجود مجموعة كبيرة من العناصر التي تشمل العديد من الفئات، قد يتبين أن هذه الطريقة غير فعالة، مما يستدعي توقعًا منفصلًا للطلب لكل مجموعة عناصر ممكنة.

توجد بدائل تتيح دمج كفاءة تقدير الطلب بشكل مستقل، بينما نسعى في الوقت نفسه لإدخال تعديلات على التوقعات المستقلة تأخذ بعين الاعتبار العلاقات بين الطلب على العناصر وتوافر عناصر مشابهة أخرى على الرف.

وفي القلب من هذه الطريقة، يأتي تقدير معاملات نقل الطلب (Demand Transfer Coefficients). تمثل هذه المعاملات نسبة الطلب على عنصر معين (العنصر الذي جاء العميل لشرائه) الذي يتم توجيهها إلى عناصر أخرى في المجموعة في حال إزالة العنصر المستهدف من الرف.

نقدم هنا منهجًا يسمح لنا بحساب هذه المعاملات على مجموعات عناصر كبيرة (تحتوي على أكثر من مليون عنصر). تبيّن التجارب المستندة إلى بيانات فعلية وبيانات تاريخية للمعاملات عبر مواقع متعددة ضمن الفئات أنه عندما تُحقق افتراضات معقولة حول سلوك الاستبدال، يمكن لطريقتنا تقدير معاملات نقل الطلب بدقة وتحسين توقعات الطلب بشكل كبير.

بهذا التطور الجديد، يتجه الذكاء الاصطناعي نحو إعادة تشكيل طريقة تعامل المتاجر مع التوقعات، مما يشكل تحولًا محوريًا في عالم التجارة.