Розничному продавцу требуются 30-дневные прогнозы спроса для тысяч товаров, используя многолетние ежедневные данные. Отсутствие товаров на складе обходится гораздо дороже, чем их избыток. Доступны характеристики на уровне товара (категория, бренд, страховой запас), а также бинарный флаг акции, но его будущие значения известны только на 5 дней. Какой алгоритм прогнозирования и метрику оценки следует выбрать, чтобы максимизировать прибыль в этих условиях?

Правильный ответ — обучение модели CNN-Quantile Regression (CNN-QR) и оценка с помощью взвешенной квантильной потери (wQL) на квантиле 0.75 (P75). CNN-QR — это современный алгоритм глубокого обучения, который хорошо справляется с прогнозированием для тысяч товаров, используя как временные ряды, так и категориальные признаки (категория, бренд, страховой запас). Он также может эффективно обрабатывать известные будущие значения для некоторых признаков (флаг акции на 5 дней). Поскольку дефицит товара обходится дороже, чем избыток, необходимо использовать квантильное прогнозирование (P75), чтобы получить более высокий прогноз спроса, тем самым снижая риск дефицита. Взвешенная квантильная потеря (wQL) является подходящей метрикой для оптимизации этой асимметричной функции потерь. ARIMA не подходит для такого большого количества товаров и использования дополнительных признаков. WAPE не учитывает асимметрию затрат на дефицит и избыток.