Stille SARIMA-fouten afvangen en propageren

[Muhammet369]

Probleem

src/models/sarima.py:80-83 retourneert een lege lijst bij een fout, sarima.py:190-197 retourneert np.nan. Downstream-code controleert niet of de voorspelling gelukt is.

except (LA.LinAlgError, IndexError, ValueError) as error:
    print(f"Cumulative sarima error on: {programme}, {herkomst}")
    return []   # ← stille failure

Impact

• Voorspellingen verdwijnen stilletjes uit de output
• NaN-waarden in output zijn niet te onderscheiden van "geen data beschikbaar"
• Bij productiegebruik kunnen verkeerde inschrijvingsprognoses ontstaan zonder dat iemand het merkt

Voorstel

• Introduceer een result-type (bijv. SARIMAResult dataclass met success, predictions, error velden)
• Log fouten met context (opleiding, herkomst, week) via logging framework (Logging framework implementeren #12)
• Laat downstream-code expliciet omgaan met gefaalde voorspellingen
• Overweeg fallback-strategie (bijv. ratio-model als backup)

Prioriteit

KRITIEK — raakt betrouwbaarheid van de prognose-output direct.