Ein Einzelhändler benötigt 30-Tage-Nachfrageprognosen für Tausende von Artikeln unter Verwendung von jahrelangen täglichen Daten. Fehlbestände sind wesentlich kostspieliger als Überbestände. Artikelbezogene Merkmale (Kategorie, Marke, Sicherheitsbestand) sind verfügbar, und ein binäres Aktions-Flag existiert, hat aber nur für 5 Tage bekannte zukünftige Werte. Welcher Prognosealgorithmus und welche Bewertungsmetrik sollten ausgewählt werden, um den Gewinn unter diesen Einschränkungen zu maximieren?

Das CNN-QR-Modell (Convolutional Neural Network - Quantile Regression) ist ideal für die Prognose von Tausenden von Artikeln mit langen historischen Daten und artikelbezogenen Merkmalen, da es komplexe Muster und Abhängigkeiten lernen kann. Die Weighted Quantile Loss (wQL) am 0,75-Quantil (P75) ist die geeignete Metrik, da Überbestände weniger kostspielig sind als Fehlbestände. Ein P75-Quantil bedeutet, dass die Prognose in 75 % der Fälle über dem tatsächlichen Wert liegt, was das Risiko von Fehlbeständen minimiert. ARIMA-Modelle sind für Tausende von Artikeln weniger skalierbar und können artikelbezogene Merkmale nicht so gut nutzen. WAPE ist eine Metrik für die mittlere Genauigkeit und berücksichtigt nicht die unterschiedlichen Kosten von Über- und Fehlbeständen.