In the fashion industry, brands have updated the sales season frequently with more varied but smaller production quantities. Due to a limited amount of production, some products are not always supplied to all stores. Therefore, company managers have to make decisions to distribute the products. To satisfy a wide range of customer needs, a visual variety should be considered in the initial distribution. We turned product images into numbers using a convolutional autoencoder. The numeric values were utilized to measure the visual variety. The proposed distribution optimization model maximized the variety of products stores receive while considering operational constraints. We applied the model to a base to verify the applicability of the proposed model. The distribution results were consistent with what the company is pursuing.
패션 산업은 다품종 소량 생산이 일반화되면서 판매 시즌이 짧아지는 추세이다. 생산량이 제한적인 제품에 대해서는 모든 제품을 모든 매장에 나누어 줄 수 없기 때문에 매 시즌이 시작될 때 제품들을 각 매장에 어떻게 나누어 줄 것인지 결정해야 한다. 소비자의 폭넓은 수요를 만족시키기 위해서는 시각적 다양성을 고려한 제품 배분 과정이 필요하다. 본 연구에서는 이를 배분 모델에 반영하기 위해서 비지도 학습 기법 중 하나인 오토인코더를 사용해서 이미지를 숫자로 추출하였다. 이 값으로 제품 간의 유사도를 정량화 하고, 다양성 척도들을 정의하였다. 본 연구에서 제안하는 수학적 배분 최적화 모델은 운영적 제약조건을 고려하고 앞서 정의한 시각적 다양성이 최대화 되는 해를 찾는다. 모델의 적용 가능성을 검증하기 위하여 단순한 경우에 대해서 배분 모델을 적용하였다. 제품 배분 모델 결과는 기업에서 추구하는 방향과 일치함을 보여주었다.
