Un détaillant a besoin de prévisions de la demande à 30 jours pour des milliers d'articles, en utilisant des années de données quotidiennes. Les ruptures de stock sont beaucoup plus coûteuses que les surstocks. Des caractéristiques au niveau de l'article (catégorie, marque, stock de sécurité) sont disponibles, et un indicateur binaire de promotion existe mais ne contient des valeurs futures connues que pour 5 jours. Quel algorithme de prévision et quelle métrique d'évaluation devraient être sélectionnés pour maximiser le profit sous ces contraintes ?

Le CNN-QR est idéal car il gère les séries temporelles multiples (des milliers d'articles) et intègre des caractéristiques au niveau de l'article, ce qu'ARIMA ne fait pas efficacement. La perte de stock étant plus coûteuse que le surstock, une prévision optimiste est préférable. L'évaluation avec la perte de quantile pondérée (wQL) au quantile 0,75 (P75) permet de générer des prévisions plus élevées, minimisant ainsi le risque de rupture de stock. WAPE est une métrique de précision moyenne qui ne tient pas compte des coûts asymétriques des erreurs. ARIMA est moins adapté pour les milliers de séries temporelles avec des caractéristiques.