Un minorista necesita pronósticos de demanda a 30 días para miles de artículos utilizando años de datos diarios. Las roturas de stock son mucho más costosas que el exceso de stock. Se dispone de características a nivel de artículo (categoría, marca, stock de seguridad) y existe un indicador binario de promoción, pero solo tiene valores futuros conocidos para 5 días. ¿Qué algoritmo de pronóstico y métrica de evaluación deben seleccionarse para maximizar las ganancias bajo estas restricciones?

La opción correcta es entrenar un modelo CNN-Quantile Regression (CNN-QR) y evaluar con Weighted Quantile Loss (wQL) en el cuantil 0.75 (P75). CNN-QR es adecuado para miles de artículos y datos diarios, ya que puede aprender patrones complejos y características a nivel de artículo. La regresión de cuantiles permite predecir diferentes cuantiles de la distribución de la demanda, lo cual es crucial cuando los costos de rotura de stock son mayores que los de exceso de stock. Al predecir el cuantil 0.75 (P75), el modelo pronostica un valor que tiene un 75% de probabilidad de ser superado, lo que ayuda a evitar roturas de stock. La métrica wQL en P75 evalúa directamente la precisión en este cuantil, alineándose con el objetivo de minimizar las roturas de stock. Los modelos ARIMA son menos escalables y no manejan bien las características adicionales. WAPE es una métrica de error promedio que no diferencia entre subestimación y sobreestimación, lo que no es óptimo cuando los costos de error son asimétricos.