Um varejista precisa de previsões de demanda de 30 dias para milhares de itens usando anos de dados diários. A falta de estoque é muito mais cara do que o excesso de estoque. Recursos em nível de item (categoria, marca, estoque de segurança) estão disponíveis, e existe um sinalizador binário de promoção, mas ele só tem valores futuros conhecidos por 5 dias. Qual algoritmo de previsão e métrica de avaliação devem ser selecionados para maximizar o lucro sob essas restrições?

A opção correta é treinar um modelo CNN-Quantile Regression (CNN-QR) e avaliar com Weighted Quantile Loss (wQL) no quantil 0,75 (P75). O CNN-QR é adequado para milhares de itens e pode incorporar recursos em nível de item (categoria, marca, estoque de segurança) e o sinalizador de promoção, mesmo com dados futuros limitados. Modelos ARIMA são menos eficazes com múltiplos itens e recursos. A falta de estoque ser mais cara que o excesso indica a necessidade de previsões mais otimistas (maior que a mediana). O quantil 0,75 (P75) aborda isso, prevendo um valor que 75% das vezes será maior que a demanda real, reduzindo a probabilidade de falta. A métrica wQL no P75 avalia diretamente a performance nesse quantil específico, alinhando-se ao objetivo de minimizar o custo da falta de estoque. WAPE é uma métrica de erro médio e não diferencia os custos de subestimação e superestimação.