Specjalista ML w handlu detalicznym prognozuje dzienną sprzedaż dla sklepu, wykorzystując 10 lat historycznych danych dziennej sprzedaży. Około 5% dni ma brakujące wartości. Błędy prognoz są największe w okolicach wydarzeń sezonowych, gdzie przewidywania są konsekwentnie obciążone. Jakie dwie czynności powinien podjąć specjalista, aby spróbować poprawić wydajność modelu? (Wybierz dwie opcje.)

Dodanie cech opisujących okresy sprzedaży (np. święta, promocje) jest kluczowe, ponieważ błędy prognoz są największe wokół wydarzeń sezonowych. Te cechy pomogą modelowi zrozumieć i uwzględnić wpływ tych zdarzeń, redukując błędy systematyczne. Zastosowanie technik wygładzania lub modelowania sezonowości jest bezpośrednią odpowiedzią na problem błędów prognoz związanych z wahaniami sezonowymi. Takie techniki, jak dekompozycja szeregów czasowych czy modele SARIMA, mogą skutecznie wyodrębnić i zamodelować komponent sezonowy. Agregacja danych z pobliskich sklepów mogłaby wprowadzić szum i nieistotne wzorce, ponieważ każdy sklep może mieć unikalną dynamikę sprzedaży. Zmiana częstotliwości na tygodniową zmniejszyłaby szczegółowość prognoz i nie rozwiązałaby problemu błędów sezonowych. Interpolacja liniowa brakujących wartości jest ogólnie dobrą praktyką, ale 5% brakujących danych nie jest główną przyczyną dużych błędów sezonowych i nie poprawi znacząco wydajności modelu w tym konkretnym kontekście.