Ein ML-Spezialist im Einzelhandel prognostiziert tägliche Verkaufszahlen für ein Geschäft unter Verwendung von 10 Jahren historischer täglicher Verkaufsdaten. Bei etwa 5 % der Tage fehlen Werte. Die Prognosefehler sind um saisonale Ereignisse herum am höchsten, wo die Vorhersagen durchweg voreingenommen sind. Welche zwei Maßnahmen sollte der Spezialist ergreifen, um die Modellleistung zu verbessern? (Wählen Sie zwei.)

Die Hinzufügung von Merkmalen wie Feiertagen oder Werbeaktionen hilft dem Modell, die hohen Prognosefehler und die systematische Verzerrung bei saisonalen Ereignissen zu verstehen und zu korrigieren, da diese externe Faktoren sind, die die Verkaufszahlen direkt beeinflussen. Die Anwendung von Glättungs- oder Modellierungstechniken für saisonale Schwankungen ist ebenfalls entscheidend, da die Prognosefehler um saisonale Ereignisse herum am höchsten sind. Dies deutet darauf hin, dass das aktuelle Modell die Saisonalität nicht ausreichend erfasst. Das Aggregieren von Verkaufszahlen benachbarter Geschäfte ist nicht direkt relevant für die Verbesserung der Prognosegenauigkeit für das spezifische Geschäft. Eine Änderung der Prognosefrequenz von täglich auf wöchentlich würde die Granularität reduzieren und möglicherweise wichtige tägliche Muster übersehen. Das Füllen fehlender Werte mittels linearer Interpolation ist eine gute Praxis für fehlende Daten, würde aber die spezifischen Probleme der saisonalen Verzerrung nicht lösen.