Un grossiste fournit des vêtements à des milliers de magasins et a besoin d'un modèle qui prédit les ventes quotidiennes par article et par magasin. Plus de la moitié des magasins ont moins de six mois. Les ventes sont constantes d'une semaine à l'autre. L'ensemble de données actuel est agrégé hebdomadairement et omet les semaines sans ventes. Cinq ans de données (100 Mo) sont stockées dans le cloud. Quels problèmes sont susceptibles de nuire aux performances des prévisions, et quelles actions devriez-vous entreprendre pour y remédier ? (Choisissez deux.)

La détection de la saisonnalité sera difficile pour les magasins récents car ils n'ont pas un historique suffisant (moins de six mois). Demander des attributs catégoriels (par exemple, type de magasin, emplacement) permet de regrouper les nouveaux magasins avec des magasins plus anciens et similaires, dont l'historique est plus riche, pour mieux estimer leur saisonnalité. L'agrégation hebdomadaire des données est un problème majeur pour une prévision quotidienne. Pour prédire les ventes quotidiennes, le modèle a besoin de données quotidiennes. Obtenir des enregistrements de ventes quotidiens est essentiel pour capturer les variations journalières et construire un modèle de prévision précis à cette granularité. Les autres options sont moins pertinentes : les données de ventes ne manquent pas nécessairement de variance, les données externes d'autres industries sont peu utiles, l'absence de périodes de ventes nulles est un problème mais moins critique que l'agrégation, et 100 Mo de données peuvent être suffisants si elles sont de bonne qualité.