02_수요 예측 이론

1. 수요 예측 개요

Forecasts are always wrong. Yet, forecasting is still essential.

• 수요 예측의 필요성

  • 재고 최적화: 과잉 재고 비용 방지 및 결품으로 인한 매출 손실 방지
  • 생산 및 운영 계획 수립: 설비, 인력, 원자재의 사전 확보 및 리드 타임 안정화
  • 고객 만족도 향상: 원하는 시점에 제품 제공, 개인화된 경험 제공

• 수요 예측 필수 요소

  • 협업 기반 예측 (Collaborative Forecasting)
  • 다양한 계층에서의 예측 (Multi-level Forecasting)
  • 예측 정확도 측정 (Forecast Accuracy Measurement)
  • 이벤트 기반 수요 반영 (Event Planning Integration)
  • 시나리오 기반 계획 (Scenario-Based Planning)

• 성공 및 실패 사례

  • 성공 (Zara): 매장별 실시간 데이터와 정성적 피드백 반영, 2주 내 디자인~물류 완결 구조로 재고 리스크 최소화
  • 실패 (Target Canada): 현지화 부족, 데이터 시스템 미비, 피드백 부재로 인해 2년 만에 철수(20억 달러 손실)

2. 전통적 통계 기반 예측 기법

A. 회귀 분석

• 회귀분석 (Regression Analysis)

  • 독립변수(X)와 종속변수(Y) 간의 관계를 함수로 정의 (예: 광고비 → 매출)
  • 최소제곱법: 오차의 제곱합을 최소화하는 선을 찾아 예측
  • 기본 가정: 선형성, 독립성, 등분산성, 정규성 등

• 단순 선형회귀 (Simple linear regression)

  • 독립변수가 하나일 때, 독립변수와 종속변수의 관계를 1차 함수(직선)로 모델링하는 회귀분석 기법
  • 최소제곱법: 오차의 제곱합을 최소화하는 계수 추정치를 구하는 방법

• 다중 선형회귀 (Multiple linear regression)

  • 독립변수가 두 개 이상일 때, 독립변수와 종속변수의 관계를 1차 함수로 모델링하는 회귀분석 기법

B. 시계열 분석

• 시계열 분석 (Time Series Analysis)

  • 회귀분석과 달리 독립변수를 사용하지 않고, 과거 데이터 중 종속변수만을 고려하여 종속변수의 패턴을 분석하고 이를 바탕으로 미래의 값을 예측하는 통계적 기법

  • 기본 가정: 종속변수의 과거의 행태가 미래에도 유사하게 지속된다.

  • 과거의 패턴이 미래에도 반복된다는 가정하에 시간의 흐름에 따른 데이터를 분석

  • 변동 요인: 추세(Trend), 계절성(Seasonality), 순환성(Cycle), 불규칙성(Random)

1. 이동평균법 (Moving Average)

   • 과거의 일정 구간 데이터를 평균 내어 미래를 예측하는 방식
   • 단순하고 직관적이며, 노이즈 제거와 패턴 파악에 유용함
   • 급격한 데이터 변화에 대해 반응이 느림
   • 뚜렷한 추세 혹은 계절성이 존재할 때 부적합
   • 단순 이동평균과 최근 데이터에 더 큰 가중치를 두는 가중(weighted) 이동평균이 있음

2. 지수평활법 (Exponential Smoothing)

   • 과거 데이터에 지수적으로 감소하는 가중치를 적용하여 예측
   • 최근 데이터에 더 큰 비중을 두어 변화에 민감하게 반응
   • 단순 지수 평활(simple exponential smoothing): 이동평균법과 유사하게 추세 및 계절성이 없는 데이터에 사용하기 적합

3. 홀트 선형 평활법(Holt’s linear exponential smoothing)

   • 추세가 있는 시계열 데이터에 적합
   • 추세가 반영되어 장기 예측이 가능
   • 계절성까지는 다루지 못함

4. 홀트-윈터스 평활법(Holt-Winters exponential smoothing)

   • 추세와 계절성을 모두 고려하는 지수평활법
   • 가법형(additive) 방식과 승법형(multiplicative) 방식이 있음

3. ARIMA 계열 예측 기법

• ARIMA(Autoregressive Integrated Moving Average)

  • 과거(p), 추세(d), 오차(q)를 종합적으로 고려하는 시계열 모델

• 구성 요소

  • AR (AutoRegressive): 과거 관측치의 선형 결합
  • I (Integrated): 차분을 통해 데이터의 정상성 확보
  • MA (Moving Average): 과거 오차를 이용해 잡음 제거

• ARIMA 주요 특징

  • 파라미터형 모델: 파라미터(p, d, q)만 지정하면 적용 가능
  • 해석이 용이함
  • 선형성 기반
  • 확장성: 계절성(SARIMA)이나 외생 변수(ARIMAX)로 확장 가능

• 절차: 식별 → 추정 → 진단 → 예측의 4단계 반복

4. 머신러닝 예측 기법

• 수요 예측에 활발히 쓰이는 머신러닝

  • 엄청난 데이터 양 + 빠른 컴퓨터 → 수요 예측에 머신러닝 기법 활용
  • 간단한 패턴, 공식 기반의 전통적 기법 → 컴퓨터가 자동으로 패턴을 찾아 예측

• 개요: 방대한 데이터를 통해 컴퓨터가 자동으로 복잡한 패턴(비선형 등)을 학습

• 장점: 요일, 계절, 이벤트 등 다양한 변수 추가 용이, 비선형 관계 파악 가능

• 단점: 충분한 데이터 양과 컴퓨팅 자원 필요

• 주요 모델

  • Prophet
    • Meta(구 페이스북)에서 개발
    • 시계열(추세, 계절성, 휴일 등) 예측에 특화, 사용이 쉬움
  • 의사결정나무 (Decision Tree)
    • 스무고개처럼 질문을 반복하며 예측
  • 랜덤 포레스트 (Random Forest)
    • 여러 개의 의사결정나무를 모아 투표하는 방식(집단 지성)으로 예측 정확도를 높임

5. 하이브리드 예측 기법

• 개념: **[통계 모델 + 머신러닝 모델]**의 결합

• 작동 원리:

  1. **통계 모델(예: Holt-Winters)**로 기본적인 시계열 패턴(추세, 계절성)을 1차 예측.
  2. 여기서 발생한 **오차(Residual)**를 **머신러닝(예: Random Forest)**이 학습하여 보정. (이벤트, 프로모션 등 비선형적 요소 반영)
  3. ==최종 예측 값 = 통계 모델 예측치 + 머신러닝이 예측한 오차 보정치==

• 사례 (아이스크림 수요 예측):

  • 기온, 할인율, 프로모션 여부 등의 변수가 있을 때, 단일 모델(Holt-Winters나 Random Forest)보다 하이브리드 모델이 오차(MSE, MAE, MAPE)가 가장 낮아 성능이 우수함을 입증.

• 결론: 통계적 기본 패턴과 머신러닝의 변수 학습 능력을 결합하면 기업의 의사결정에 더 큰 도움을 줄 수 있음.