某零售商需要使用多年的每日資料，對數千種商品進行為期 30 天的需求預測。庫存不足的成本遠高於庫存過剩。商品層級的特徵（類別、品牌、安全庫存）是可用的，並且存在一個二進位促銷標誌，但其已知的未來值僅限於 5 天。在這些限制下，應選擇哪種預測演算法和評估指標來最大化利潤？

正確答案是訓練 CNN-Quantile Regression (CNN-QR) 模型，並使用 0.75 分位數 (P75) 的加權分位數損失 (wQL) 進行評估。CNN-QR 是一種深度學習模型，能有效處理數千種商品的複雜時間序列資料和商品層級特徵，優於傳統的 ARIMA 模型。由於缺貨成本高於庫存過剩，我們需要一個高分位數（例如 P75）來確保預測值偏高，以降低缺貨風險。加權分位數損失 (wQL) 是評估分位數預測的理想指標，它能直接優化特定分位數的預測準確性。 訓練 ARIMA 模型不適用於數千種商品和豐富的商品特徵，且 ARIMA 不支援分位數預測。使用加權絕對百分比誤差 (WAPE) 進行評估不適合此情境，因為 WAPE 衡量的是平均誤差，無法直接優化避免缺貨的目標。