Оптовый продавец поставляет одежду в тысячи магазинов и нуждается в модели, которая прогнозирует ежедневные продажи по каждому товару для каждого магазина. Более половины магазинов существуют менее шести месяцев. Продажи стабильны от недели к неделе. Текущий набор данных агрегирован по неделям и не включает недели без продаж. Пять лет данных (100 МБ) хранятся в облачном хранилище. Какие проблемы, вероятно, ухудшат производительность прогноза, и какие действия следует предпринять для их решения? (Выберите два.)

Прогнозирование ежедневных продаж требует ежедневных данных. Агрегированные еженедельные данные не позволяют модели уловить ежедневные колебания и паттерны, что ухудшает точность ежедневного прогноза. Поэтому необходимо запросить ежедневные записи. Более половины магазинов существуют менее шести месяцев, что означает, что для них недостаточно данных для выявления сезонности. Категориальные атрибуты на уровне магазина (например, тип магазина, размер, местоположение) позволят модели переносить знания из старых, похожих магазинов с более длительной историей на новые магазины, улучшая прогнозирование для последних. Остальные варианты менее эффективны: Добавление внешних данных из других отраслей может внести шум и не улучшит прогнозирование для конкретных товаров и магазинов. Отсутствие записей о нулевых продажах — это проблема, но не самая критичная по сравнению с агрегацией данных и отсутствием истории для новых магазинов. 100 МБ данных за 5 лет для тысяч магазинов и товаров — это значительный объем, и проблема, скорее всего, не в количестве данных, а в их детализации и структуре.