File size: 2,523 Bytes
13fb981 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 | ---
license: apache-2.0
base_model: amazon/chronos-t5-mini
tags:
- time-series-forecasting
- chronos
- retail
datasets:
- Dingdong-Inc/FreshRetailNet-50K
---
# StokCerdas — Chronos-T5-mini fine-tuned untuk permintaan ritel perishable
Checkpoint ini dipakai oleh **StokCerdas**, sistem rekomendasi pengadaan stok
untuk UMKM ritel (submission AIC COMPFEST 18).
## Asal & cara latih
- **Base model**: [amazon/chronos-t5-mini](https://huggingface.co/amazon/chronos-t5-mini) (20M parameter)
- **Data**: [FreshRetailNet-50K](https://huggingface.co/datasets/Dingdong-Inc/FreshRetailNet-50K)
(CC BY 4.0), 100 toko, setelah koreksi *censored demand* (penjualan pada jam
stockout dikoreksi/dibuang) dan penskalaan global.
- **Objektif**: horizon 7 hari (bukan 64 seperti pretraining) — sesuai horizon
produk.
- 3 epoch, lr 1e-4, batch 32, ~3.600 step, GPU tunggal (~4 menit).
- 7 hari terakhir tiap deret **dipotong** dari data latih dan dipakai sebagai
jendela evaluasi, sehingga tidak ada kebocoran.
## Hasil (184 store-SKU, horizon 7 hari, seed 42, num_samples 100)
| Model | MASE | WAPE macro | WAPE micro | MAE |
|---|---|---|---|---|
| Moving average 7 hari (baseline) | **0,949** | 0,632 | 0,517 | 15,59 |
| Chronos-T5-mini zero-shot | 0,973 | 0,569 | 0,520 | 15,66 |
| **Checkpoint ini (fine-tuned)** | 0,964 | **0,556** | **0,512** | **15,44** |
## Keterbatasan — baca sebelum memakai
- **Keunggulannya kecil.** Model menang atas moving average sederhana sebesar
~1% pada WAPE micro dan MAE; lantai derau evaluasi ±0,2%. Model **kalah**
pada MASE (0,964 vs 0,949).
- **Sebagian besar kemampuan berasal dari bobot pretrained**, bukan dari
fine-tuning ini (zero-shot 0,520 -> fine-tuned 0,512 pada WAPE micro).
- Nilai terbesarnya ada di **SKU lambat/bervolume kecil** (WAPE 0,77 vs 1,32
milik moving average) — bagian yang paling tidak stabil untuk metode naif.
- Dilatih pada data *fresh grocery* di Tiongkok. Generalisasi ke toko kelontong
Indonesia **belum diuji** (domain shift).
- Angka penjualan pada dataset sumber sudah dinormalisasi global oleh
penerbitnya; skala absolutnya bukan satuan fisik.
## Sitasi dataset
```bibtex
@article{2025freshretailnet-50k,
title={FreshRetailNet-50K: A Stockout-Annotated Censored Demand Dataset for Latent Demand Recovery and Forecasting in Fresh Retail},
author={Yangyang Wang, Jiawei Gu, Li Long, Xin Li, Li Shen, Zhouyu Fu, Xiangjun Zhou, Xu Jiang},
year={2025}
}
```
|