Uno specialista ML del settore retail sta prevedendo le vendite giornaliere di un negozio utilizzando 10 anni di dati storici di vendite giornaliere. Circa il 5% dei giorni presenta valori mancanti. Gli errori di previsione sono più elevati in prossimità di eventi stagionali, dove le previsioni sono costantemente distorte. Quali due azioni dovrebbe intraprendere lo specialista per cercare di migliorare le prestazioni del modello? (Scegliere due.)

Aggiungere feature che descrivano eventi stagionali (festività, promozioni) è cruciale perché il problema indica che gli errori di previsione sono elevati proprio in prossimità di questi eventi. Fornire al modello queste informazioni contestuali lo aiuterà a catturare meglio la loro influenza sulle vendite, riducendo la distorsione. Applicare tecniche di smoothing o modellazione per la variazione stagionale è direttamente mirato a risolvere il problema della distorsione costante nelle previsioni durante i periodi stagionali. Questo permette al modello di identificare e compensare i pattern ripetitivi legati alla stagionalità. Aggregare i dati di negozi vicini non è garantito migliorare le prestazioni, poiché le dinamiche di vendita potrebbero essere diverse. Cambiare la frequenza di previsione da giornaliera a settimanale ridurrebbe la granularità e la capacità di prevedere eventi giornalieri specifici. L'interpolazione lineare per i valori mancanti è una buona pratica di pre-elaborazione, ma non affronta direttamente il problema della distorsione stagionale o degli errori elevati in specifici periodi.