kenrockender/StockCerdasModel

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 (20M parameter)
• Data: 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

@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}
}