Un rivenditore ha bisogno di previsioni della domanda a 30 giorni per migliaia di articoli utilizzando anni di dati giornalieri. Le rotture di stock sono molto più costose dell'eccesso di scorte. Sono disponibili caratteristiche a livello di articolo (categoria, marca, scorte di sicurezza) ed esiste un flag binario per le promozioni, ma i suoi valori futuri sono noti solo per 5 giorni. Quale algoritmo di Forecast e quale metrica di valutazione dovrebbero essere selezionati per massimizzare il profitto in queste condizioni?

Il CNN-QR (Convolutional Neural Network - Quantile Regression) è adatto per set di dati di serie temporali con molteplici elementi (migliaia di articoli) e caratteristiche aggiuntive a livello di articolo, come categoria e marca, che i modelli ARIMA non possono gestire direttamente. La Weighted Quantile Loss (wQL) al quantile 0.75 (P75) è la metrica appropriata perché il costo delle rotture di stock è superiore all'eccesso di scorte. Prevedere al P75 significa che il modello sovrastimerà la domanda il 75% delle volte, riducendo la probabilità di rotture di stock. WAPE non è ottimizzato per scenari asimmetrici di costo. ARIMA è meno efficace con molteplici serie temporali e caratteristiche esogene complesse.