Zbiór danych o roszczeniach ubezpieczeniowych zawiera identyfikator roszczenia (claim ID), ostateczny wynik (jedna z 200 kategorii) oraz datę wyniku. Niektóre rekordy są częściowe (wymieniają tylko 3–4 możliwe wyniki zamiast pełnego zestawu). Istnieją setki rekordów dla każdego wyniku, a dane obejmują ostatnie 3 lata. Specjalista ds. danych musi przewidzieć miesięczną liczbę roszczeń dla każdej kategorii wyników na kilka miesięcy naprzód. Które podejście najlepiej spełnia to wymaganie?

Prawidłowa odpowiedź to potraktowanie problemu jako prognozowania, ponieważ celem jest przewidywanie miesięcznej liczby roszczeń dla każdej kategorii wyników na kilka miesięcy naprzód, co jest klasycznym zadaniem prognozowania szeregów czasowych. Dane zawierają daty i historyczne liczby roszczeń, co jest idealne do budowania modeli prognozowania. Opcja z nadzorowaną klasyfikacją jest nieprawidłowa, ponieważ klasyfikacja przewiduje kategorię dla pojedynczego roszczenia, a nie miesięczną liczbę dla wszystkich kategorii. Uczenie ze wzmocnieniem jest nieodpowiednie, ponieważ nie ma tu środowiska do interakcji i optymalizacji nagród, a poleganie na szacunkach agentów wprowadza subiektywność. Opcja mieszana jest zbyt skomplikowana i niepotrzebna, ponieważ wszystkie dane można wykorzystać w ramach jednego modelu prognozowania.