Uno scienziato dei dati deve prevedere le vendite di prodotti per i prossimi tre mesi. L'analisi mostra che le vendite sono stagionali, influenzate dalle festività e correlate con le vendite di altri prodotti della stessa categoria. Quale approccio richiede il minor sforzo di sviluppo per incorporare la stagionalità, le festività e le correlazioni tra articoli correlati nella previsione?

L'approccio corretto è utilizzare Amazon Forecast con la featurizzazione Holidays e l'algoritmo DeepAR+ integrato. Amazon Forecast è un servizio di previsione completamente gestito che eccelle nella gestione di serie temporali complesse, incorporando automaticamente stagionalità, festività e correlazioni tra articoli correlati con il minimo sforzo di sviluppo. La featurizzazione Holidays integrata gestisce le festività in modo efficiente. DeepAR+ è un algoritmo di deep learning robusto per le serie temporali che apprende pattern complessi e correlazioni tra più serie temporali, rendendolo ideale per questo scenario. L'opzione con ARIMA è meno adatta perché ARIMA è un modello statistico tradizionale che, sebbene possa gestire la stagionalità, non è altrettanto efficace nel catturare correlazioni complesse tra più serie temporali o nel gestire automaticamente le festività come DeepAR+. Le opzioni che coinvolgono SageMaker Processing e GluonTS richiederebbero uno sforzo di sviluppo significativamente maggiore per la pre-elaborazione dei dati (aggiunta delle feature delle festività) e per l'addestramento e la gestione del modello, contraddicendo il requisito di "minor sforzo di sviluppo". Amazon Forecast automatizza gran parte di questo processo.