Um cientista de dados precisa prever as vendas de produtos para os próximos três meses. A análise mostra que as vendas são sazonais, afetadas por feriados e correlacionadas com as vendas de outros produtos da categoria. Qual abordagem exige o menor esforço de desenvolvimento para incorporar sazonalidade, feriados e correlações de itens relacionados na previsão?

O Amazon Forecast, com seu algoritmo DeepAR+, é a melhor escolha porque foi projetado para séries temporais que exibem sazonalidade e dependências complexas, como feriados e correlações entre itens. A funcionalidade Holidays do Forecast permite incorporar automaticamente datas de feriados, reduzindo o esforço de engenharia de features. O DeepAR+ é um modelo de rede neural profunda que pode aprender padrões complexos e interdependências entre múltiplas séries temporais (vendas de diferentes produtos), o que é ideal para o cenário descrito. As outras opções são menos eficientes: Usar ARIMA no Forecast é menos adequado para dados com sazonalidade complexa e múltiplas séries temporais correlacionadas, pois ARIMA é um modelo estatístico mais tradicional e univariado. Usar SageMaker Processing para adicionar feriados e treinar com DeepAR ou GluonTS no SageMaker exigiria mais esforço de desenvolvimento para gerenciar os dados, o treinamento e a infraestrutura, em vez de aproveitar a solução gerenciada do Forecast.