Een detailhandelaar heeft 30-daagse vraagvoorspellingen nodig voor duizenden artikelen, gebaseerd op jarenlange dagelijkse gegevens. Voorraadtekorten zijn veel kostbaarder dan overschotten. Kenmerken op artikelniveau (categorie, merk, veiligheidsvoorraad) zijn beschikbaar, en er is een binaire promotie-vlag, maar deze heeft alleen bekende toekomstige waarden voor 5 dagen. Welk Forecast-algoritme en welke evaluatiestatistiek moeten worden gekozen om de winst onder deze beperkingen te maximaliseren?

CNN-QR is geschikt voor duizenden artikelen en kan artikelkenmerken en de binaire promotie-vlag (ondanks de korte toekomstige beschikbaarheid) effectief benutten. Het is robuuster dan ARIMA voor complexe, grootschalige datasets met meerdere kenmerken. Omdat voorraadtekorten kostbaarder zijn dan overschotten, is een overvoorspelling wenselijk. Weighted Quantile Loss (wQL) op het 0.75 kwantiel (P75) is de juiste evaluatiestatistiek, omdat deze de voorspelling naar boven verschuift, wat resulteert in een hogere voorspelde vraag en minder voorraadtekorten. WAPE is minder geschikt omdat het geen rekening houdt met de asymmetrische kosten van onder- en overvoorspelling. ARIMA is minder schaalbaar en effectief met meerdere kenmerken dan CNN-QR.