Um especialista em ML de varejo está prevendo as vendas diárias de uma loja usando 10 anos de histórico de vendas diárias. Cerca de 5% dos dias têm valores ausentes. Os erros de previsão são maiores em torno de eventos sazonais, onde as previsões são consistentemente enviesadas. Quais duas ações o especialista deve tomar para tentar melhorar o desempenho do modelo? (Escolha duas.)

Adicionar características que descrevam períodos de vendas (feriados, promoções) é crucial porque os erros são maiores em eventos sazonais e as previsões são enviesadas. Essas características fornecem ao modelo informações contextuais importantes sobre os fatores que impulsionam as vendas nesses períodos, permitindo que ele aprenda padrões específicos e melhore a precisão. Aplicar técnicas de suavização ou modelagem para corrigir a variação sazonal é essencial para lidar com o viés consistente e os erros maiores em torno de eventos sazonais. Isso ajuda o modelo a capturar e ajustar os padrões sazonais subjacentes, resultando em previsões mais precisas e menos enviesadas. Agregar dados de lojas próximas não aborda o problema de viés sazonal e pode introduzir ruído se as lojas tiverem padrões de vendas diferentes. Alterar a frequência para semanal reduz a granularidade e pode esconder padrões diários importantes, além de não resolver o viés sazonal. Preencher valores ausentes com interpolação linear pode ser útil para completar dados, mas não aborda diretamente o problema de viés e erro em períodos sazonais.