Un especialista en ML minorista está pronosticando las ventas diarias de una tienda utilizando 10 años de ventas diarias históricas. Aproximadamente el 5% de los días tienen valores faltantes. Los errores de pronóstico son más altos alrededor de los eventos estacionales, donde las predicciones están consistentemente sesgadas. ¿Qué dos acciones debería tomar el especialista para intentar mejorar el rendimiento del modelo? (Elija dos)

Agregar características que describan eventos estacionales (como días festivos o promociones) es crucial porque el problema menciona que los errores de pronóstico son altos y sesgados alrededor de estos eventos. Incluir estas características permite al modelo aprender y predecir mejor el impacto de estos factores en las ventas. Aplicar técnicas de suavizado o modelado para corregir la variación estacional aborda directamente el problema de los errores sesgados en periodos estacionales, ayudando al modelo a capturar patrones recurrentes y a desestacionalizar los datos. Agrupar las cifras de ventas de tiendas cercanas podría introducir ruido si las tiendas no son comparables. Cambiar la frecuencia a semanal reduce la granularidad y puede ocultar patrones diarios importantes. Rellenar los valores faltantes con interpolación lineal es una técnica de imputación, pero no aborda el sesgo en las predicciones estacionales.