인투더데이터 - Into the data > 데이터사이언스 - 학술별 갈래 > 경영과학 - Operational Research > 수요예측 - Demand Forecasting

수요예측 - Demand Forecasting

수요 예측은 영어로 Forecasting Methods 또는 Demand Forecasting이라고 불립니다.

이는 기업이 생산하는 제품이 얼마나 판매될지를 예측하는 것을 의미하며, 생산과 관련된 모든 비즈니스에 적용할 수 있습니다. 그러나 실제로 높은 성능을 내기란 매우 어렵습니다.

이 주제가 어려운 이유는 예측을 통해 비슷하게 맞추는 것조차 쉽지 않으며, 실패할 경우 금전적 손해가 크기 때문에 공격적이거나 실험적인 접근을 시도하기 어렵기 때문입니다.

실제로 수요 예측을 진행한 결과를 살펴보면, 대부분의 경우 제대로 예측하지 못하고 손실을 많이 보며 실패하는 경우가 많다고 전해집니다.

외생 변수가 매우 많아 변화를 예측하기가 어렵고, 시계열 기법 자체의 예측이 변수(또는 자질)가 충분하지 않은 경우가 대부분이기 때문에 결과가 맞지 않는 경우가 많습니다. 성공한 사례는 잘 알려져 있지 않으며, 이는 아마도 이러한 모형이 성공했다면 외부에 알리지 않고 비밀로 하여 독점적으로 사용하려고 하기 때문일 것입니다.

수요 예측 기법은 크게 정성적인 기법과 정량적인 기법 두 가지로 나눌 수 있습니다.

정성적 기법

정성적인 기법은 전문가의 의견이나 여러 사람의 의견을 모으고 토의를 거쳐 결과를 도출하는 방법입니다. 주먹구구식이라고 생각할 수도 있겠지만, 오랜 시간 동안 사용되어 왔으며 미리 경험하지 못한 어떤 행위에 대한 결과를 예견하기 위해 가장 많이 사용되는 방법들입니다.

정성적 기법의 종류

델파이 기법
패널 기법
그 외에도 다양한 기법이 존재합니다.

정량적 기법

정량적인 기법은 수치 데이터를 이용한 수학적, 과학적인 기술을 사용하는 방법입니다. 분석 기법의 분류 중에는 시계열 분석 기법에 많이 포함되어 있습니다. 널리 알려진 기법으로는 다음과 같은 것들이 있습니다.

이동 평균법(MA, Moving Average) 이동 평균법(MA, Moving Average)은 시계열 데이터의 변동성을 줄이고 추세를 파악하기 위해 사용되는 기법입니다. 과거 일정 기간 동안의 데이터 값을 평균하여 새로운 값을 생성하며, 이를 통해 데이터의 노이즈를 제거하고 보다 명확한 패턴을 확인할 수 있습니다. 이동 평균법은 주가 예측, 수요 예측 등 다양한 분야에서 널리 사용됩니다.
지수 평활법(Exponential Smoothing) 지수 평활법(Exponential Smoothing)은 시계열 데이터의 예측을 위해 사용되는 기법으로, 과거 데이터에 지수적으로 감소하는 가중치를 부여하여 미래 값을 예측합니다. 이 방법은 최근 데이터에 더 큰 가중치를 부여하고, 과거 데이터에는 점차적으로 작은 가중치를 부여하여 데이터의 변동성을 반영합니다. 지수 평활법은 단순 지수 평활법(Simple Exponential Smoothing), 이중 지수 평활법(Double Exponential Smoothing), 삼중 지수 평활법(Triple Exponential Smoothing)으로 나눌 수 있습니다.
추이 투영법(Trend Projection Methods) 추이 투영법은 과거의 데이터를 기반으로 미래의 추세를 예측하는 방법입니다. 이 방법은 주로 선형 회귀 분석을 사용하여 시간에 따른 데이터의 변화를 모델링합니다. 추이 투영법은 다음과 같은 단계로 수행됩니다:
1. 데이터 수집: 과거의 수요 데이터를 수집합니다. 이 데이터는 시간에 따라 변화하는 수요량을 포함해야 합니다.
2. 데이터 시각화: 수집된 데이터를 시각화하여 데이터의 추세를 파악합니다. 이를 통해 데이터가 선형적인지, 비선형적인지 확인할 수 있습니다.
3. 모형 설정: 데이터의 추세를 설명할 수 있는 회귀 모형을 설정합니다. 일반적으로 선형 회귀 모형이 사용되지만, 데이터의 특성에 따라 다항 회귀 모형이나 다른 비선형 모형을 사용할 수도 있습니다.
4. 모형 추정: 설정된 회귀 모형을 사용하여 회귀 계수를 추정합니다. 이는 최소자승법(Least Squares Method)을 사용하여 수행됩니다.
5. 미래 예측: 추정된 회귀 모형을 사용하여 미래의 수요를 예측합니다. 이는 회귀 방정식에 미래의 시간 값을 대입하여 계산됩니다.
추이 투영법은 비교적 간단하고 직관적인 방법이지만, 과거의 추세가 미래에도 계속될 것이라는 가정이 필요합니다. 따라서 외부 환경의 변화나 예기치 않은 사건이 발생할 경우 예측의 정확도가 떨어질 수 있습니다.
ARIMA (Autoregressive Integrated Moving Average) ARIMA(자기회귀 누적 이동평균 모형)은 Box-Jenkins 모델로도 알려져 있으며, 시계열 예측에서 가장 널리 사용되는 알고리즘 중 하나입니다. 국내에서는 “아리마”라고 읽는 경우가 많으며, Box-Jenkins(박스 젠킨스) 모형이라고 부르는 사람들도 있습니다. ARIMA 모델은 자기회귀(AR), 차분(I), 이동평균(MA) 세 가지 요소를 결합하여 시계열 데이터를 분석하고 예측합니다. 이 모델은 데이터의 자기상관성을 고려하여 미래 값을 예측하는 데 유용합니다.
Winter’s Model
Winter’s Model Winter’s Model은 Holt-Winters 계절적 방법으로도 알려져 있으며, 데이터의 계절성을 고려한 시계열 예측 기법입니다. 이 모델은 데이터가 추세와 계절 패턴을 모두 보일 때 특히 유용합니다. Holt-Winters 방법은 계절적 요소의 특성에 따라 덧셈형과 곱셈형 두 가지 변형으로 나뉩니다.

Winter’s Model을 구현하는 단계:
1. 데이터 수집: 계절 패턴을 포함한 과거 데이터를 수집하십시오.
2. 초기화: 수준, 추세, 계절 요소의 초기 값을 결정하십시오. 이는 간단한 평균이나 더 정교한 방법을 사용하여 수행할 수 있습니다.
3. 평활 방정식: 각 기간에 대해 수준, 추세, 계절 요소를 업데이트하기 위해 Holt-Winters 평활 방정식을 적용하십시오. 방정식은 덧셈형과 곱셈형 모델 간에 약간 다릅니다.
  - 덧셈형 모델:
    - 수준: ( L_t = \alpha (Y_t - S_{t-m}) + (1 - \alpha)(L_{t-1} + T_{t-1}) )
    - 추세: ( T_t = \beta (L_t - L_{t-1}) + (1 - \beta)T_{t-1} )
    - 계절: ( S_t = \gamma (Y_t - L_t) + (1 - \gamma)S_{t-m} )
  - 곱셈형 모델:
    - 수준: ( L_t = \alpha \frac{Y_t}{S_{t-m}} + (1 - \alpha)(L_{t-1} + T_{t-1}) )
    - 추세: ( T_t = \beta (L_t - L_{t-1}) + (1 - \beta)T_{t-1} )
    - 계절: ( S_t = \gamma \frac{Y_t}{L_t} + (1 - \gamma)S_{t-m} )
4. 예측: 업데이트된 요소를 사용하여 미래 값을 예측하십시오. 예측 방정식도 덧셈형과 곱셈형 모델 간에 다릅니다.
  - 덧셈형 모델: ( \hat{Y}{t+h} = L_t + hT_t + S{t+h-m(k+1)} )
  - 곱셈형 모델: ( \hat{Y}{t+h} = (L_t + hT_t)S{t+h-m(k+1)} )
5. 모델 평가: 평균 절대 오차(MAE)나 평균 제곱 오차(MSE)와 같은 지표를 사용하여 모델의 정확성을 평가하고, 평활 매개변수((\alpha, \beta, \gamma))를 필요에 따라 조정하십시오.
Winter’s Model은 데이터가 명확한 계절 패턴을 보일 때 단기에서 중기 예측에 매우 효과적입니다. 그러나 최적의 결과를 얻기 위해 평활 매개변수를 신중하게 조정해야 합니다.