Ein Großhändler liefert Kleidung an Tausende von Geschäften und benötigt ein Modell, das den täglichen Umsatz pro Artikel pro Geschäft vorhersagt. Über die Hälfte der Geschäfte sind weniger als sechs Monate alt. Die Umsätze sind von Woche zu Woche konstant. Der aktuelle Datensatz ist wöchentlich aggregiert und lässt Wochen ohne Verkäufe aus. Fünf Jahre Daten (100 MB) befinden sich im Cloud-Speicher. Welche Probleme beeinträchtigen wahrscheinlich die Prognoseleistung, und welche Maßnahmen sollten Sie ergreifen, um diese zu beheben? (Wählen Sie zwei.)

Die Erkennung der Saisonalität wird für neue Geschäfte schwierig sein, da sie weniger als sechs Monate alt sind und somit keine ausreichende Historie für eine zuverlässige Saisonalitätsanalyse vorhanden ist. Kategoriale Attribute auf Geschäftsebene (z.B. Geschäftsgröße, Standorttyp) können helfen, neue Geschäfte mit ähnlichen, etablierten Geschäften zu gruppieren, um deren Saisonalitätsmuster zu nutzen. Das Modell benötigt tägliche Verkaufsdaten, um eine tägliche Prognose zu erstellen. Wöchentlich aggregierte Daten sind für eine tägliche Vorhersage unzureichend, da sie die täglichen Schwankungen maskieren. Externe Verkaufsdaten aus anderen Branchen sind irrelevant und könnten das Modell verwirren. Perioden ohne Verkäufe sind wichtig, aber die Aggregation ist das primäre Problem. 100 MB Daten sind für fünf Jahre ausreichend; die Datenmenge ist hier nicht das Hauptproblem.