Une entreprise de biens de consommation dispose de l'historique complet des ventes pour de nombreuses variantes de produits et utilise actuellement des modèles ARIMA. Elle souhaite prévoir la demande pour un nouveau produit qui sera lancé prochainement. Quelle approche un spécialiste en Machine Learning devrait-il utiliser ?

DeepAR est idéal pour la prévision de séries temporelles pour de nombreux articles connexes, ce qui est le cas ici avec de multiples variantes de produits. Il peut apprendre des modèles complexes à partir de données historiques de produits similaires (produits existants) et les appliquer au nouveau produit, même sans données historiques directes pour ce dernier, en utilisant des caractéristiques d'articles et des séries temporelles associées. Les modèles ARIMA nécessitent des données historiques pour l'article spécifique, ce qui n'est pas disponible pour un nouveau produit. XGBoost est un modèle d'apprentissage supervisé qui excelle dans les tâches de régression et de classification, mais il n'est pas intrinsèquement conçu pour la prévision de séries temporelles avec des dépendances temporelles complexes comme DeepAR. Le clustering k-means est une technique de regroupement non supervisée, pas une méthode de prévision de la demande.