Ein Bekleidungsunternehmen speichert seine gesamte Produkthistorie in Amazon S3 und verwendet derzeit benutzerdefinierte exponentielle Glättungsmodelle (ETS), um die Nachfrage nach bestehenden Produkten zu prognostizieren. Das Unternehmen benötigt eine Methode zur Prognose der Nachfrage nach einer neuen Produktvariante, die noch nie zuvor verkauft wurde. Welcher Ansatz erfüllt diese Anforderung am besten?

Die Schulung eines Amazon SageMaker DeepAR-Zeitreihenprognosemodells ist die beste Lösung, da DeepAR für die Prognose von Zeitreihen mit vielen ähnlichen, aber unterschiedlichen Zeitreihen konzipiert ist, was es ideal für neue Produkte (Kaltstartproblem) macht. Es lernt Muster aus der gesamten Produkthistorie und kann diese auf neue Produkte anwenden, die noch keine eigenen Verkaufsdaten haben. Benutzerdefinierte ETS-Modelle sind für neue Produkte ungeeignet, da sie historische Daten des spezifischen Produkts benötigen. K-Means-Clustering ist ein unüberwachtes Lernverfahren zur Gruppierung von Datenpunkten und nicht für Zeitreihenprognosen gedacht. Ein benutzerdefiniertes XGBoost-Modell ist zwar leistungsstark, aber für Zeitreihenprognosen ohne spezifische Merkmale für Kaltstartszenarien weniger geeignet als DeepAR.