Uno specialista ML deve prevedere le vendite giornaliere per un negozio utilizzando 10 anni di dati storici sulle vendite giornaliere. Circa il 10% dei giorni nella registrazione storica presenta valori di vendita mancanti. Il modello di previsione ha prestazioni insufficienti. Quale azione ha maggiori probabilità di migliorare le prestazioni del modello?

L'interpolazione lineare è la soluzione più efficace perché i dati mancanti (10% dei giorni) possono introdurre rumore e imprecisioni nel modello di previsione. L'interpolazione lineare stima i valori mancanti basandosi sui punti dati noti prima e dopo il valore mancante, fornendo una stima ragionevole che può migliorare significativamente la qualità del set di dati e, di conseguenza, le prestazioni del modello. Aggregare le vendite tra i negozi non è applicabile poiché la domanda riguarda un singolo negozio. Applicare lo smoothing per la variazione stagionale è una tecnica utile, ma non affronta il problema fondamentale dei dati mancanti che sta probabilmente causando le scarse prestazioni. Cambiare la frequenza di previsione da giornaliera a settimanale ridurrebbe la granularità e potrebbe mascherare i problemi di dati mancanti, ma non li risolverebbe direttamente, e la previsione giornaliera potrebbe essere un requisito aziendale.