Een dataset met verzekeringsclaims bevat een claim-ID, de uiteindelijke uitkomst (één van 200 categorieën) en de uitkomstdatum. Sommige records zijn partieel (ze vermelden slechts 3-4 mogelijke uitkomsten in plaats van de volledige set). Er zijn honderden records per uitkomst en de gegevens beslaan de laatste 3 jaar. De data scientist moet de maandelijkse telling van claims per uitkomstcategorie enkele maanden vooruit voorspellen. Welke aanpak voldoet het beste aan deze vereiste?

De beste aanpak is om dit te behandelen als een forecasting-probleem. De vraag is om de maandelijkse telling van claims per uitkomstcategorie te voorspellen, wat een tijdreeksvoorspelling is. Claim-ID's en datums zijn cruciale input voor het vaststellen van de tijdreeks. Supervised classification is ongeschikt omdat het de categorie van een individuele claim voorspelt, niet de telling over een periode. Reinforcement learning is hier niet van toepassing; het is voor het leren van optimale acties in een omgeving, niet voor het voorspellen van aantallen. Het classificeren van partiële records en vervolgens forecasting gebruiken, is onnodig complex en pakt het kernprobleem van het voorspellen van maandelijkse tellingen niet direct aan.