Een ML-specialist in de detailhandel voorspelt de dagelijkse verkoop voor een winkel met behulp van 10 jaar aan historische dagelijkse verkoopgegevens. Ongeveer 5% van de dagen heeft ontbrekende waarden. De voorspellingsfouten zijn het hoogst rond seizoensgebonden evenementen, waar de voorspellingen consequent bevooroordeeld zijn. Welke twee acties moet de specialist ondernemen om de modelprestaties te verbeteren? (Kies twee.)

De hoogste voorspellingsfouten rond seizoensgebonden evenementen duiden op een gebrek aan informatie over deze gebeurtenissen in het model. Het toevoegen van features zoals feestdagen, promoties of speciale evenementen helpt het model deze patronen te leren en de voorspellingen te verbeteren. Het toepassen van smoothing- of modelleringstechnieken specifiek voor seizoensvariatie (bijvoorbeeld met behulp van seizoensgebonden ARIMA of exponentiële smoothing) pakt de consistente bias tijdens seizoenspieken direct aan. Het aggregeren van verkoopcijfers van nabijgelegen winkels zou de specifieke seizoensgebonden problemen van deze winkel niet oplossen en kan zelfs ruis introduceren. Het wijzigen van de voorspellingsfrequentie naar wekelijks verbergt dagelijkse seizoenspatronen in plaats van ze te modelleren. Het aanvullen van ontbrekende waarden met lineaire interpolatie is een goede praktijk voor gegevenskwaliteit, maar lost de seizoensgebonden bias in de voorspellingen niet direct op.