Een kledingbedrijf bewaart de volledige verkoophistorie van zijn producten in Amazon S3 en gebruikt momenteel aangepaste exponentiële smoothing (ETS) modellen om de vraag naar bestaande producten te voorspellen. Het bedrijf heeft een methode nodig om de vraag naar een nieuwe productvariant te voorspellen die nog niet eerder is verkocht. Welke aanpak voldoet het beste aan deze vereiste?

De beste aanpak is het trainen van een Amazon SageMaker DeepAR time-series forecasting model. DeepAR is een neuraal netwerk dat effectief is in het voorspellen van tijdreeksen, vooral wanneer er sprake is van "cold start" scenario's, zoals het voorspellen van de vraag naar nieuwe producten waarvoor geen historische gegevens beschikbaar zijn. Het kan leren van vergelijkbare producten en hun historische verkoopgegevens om een nauwkeurige voorspelling te doen. Het trainen van een ander aangepast ETS-model is niet geschikt, omdat ETS-modellen historische gegevens van het specifieke product nodig hebben om te kunnen functioneren. Aangezien het een nieuw product is, zijn deze gegevens er niet. Een Amazon SageMaker K-means clustering model is een unsupervised learning algoritme dat wordt gebruikt voor het groeperen van vergelijkbare datapunten, niet voor tijdreeksvoorspellingen. Een aangepast XGBoost-model is een krachtig supervised learning algoritme, maar het is primair ontworpen voor gestructureerde data en presteert minder goed dan DeepAR bij complexe tijdreeksvoorspellingen met cold start-problemen.