Analityk danych musi prognozować sprzedaż produktów na trzy miesiące. Analiza pokazuje, że sprzedaż jest sezonowa, zależna od świąt i skorelowana ze sprzedażą innych produktów w tej kategorii. Które podejście wymaga najmniejszego wysiłku rozwojowego, aby uwzględnić sezonowość, święta i korelacje z powiązanymi produktami w prognozie?

Prawidłowa odpowiedź to użycie Amazon Forecast z featurizacją Holidays i trenowanie za pomocą wbudowanego algorytmu DeepAR+. Amazon Forecast to w pełni zarządzana usługa prognozowania, która automatycznie obsługuje sezonowość i korelacje między powiązanymi szeregami czasowymi, co jest kluczowe w tym scenariuszu. Funkcja featurizacji Holidays w Amazon Forecast automatycznie uwzględnia wpływ świąt, co minimalizuje wysiłek rozwojowy. Algorytm DeepAR+ jest szczególnie skuteczny w prognozowaniu wielu powiązanych szeregów czasowych, co odpowiada potrzebie uwzględnienia korelacji z innymi produktami. Pozostałe opcje są mniej optymalne: Użycie ARIMA w Amazon Forecast jest mniej odpowiednie dla wielu powiązanych szeregów czasowych i nie wykorzystuje w pełni możliwości automatycznego uwzględniania korelacji między produktami w taki sposób, jak DeepAR+. Opcje SageMaker Processing wymagają znacznie większego wysiłku rozwojowego w zakresie przygotowania danych i zarządzania modelem, ponieważ trzeba ręcznie tworzyć i zarządzać potokiem przetwarzania i trenowania, zamiast korzystać z automatyzacji Amazon Forecast.