Una empresa de bienes de consumo tiene un historial de ventas completo para muchas variantes de productos y actualmente utiliza modelos ARIMA. Quieren pronosticar la demanda de un nuevo producto que se lanzará pronto. ¿Qué enfoque debe utilizar un especialista en Machine Learning?

La respuesta correcta es entrenar el modelo de pronóstico DeepAR de Amazon SageMaker. DeepAR es un algoritmo de pronóstico basado en redes neuronales recurrentes (RNN) que es ideal para series temporales con muchas series relacionadas, como las variantes de productos de una empresa de bienes de consumo. Puede aprender patrones complejos de series temporales de datos históricos de productos existentes y aplicarlos para pronosticar la demanda de un nuevo producto, incluso con datos limitados para el nuevo producto. Entrenar un modelo ARIMA personalizado para un nuevo producto no es viable, ya que ARIMA requiere datos históricos sustanciales del producto en cuestión, los cuales no existen para un producto nuevo. K-means clustering es un algoritmo de agrupamiento, no de pronóstico, por lo que no es adecuado para predecir la demanda. Entrenar un modelo XGBoost personalizado podría ser una opción si se tuvieran características predictivas robustas más allá de la serie temporal, pero DeepAR está diseñado específicamente para aprovechar la información de series temporales de productos relacionados, lo que lo hace superior en este escenario de pronóstico de nuevos productos.