Sprzedawca detaliczny potrzebuje 30-dniowych prognoz popytu dla tysięcy pozycji, wykorzystując lata danych dziennych. Braki w magazynie są znacznie kosztowniejsze niż nadmierne zapasy. Dostępne są cechy na poziomie pozycji (kategoria, marka, zapas bezpieczeństwa), a także binarna flaga promocji, ale jej przyszłe wartości są znane tylko na 5 dni. Jaki algorytm prognozowania i metrykę oceny należy wybrać, aby zmaksymalizować zysk w ramach tych ograniczeń?

Poprawna odpowiedź to CNN-Quantile Regression (CNN-QR) z oceną Weighted Quantile Loss (wQL) na kwantylu 0.75 (P75). Problem wymaga prognozowania popytu dla tysięcy pozycji z uwzględnieniem cech na poziomie pozycji i flagi promocji, co wskazuje na potrzebę algorytmu zdolnego do obsługi wielu szeregów czasowych i zmiennych egzogenicznych. CNN-QR jest modelem uczenia głębokiego, który świetnie radzi sobie z takimi scenariuszami, wykorzystując sieci neuronowe do uczenia się złożonych wzorców. Brak w magazynie jest znacznie droższy niż nadmierne zapasy, co oznacza, że należy preferować prognozy, które są lekko zawyżone, aby uniknąć niedoborów. Osiąga się to poprzez optymalizację na wyższym kwantylu, takim jak P75, za pomocą funkcji straty Weighted Quantile Loss (wQL). ARIMA jest modelem statystycznym, mniej odpowiednim dla wielu szeregów czasowych i bogatych cech. WAPE jest metryką błędu średniego, która nie pozwala na dostosowanie prognoz do asymetrycznych kosztów niedoboru/nadwyżki.