한 도매업체가 수천 개의 상점에 의류를 공급하며, 상점별 품목당 일일 판매량을 예측하는 모델이 필요합니다. 상점의 절반 이상이 개업한 지 6개월 미만입니다. 판매량은 주별로 일관됩니다. 현재 데이터 세트는 주 단위로 집계되어 있으며, 판매가 없는 주는 누락되어 있습니다. 5년치 데이터(100MB)가 클라우드 스토리지에 있습니다. 예측 성능을 저해할 가능성이 있는 문제는 무엇이며, 이를 해결하기 위해 어떤 조치를 취해야 할까요? (두 가지 선택)

대부분의 상점이 6개월 미만으로 운영되었기 때문에 개별 상점의 계절성을 정확하게 감지하기 어렵습니다. 상점 수준의 범주형 속성을 추가하면 유사한 상점 간의 패턴을 학습하여 새로운 상점의 예측 정확도를 높일 수 있습니다. 또한, 주 단위로 집계된 데이터로는 일일 판매량을 예측하기 어렵습니다. 일일 예측 모델을 구축하려면 소스 시스템에서 일일 판매 기록을 요청하여 더 세분화된 데이터를 확보해야 합니다. 판매 데이터에 분산이 부족하다는 것은 문제의 원인이 아니며, 외부 데이터를 추가하는 것은 예측 정확도를 떨어뜨릴 수 있습니다. 판매가 없는 기간이 누락된 것은 모델 학습에 영향을 줄 수 있지만, 0-항목 기록을 추가하는 것보다 일일 데이터 확보가 더 근본적인 해결책입니다. 100MB의 데이터는 충분하며, 데이터 양을 늘리는 것보다 데이터의 품질과 세분화가 더 중요합니다.