Un grossista fornisce abbigliamento a migliaia di negozi e necessita di un modello che preveda le vendite giornaliere per articolo per negozio. Oltre la metà dei negozi ha meno di sei mesi. Le vendite sono costanti di settimana in settimana. Il set di dati attuale è aggregato settimanalmente e omette le settimane senza vendite. Cinque anni di dati (100 MB) sono archiviati in cloud storage. Quali problemi potrebbero compromettere le prestazioni delle previsioni e quali azioni dovresti intraprendere per risolverli? (Scegli due.)

La previsione delle vendite giornaliere richiede dati giornalieri. I dati aggregati settimanalmente impediscono al modello di apprendere i pattern giornalieri, come i picchi di vendita nel fine settimana, rendendo la previsione giornaliera imprecisa. Richiedere i record di vendita giornalieri risolve questo problema. Inoltre, i negozi con meno di sei mesi di attività hanno uno storico dati insufficiente per rilevare la stagionalità. L'aggiunta di attributi categorici a livello di negozio (come tipo di negozio, posizione, dimensioni) consente di raggruppare i nuovi negozi con negozi più vecchi e simili che hanno uno storico dati più lungo, permettendo al modello di inferire la stagionalità basandosi su questi negozi analoghi. Le opzioni errate: I dati di vendita non mancano necessariamente di varianza; l'aggiunta di dati esterni da altri settori potrebbe introdurre rumore o dati irrilevanti. L'omissione dei periodi a zero vendite è un problema, ma non è tra le due problematiche più impattanti per la previsione giornaliera rispetto all'aggregazione settimanale e alla mancanza di storico per i nuovi negozi. 100 MB di dati per cinque anni sono una quantità ragionevole; raddoppiare la quantità di dati non è la soluzione principale se i dati esistenti non sono nel formato corretto o non contengono le informazioni necessarie.