Ein Konsumgüterunternehmen verfügt über eine vollständige Verkaufshistorie für viele Produktvarianten und verwendet derzeit ARIMA-Modelle. Es möchte die Nachfrage für ein neues Produkt prognostizieren, das bald auf den Markt kommt. Welchen Ansatz sollte ein Machine Learning Specialist verwenden?

DeepAR ist ein neuronales Netzwerkmodell, das speziell für die Zeitreihenprognose entwickelt wurde und gut mit neuen Produkten oder Artikeln umgehen kann, für die nur begrenzte oder keine historischen Daten verfügbar sind (Kaltstartproblem). Es lernt Muster aus ähnlichen Zeitreihen, um eine genaue Prognose zu erstellen. Das Trainieren eines benutzerdefinierten ARIMA-Modells für ein neues Produkt ist schwierig, da es keine historischen Daten gibt. K-Means-Clustering ist eine unüberwachte Lernmethode zur Gruppierung von Datenpunkten, nicht zur Zeitreihenprognose. XGBoost ist ein leistungsstarker Algorithmus für überwachtes Lernen, der jedoch für Zeitreihenprognosen in der Regel nicht so gut geeignet ist wie spezialisierte Modelle wie DeepAR, insbesondere bei Kaltstartproblemen.