我正在尝试以可扩展的方式为客户构建价格推荐解决方案。我有以下两种选择。

专业服务：统计学家参与建立回归模型或任何其他类型的预测模型，特别适合客户数据并可以使用。

问题：因此，从长远来看，将存在可扩展性问题，因为一位分析师无法同时为数百个想要加入并使用此服务的客户构建模型。为 100 个客户雇用 1 名分析师对我来说不是一个选择，因为我不运行此操作。

产品：即插即用，人工干预最少。即某种适用于任何客户的自我学习/人工算法。此外，它还可以适应随着时间推移出现的新趋势，而这些趋势可能在现有模型中没有被捕捉到。就个人而言，我会偏向于这种解决方案。

问题：这是理想的解决方案，但是我不确定如何构建它以及如何朝这个方向发展。

为了给出上下文，与位于新加坡的客户的 sql 数据库相比，欧洲的客户可能在其 sql 数据库中在名称、变量类型方面具有相同的数据结构。但是，与欧洲的数据相比，新加坡的数据可能具有不同的趋势、季节性和模式。有没有什么方法可以为所有区域和客户端构建和使用单个机器学习或人工智能或深度学习或神经网络算法，而无需为任何新客户端手动更新该模型？

我的背景：我之前曾在专业服务领域工作过，并且有统计/预测建模背景。