Vamos analisar cada um dos itens apresentados: I. Um problema comum na modelagem preditiva é a falta de dados relevantes para a construção do modelo. Nesse caso, é importante avaliar se as variáveis coletadas são realmente relevantes para prever o número de vendas. Verdadeiro, a relevância das variáveis é crucial para a eficácia do modelo preditivo. II. Outro problema comum é o overfitting, que ocorre quando o modelo é treinado em excesso com os dados de treinamento, gerando um ajuste muito específico para esses dados e não conseguindo generalizar para novos dados. Verdadeiro, o overfitting é um problema bem conhecido na modelagem preditiva. III. A validação cruzada é uma técnica importante para avaliar o desempenho do modelo, dividindo o conjunto de dados em subconjuntos de treinamento e teste e avaliando o desempenho do modelo em cada um deles. Verdadeiro, a validação cruzada é uma prática comum e eficaz para garantir que o modelo generalize bem. IV. A seleção inadequada de recursos, como variáveis irrelevantes ou redundantes, pode prejudicar a precisão do modelo e aumentar a complexidade desnecessária. Verdadeiro, a seleção de variáveis é fundamental para a construção de um modelo eficiente. Todos os itens I, II, III e IV estão corretos. Portanto, a alternativa que apresenta apenas afirmações corretas sobre a modelagem preditiva é: a).