Um atacadista fornece roupas para milhares de lojas e precisa de um modelo que preveja as vendas diárias por item por loja. Mais da metade das lojas tem menos de seis meses. As vendas são consistentes semana a semana. O conjunto de dados atual é agregado semanalmente e omite semanas sem vendas. Cinco anos de dados (100 MB) estão no armazenamento em nuvem. Quais problemas provavelmente prejudicarão o desempenho da previsão e quais ações você deve tomar para resolvê-los? (Escolha duas.)

A detecção de sazonalidade para a maioria das lojas será difícil porque mais da metade das lojas tem menos de seis meses, o que é um período muito curto para identificar padrões sazonais anuais. Solicitar atributos categóricos no nível da loja, como tipo de loja ou localização, permite que o modelo use informações de lojas mais antigas e semelhantes para prever vendas em lojas novas com dados históricos limitados. Os dados agregados semanalmente são um problema porque o objetivo é prever vendas diárias. A agregação semanal oculta as flutuações diárias e a sazonalidade intrassemanal, que são cruciais para uma previsão diária precisa. Solicitar registros de vendas diárias do sistema de origem permitirá construir um modelo que capture esses padrões diários. As outras opções são incorretas porque: "Os dados de vendas não têm variância" é improvável, já que as vendas diárias por item por loja geralmente variam. "Períodos de vendas zero estão ausentes" é um problema real, mas não é a principal limitação mencionada na pergunta, que foca na agregação e na falta de histórico. "Apenas 100 MB de dados estão disponíveis" não é necessariamente um problema para o desempenho do modelo, e dobrar o período de dados para 10 anos pode não ser viável ou necessário.