이득:
- 수요예측 방법(이동평균, 지수평활, 계절성) 구별 능력
- AI로 예측 시나리오를 설정하고 MAPE/MAE와 같은 지표로 정확성을 평가하는 기능
- 비즈니스 상황 및 판촉/계절 효과를 통해 예측 결과를 교차 확인하는 기능
수요 예측은 생산 계획, 재고 관리 및 전체 공급망의 기반이 됩니다. 잘못된 예측은 두 가지 측면 모두에서 비용이 많이 듭니다. 과대평가하면 재고 비용과 낭비가 발생하고, 과소평가하면 매출 손실과 고객 불만족으로 이어집니다. 인공지능은 방법 선택부터 과거 데이터 해석 및 시나리오 생성에 이르기까지 예측 프로세스의 여러 부분에서 도움이 됩니다. 그러나 예측을 "마법의 수정구슬"로 보는 것은 가장 큰 실수입니다. 이번 단원에서는 전통적인 예측 방법과 이를 AI로 올바르게 구축하는 방법, 정확도를 측정하는 방법을 다룹니다.
예측 방법의 간략한 지도
모든 일련의 요구가 동일하게 작동하는 것은 아닙니다. 일부는 평평하고 일부는 추세가 있으며 일부는 계절적입니다. 시리즈에 따라 방법을 선택해야합니다.
방법
언제가 적절한가요?
주의
순진함(마지막 값)
비교용(벤치마크)
추세/계절을 따르지 않음
이동 평균
정적, 시끄러운 계열
트렌드에 늦게 반응한다
지수평활(SES)
고정 시리즈, 인근 데이터 강조
추세가 없으면 좋아요
홀트(이중 지수)
트렌디 시리즈
계절을 잡지 못한다
홀트-윈터스
추세 + 계절성
충분한 과거 데이터가 필요합니다
회귀/ML
다변수, 프로모션 효과
과적합 위험
팁: 항상 "순진한" 추측으로 시작하세요. 복잡한 모델이 순진한 추측보다 나을 것이 없다면 복잡성을 감당할 가치가 없습니다. Naive는 정확도 측정을 위한 무료 벤치마크입니다.
정확성을 어떻게 측정합니까? (측정항목)
예측 정확도는 측정 없이는 향상될 수 없습니다. 가장 일반적인 측정항목:
- MAE(평균 절대 오류): 오류 절대값의 평균입니다. 단위는 수요단위와 동일하다.
- RMSE(Root Mean Square Error): 오류가 클수록 더 많은 페널티를 적용합니다.
- MAPE(평균 절대 백분율 오류): 백분율로 표시됩니다. 품목 간 비교에는 적합하지만 수요가 0에 가까우면 왜곡됩니다.
- 편향: 평균 오류; 지속적으로 과대평가/과소평가하는지 여부를 나타냅니다.
작은 샘플 계정입니다. 실제 수요를 [100, 120, 90], 예측을 [110, 115, 100]으로 가정합니다.
오류(실제 - 예측): -10, +5, -10절대 오류: 10, 5, 10 → MAE = 25 / 3 ≒ 8.33퍼센트 오류: 10/100, 5/120, 10/90 = 10%, 4.17%, 11.11%MAPE = (10 + 4.17 + 11.11) / 3 ≒ 8.43%편향 = (-10 + 5 - 10) / 3 = -5 → 평균 과대평가 (예측 > 실제)
음의 편향(실제 마이너스 추정치)은 추정치가 지속적으로 과대평가되었음을 나타냅니다. 이는 재고 인플레이션을 의미합니다. 이러한 방향 오류는 MAPE에 숨겨질 수 있으므로 함께 볼 수 있습니다.
AI로 예측 프로세스 구축
AI를 가장 효율적으로 사용할 수 있는 방법은 (1) 데이터를 보고 적절한 방법과 취해야 할 조치를 제안하는 것, (2) 예측 코드를 생성하는 것입니다. 방법 제안:
역할: 귀하는 수요 예측 경험이 있는 산업 엔지니어입니다. 작업: 아래의 월간 판매 시리즈를 조사하고 적절한 예측 방법을 추천합니다. 추세와 계절성이 있는지 평가하고 그 근거를 작성하세요. 데이터(월별, 지난 24개월): {{ 값 }}추가 정보: 12월에 프로모션이 있으며, 여름철에는 수요가 감소합니다. 내가 원하는 출력:1. 시리즈의 성격(안정적/트렌딩/계절적)에 대해 설명합니다.2. 2가지 추천 방법과 이유.3. 어떤 정확도 지표를 추적해야 합니까?4. 주의해야 할 함정(아웃라이어, 판촉 효과). 규칙: 데이터를 보지 않고 절대적인 정확성을 약속하지 마세요.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
다음달에는 얼마에 팔까요?
여기에는 데이터나 컨텍스트가 포함되어 있지 않습니다. AI는 이를 거부하거나 완전히 조작된 숫자를 반환합니다. 그러한 출력은 신뢰할 수 있는 것처럼 보이기 때문에 위험합니다.
강력한 프롬프트:
이 24개월 시리즈에서 홀트-윈터스 논리를 사용하여 다음 3개월을 예측합니다. 시즌 기간은 12입니다. 먼저 방법의 가정을 작성한 다음 예측을 제공하고 지난 6개월 동안의 백테스트를 통해 MAPE를 계산합니다. 프로모션 월을 별도로 표시하세요. 데이터: {{ ... }}
두 번째 프롬프트에서는 예측과 해당 예측을 신뢰할 수 있는 신뢰도(백테스팅)를 묻습니다. 이는 예측을 "오라클"에서 측정 가능한 도구로 변환합니다.
백테스팅: 예측 신뢰도 측정
예측의 실제 테스트는 미래가 아닌 과거에 있습니다. 가지고 있는 데이터를 모델 구축(학습)과 테스트라는 두 가지로 나눕니다. 첫 번째 조각으로 모델을 구축하고, 다음 기간을 예측하고, 이를 현실과 비교합니다. 이 "홀드아웃" 논리는 모델이 실제로 작동하는지 여부를 나타냅니다.
다음 시리즈에 대한 간단한 백테스트 계획을 설정합니다. 지난 6개월을 테스트로 설정하고 나머지 데이터로 3가지 다른 방법(순진, SES, 홀트-윈터)을 훈련하고 테스트 기간 동안 각각에 대한 MAPE 및 편향을 계산하고 비교 테이블을 만듭니다. 승리 방법과 근거를 작성해 보세요.
주의: AI는 때때로 백테스트 결과를 "예측"하고 미리 만들어진 차트를 제공할 수 있습니다. 즉, 그는 실제로 계산하지 않고도 합리적으로 보이는 숫자를 만들 수 있습니다. 수치 결과를 코드(Python/Excel)로 재현해 보시기 바랍니다. 언어 모델은 긴 산술을 안정적으로 수행하지 않습니다.
미니케이스: 계절상품 과잉재고
한 식품유통업체는 매년 겨울이면 아이스크림 등 제철 상품 재고가 너무 많다고 불만을 토로한다. 산업공학자 엘리프는 3년간의 월별 데이터를 AI에 주고 시리즈의 성격을 평가해 달라고 요청한다. AI는 강한 계절성(여름 성수기)과 약간의 연간 성장 추세를 감지한다고 Holt-Winters는 제안합니다. Elif는 Python에서 예측을 생성하고 이를 백테스트합니다. MAPE는 14%이지만 편향은 상당히 음수입니다. 즉, 모델이 지속적으로 과잉 예측합니다. 그 이유를 조사한 결과 그는 과거 데이터의 캠페인 기간을 "정상"으로 착각하고 모델에 너무 높은 기준을 가르쳤다는 사실을 발견했습니다. 캠페인 효과를 제거하고 모델을 재구성하면 편향이 감소하고 겨울 재고가 크게 감소합니다. 교훈: AI가 방법을 정확하게 제시했지만, 데이터를 정리하고 편견을 해석하는 것은 인간의 몫이었습니다.
일반적인 실수
- 측정항목을 추적하지 않음: 정확도를 추정하고 측정하지 않습니다. 측정 없는 예측은 개선될 수 없습니다.
- MAPE만 보면: 편견을 무시합니다. 방향성(체계적) 오류는 자동으로 인벤토리를 부풀립니다.
- AI가 만든 숫자를 계산용으로 착각함: 백테스트 및 메트릭 값을 코드로 검증하지 않음.
- 이상값/프로모션을 정리하지 않음: 일회성 캠페인을 일반적인 수요로 착각하고 모델에 교육합니다.
- 과적합: 복잡한 모델이 과거에는 완벽하게 적합했지만 미래에는 성능이 좋지 않은 경우입니다. 간단한 모델을 벤치마크로 유지하세요.
요약하면
- 계열의 특성(고정형, 추세형, 계절형)에 따라 예측 방법을 선택합니다. 항상 자신을 순진한 사람과 비교하는 것부터 시작하십시오.
- MAE/RMSE/MAPE를 사용하여 정확도를 측정하고 편향도 모니터링합니다. 방향 오류가 가장 비용이 많이 듭니다.
- 방법 추천 및 코드 생성에 AI를 사용합니다. 예측을 '예언'이 아닌 측정 가능한 도구로 설정하세요.
- 백테스팅은 모델이 얼마나 신뢰할 수 있는지에 대한 실제 테스트입니다. 수치 결과를 코드로 반드시 검증하세요.
- 데이터(이상치, 승격)를 정리하고 결과를 해석하는 것은 인간의 임무입니다. AI는 이 단계를 건너뜁니다.
응용과제
최소 18~24 기간의 수요 시리즈(실제 또는 사실적 허구)가 있어야 합니다. 먼저 AI에게 계열을 주고 그 특성(추세/계절성)을 해석하도록 요청하고 두 가지 방법을 제안합니다. 그런 다음 "백테스트 계획" 강력한 프롬프트를 사용하여 마지막 6개 기간을 테스트로 예약하고 최소한 두 가지 방법을 비교하십시오. 중요 단계: AI가 직접 반환한 MAPE 및 바이어스 값을 Excel 또는 Python을 사용하여 다시 계산하고 이를 AI 출력과 비교합니다. 일치하지 않는 숫자를 찾으면 적어 두세요. 마지막으로 편향의 징후를 해석합니다. 모델이 과대평가하는지 과소평가하는지, 그리고 이것이 인벤토리에 어떤 영향을 미치나요?