Specjalista ML musi prognozować dzienną sprzedaż dla jednego sklepu, korzystając z 10 lat historycznych danych dziennej sprzedaży. Około 10% dni w zapisie historycznym ma brakujące wartości sprzedaży. Model prognozowania działa poniżej oczekiwań. Które działanie najprawdopodobniej poprawi wydajność modelu?

Prawidłowa odpowiedź to uzupełnienie brakujących dziennych wartości sprzedaży za pomocą interpolacji liniowej. Brakujące dane stanowią 10% historycznych zapisów, co jest znaczącą ilością i może negatywnie wpływać na zdolność modelu do uczenia się wzorców i dokładnego prognozowania. Interpolacja liniowa to skuteczna metoda uzupełniania brakujących wartości w szeregach czasowych, ponieważ szacuje brakujące punkty danych na podstawie sąsiednich wartości, zachowując ciągłość trendu. Agregacja sprzedaży w sklepach w tym samym obszarze geograficznym nie jest odpowiednia, ponieważ zadaniem jest prognozowanie sprzedaży dla jednego sklepu. Zastosowanie wygładzania w celu skorygowania wahań sezonowych jest dobrą praktyką, ale nie rozwiąże problemu brakujących danych, które są bardziej fundamentalną przeszkodą. Zmiana częstotliwości prognozowania z dziennej na tygodniową zmniejszyłaby granularność danych i mogłaby ukryć ważne dzienne wzorce, a także nie rozwiązałaby problemu brakujących danych w oryginalnym zbiorze.