Hurtownik dostarcza odzież do tysięcy sklepów i potrzebuje modelu, który przewiduje dzienną sprzedaż na sztukę w każdym sklepie. Ponad połowa sklepów ma mniej niż sześć miesięcy. Sprzedaż jest stała z tygodnia na tydzień. Bieżący zestaw danych jest agregowany tygodniowo i pomija tygodnie bez sprzedaży. Pięć lat danych (100 MB) znajduje się w pamięci masowej w chmurze. Które problemy prawdopodobnie zaszkodzą wydajności prognozowania i jakie działania należy podjąć, aby je rozwiązać? (Wybierz dwie odpowiedzi.)

Wykrywanie sezonowości będzie trudne dla ponad połowy sklepów, które działają krócej niż sześć miesięcy, ponieważ sezonowość wymaga dłuższego okresu obserwacji. Atrybuty kategoryczne na poziomie sklepu (np. lokalizacja, typ sklepu) pozwolą na grupowanie nowych sklepów z podobnymi, starszymi, co pomoże w transferze wiedzy o sezonowości. Agregacja danych tygodniowo uniemożliwia prognozowanie dziennej sprzedaży, ponieważ model nie widzi dziennych wzorców. Aby przewidywać sprzedaż dzienną, model musi być trenowany na danych dziennych. Pozostałe opcje są mniej trafne: brak wariancji w danych sprzedażowych jest mało prawdopodobny; brak danych o zerowej sprzedaży jest problemem, ale nie głównym w kontekście prognozowania dziennego z danych tygodniowych; 100 MB danych to zazwyczaj wystarczająca ilość dla wielu modeli prognozowania, a zwiększanie ilości danych bez rozwiązania problemów z ich strukturą i jakością nie przyniesie znaczącej poprawy.