Bir perakendecinin, yıllarca süren günlük verileri kullanarak binlerce ürün için 30 günlük talep tahminlerine ihtiyacı var. Stok tükenmeleri, aşırı stoktan çok daha maliyetlidir. Ürün düzeyinde özellikler (kategori, marka, güvenlik stoğu) mevcuttur ve ikili bir promosyon bayrağı bulunmaktadır, ancak gelecekteki değerleri yalnızca 5 gün öncesinden bilinmektedir. Bu kısıtlamalar altında kârı en üst düzeye çıkarmak için hangi Tahmin algoritması ve değerlendirme metriği seçilmelidir?

Doğru cevap, stok tükenmelerinin aşırı stoktan daha maliyetli olduğu bir senaryoda, talep tahminlerinin üst çeyreğini (P75) hedeflemek için CNN-Quantile Regression (CNN-QR) modelini ve Weighted Quantile Loss (wQL) değerlendirme metriğini kullanmaktır. CNN-QR, binlerce ürün ve ürün düzeyindeki özelliklerle başa çıkabilen, karmaşık zaman serisi modelleri için uygundur. P75 kantili, tahminin %75'inin gerçek talepten daha düşük olacağı anlamına gelir, bu da stok tükenmesi riskini azaltarak maliyetli durumları önler. wQL, belirli bir kantildeki tahmin hatalarını cezalandırarak bu hedefe ulaşmaya yardımcı olur. ARIMA modelleri, bu kadar çok sayıda ürün ve karmaşık özellikler için ölçeklenmeyebilir. WAPE, ortalama hatayı ölçer ve belirli bir kantili hedeflemek için uygun değildir.