Un spécialiste ML du commerce de détail prévoit les ventes quotidiennes d'un magasin en utilisant 10 ans d'historique des ventes quotidiennes. Environ 5 % des jours ont des valeurs manquantes. Les erreurs de prévision sont les plus élevées autour des événements saisonniers, où les prédictions sont constamment biaisées. Quelles sont les deux actions que le spécialiste devrait entreprendre pour tenter d'améliorer les performances du modèle ? (Choisissez-en deux.)

L'ajout de caractéristiques décrivant les périodes de vente (jours fériés, promotions) permet au modèle d'apprendre les schémas de vente spécifiques à ces événements saisonniers, réduisant ainsi le biais constant observé. L'application de techniques de lissage ou de modélisation pour la variation saisonnière, comme les modèles ARIMA saisonniers ou l'utilisation de caractéristiques de séries temporelles (mois, trimestre), aide à capturer et à corriger les fluctuations saisonnières inhérentes aux données de vente. Agréguer les chiffres de vente des magasins voisins n'est pas idéal car chaque magasin a des dynamiques de vente uniques. Modifier la fréquence des prévisions de quotidienne à hebdomadaire masque les détails importants et peut ne pas résoudre le problème de biais. Imputer les valeurs manquantes avec l'interpolation linéaire est une bonne pratique, mais ne résout pas directement le problème de biais saisonnier élevé.