Un scientifique des données doit prévoir les ventes de produits sur trois mois. L'analyse montre que les ventes sont saisonnières, affectées par les jours fériés et corrélées avec les ventes d'autres produits de la catégorie. Quelle approche nécessite le moins d'effort de développement pour intégrer la saisonnalité, les jours fériés et les corrélations entre articles connexes dans les prévisions ?

L'approche correcte est d'utiliser Amazon Forecast avec la fonctionnalité Holidays et l'algorithme DeepAR+. Amazon Forecast est un service de prévision entièrement géré qui excelle dans la gestion des données de séries chronologiques complexes, y compris la saisonnalité et les effets des jours fériés via sa fonctionnalité intégrée. DeepAR+ est un algorithme de prévision d'apprentissage profond qui gère efficacement la saisonnalité, les tendances et les dépendances entre plusieurs séries chronologiques (comme les ventes de produits corrélés), ce qui réduit considérablement l'effort de développement. L'utilisation d'ARIMA est moins optimale car il s'agit d'un modèle statistique traditionnel qui gère moins bien les relations complexes entre plusieurs séries chronologiques et les jours fériés sans ingénierie de fonctionnalités supplémentaire. Les options SageMaker Processing nécessitent plus d'effort de développement pour l'ingénierie des fonctionnalités et la gestion de l'infrastructure, ce qui va à l'encontre de l'objectif de "moins d'effort de développement".