Bir toptancı binlerce mağazaya giysi tedarik ediyor ve mağaza başına ürün bazında günlük satışları tahmin eden bir modele ihtiyaç duyuyor. Mağazaların yarısından fazlası altı aydan daha kısa süredir faaliyette. Satışlar haftadan haftaya tutarlı. Mevcut veri seti haftalık olarak toplanmış ve satış olmayan haftaları içermiyor. Beş yıllık veriler (100 MB) bulut depolama alanında bulunuyor. Tahmin performansına zarar verebilecek olası sorunlar nelerdir ve bunları gidermek için hangi önlemleri almalısınız? (İki tane seçin.)

Doğru cevaplar, modelin tahmin performansını etkileyebilecek iki temel sorunu ve bunların çözümlerini ele almaktadır. Birincisi, mağazaların yarısından fazlasının altı aydan kısa süredir faaliyette olması, yeni mağazalar için yeterli geçmiş veri olmaması nedeniyle mevsimsellik gibi uzun vadeli eğilimleri tespit etmeyi zorlaştırır. Mağaza düzeyinde kategorik özellikler (örneğin, mağaza tipi, konumu) talep etmek, yeni mağazaları benzer geçmişe sahip eski mağazalarla ilişkilendirerek bu sorunu hafifletebilir. İkincisi, verilerin haftalık olarak toplanması, günlük satış tahmini ihtiyacını karşılamaz. Günlük tahmin modeli oluşturabilmek için kaynak sistemden günlük satış kayıtları talep etmek bu sorunu doğrudan çözer. Diğer seçenekler yanlıştır çünkü: Satış verilerinin varyans açısından yetersiz olduğu belirtilmemiştir ve harici veriler her zaman uygun veya gerekli değildir. Sıfır satış dönemlerinin eksikliği bir sorun olsa da, günlük veri eksikliği daha acil bir sorundur ve sıfır girişler eklemek her zaman en iyi çözüm olmayabilir. 100 MB veri, beş yıllık haftalık satış verisi için küçük görünse de, model performansını artırmak için her zaman daha fazla veri gerekli değildir; verinin kalitesi ve uygunluğu daha önemlidir.