수요 예측: 시계열, 계절성 및 불확실성 관리

이득:

• 시계열, 추세, 계절성 및 캠페인 영향의 개념을 이해하고 올바른 질문과 깨끗한 데이터를 통해 수요 예측을 위해 인공 지능을 사용할 수 있는 능력.
• 예측 정확도(MAPE, 편차)와 불확실성(신뢰 구간, 시나리오)을 해석하고 단일 숫자가 아닌 범위에 대한 기본 계획을 해석하는 능력
• 인공지능 예측은 과거 데이터를 기반으로 하고, 신제품, 판촉, 공급 위기 등의 중단 상황에서는 전문가 판단이 우선된다는 점을 구별할 수 있습니다.

공급망의 모든 결정은 수요가 얼마나 될 것인가라는 한 가지 질문에 기초합니다. 이 질문에 더 정확하게 대답할수록 보유하고 있는 주식이 적어지고, 보유하지 못하는 주식이 줄어들며, 묶이는 돈도 줄어듭니다. 수요 예측은 공급망의 엔진입니다. 재고, 구매, 생산 및 운송 계획이 모두 여기에서 제공됩니다. 인공지능은 인간보다 훨씬 빠르게 수천 가지 제품의 이력을 스캔하고 패턴을 추출하기 때문에 이 분야에서 매우 강력합니다. 그러나 AI의 힘의 원천은 한계이기도 합니다. AI는 과거로부터 학습합니다. 미래가 과거와 닮지 않는다면 그것은 잘못된 것입니다. 이 단원에서는 예측 언어, 정확도 측정, 불확실성 관리, AI가 사용자에게 항복해야 하는 위치에 대해 알아봅니다.

예측 언어: 시계열, 추세, 계절성

수요 데이터는 일반적으로 시계열, 즉 일일 제품 판매량과 같이 시간별로 정렬된 일련의 숫자입니다. 이 시퀀스를 세 부분으로 나누는 것이 예측의 기초입니다.

추세, 장기적 방향: 해마다 매출이 증가하는가 아니면 감소하는가? 계절성, 정기적으로 반복되는 변동: 아이스크림은 여름에 판매되고 히터는 겨울에 판매됩니다. 시장은 금요일과 토요일에 붐빕니다. 소음, 설명할 수 없는 무작위 재생. 좋은 예측은 추세와 계절성을 포착하고 잡음에 속지 않습니다. 이 외에도 캠페인, 판촉, 공휴일, 날씨, 경쟁사 이동 등 이벤트가 쌓입니다. AI가 예측하게 할 때 이러한 이벤트를 알려주어야 합니다. 만약 당신이 그에게 말하지 않는다면, 그는 캠페인 당일에 점프하는 것을 "정상"이라고 생각하고 미래에 대해 실수를 할 것입니다.

팁: 원시 판매 데이터를 AI에 제공할 때 캠페인, 휴일 및 품절일을 표시하세요. 재고가 없는 날이 중요합니다. 그날 판매량은 낮아 보이지만 실제 수요는 높았고 재고가 없었을 뿐입니다. 이를 지정하지 않으면 AI가 실제 수요를 과소평가하게 됩니다.

측정 정확도: MAPE 및 바이어스

“예보가 좋나요?” 질문에 대한 답은 느낌이 아니라 측정에서 나옵니다. 가장 일반적인 지표는 MAPE(Mean Absolute Percent Error - 평균적으로 예측이 현실에서 몇 퍼센트 포인트나 벗어나는가)입니다. MAPE가 10%이면 예측이 실제 값을 평균 10% 놓치는 것을 의미합니다. MAPE가 낮을수록 좋습니다. 두 번째 중요한 개념은 편향입니다. 귀하의 예측이 지속적으로 현실보다 높습니까(과잉 재고 생성) 아니면 재고가 부족합니까(재고가 부족합니까)? 예측의 MAPE가 낮더라도 항상 같은 방향으로 벗어나면 체계적인 문제가 있는 것입니다.

AI 기록의 일부를 "훈련"으로, 일부를 "테스트"로 제공하고 예측과 현실을 비교할 수 있습니다. 이것이 신뢰를 구축하는 정직한 방법입니다. 본 적이 없는 데이터로 모델을 테스트하는 것입니다. 예측은 과거에 일관성이 입증된 경우에만 미래에 적용할 가치가 있습니다.

주의: 100% 정확한 예측은 없습니다. 그런 일이 일어날 것으로 예상되지는 않습니다. 목표는 완벽한 단일 숫자를 생성하는 것이 아니라 편차를 알고 관리 가능한 범위를 생성하는 것입니다. "예측이 이루어졌다/실패했다"는 이분법적인 생각은 잘못된 것입니다. 올바른 질문은 "얼마나 벗어났으며 그에 따라 얼마나 많은 버퍼를 유지했는가?"입니다.

불확실성 관리: 단일 숫자가 아닌 범위

계획가의 가장 위험한 습관은 예측을 하나의 확실한 숫자로 취급하는 것입니다. 실제로 모든 예측에는 "다음 달 수요가 900에서 1,100 사이일 가능성이 가장 높습니다"와 같은 신뢰 구간이 있습니다. 이 범위가 넓을수록 불확실성이 높아집니다. 범위를 아는 것은 재고 결정에 직접적인 영향을 미칩니다. 좁은 범위에는 더 적은 안전 재고가 필요하고 넓은 범위에는 더 많은 버퍼가 필요합니다.

따라서 항상 AI에게 비관적(수요가 낮은 경우), 예상 및 낙관적(수요가 높은 경우) 시나리오를 요청하세요. 세 가지 시나리오를 보면 이 계획은 단일한 가정이 아닌 다양한 가능성에 기초하고 있습니다. 이것이 "단일 숫자에 갇힌" 함정에서 벗어나는 가장 실용적인 방법입니다.

단계별: AI를 활용한 수요 예측 연구

1. 데이터를 지웁니다. 누락일, 품절일, 잘못된 기록 공개를 표시합니다. 익명의 제품 코드로 작업하세요.
2. 태그 이벤트. 캠페인, 휴일, 프로모션 일자를 데이터에 추가하세요.
3. 패턴을 뺍니다. AI에게 트렌드, 계절성, 주목할만한 이벤트를 요약해 달라고 요청하세요.
4. 테스트해보세요. 기록의 마지막 부분을 저장하고 AI가 예측하고 현실과 비교하도록 합니다(MAPE 및 편향 방향).
5. 시나리오를 만듭니다. 비관적/예상적/낙관적이라는 세 가지 예측과 각각에 대한 신뢰 구간을 요청하세요.
6. 전문가 필터. AI는 예정된 중단(신제품, 공급 위기, 법률)에 대해 알지 못합니다. 수동으로 추가하세요. 최종 계획은 귀하의 것입니다.

세 개의 미니 케이스

사례 1 - 계절성을 포착합니다. 한 음료 유통업자는 여름에는 계속 품절되고, 겨울에는 상품이 남게 된다고 불평했습니다. 기획자는 YZ에 3년간의 익명 일일 판매를 제공하고 계절성을 제거했습니다. 6~8월 수요는 겨울 평균의 2.4배였으며 매년 5월 중순에 급증이 시작되었습니다. 이 패턴에 따르면 그는 여름 주식을 3주 전에 미리 설정했습니다. 여름 재고가 70% 감소하고, 겨울 재고가 감소했습니다. AI는 패턴을 보여주었습니다. 기획자가 재고 결정을 내렸습니다.

사례 2 — 새 제품을 포기합니다. 한 회사가 새로운 제품을 출시하려고 했습니다. 과거 판매정보가 없습니다. 기획자는 AI에게 “처음 3개월간 수요는 어떻게 될까요?”라고 물었다. 그는 물었다. AI는 합리적으로 보이는 숫자를 산출했지만 기획자는 그것이 근거가 없다는 것을 알고 있었습니다. 즉, 데이터가 없었습니다. 대신 AI는 “과거 유사한 세그먼트에서 출시된 제품의 첫 3개월 패턴은 어땠나요?”라고 묻습니다. 분석하여 예측 범위로 설정하고 신중한 시작 재고를 사용합니다. 전문가의 판단이 AI의 허위 신뢰를 압도했습니다.

사례 3 - 재고가 없는 것이 오늘날의 함정입니다. 한 분석가는 제품에 대한 수요가 감소했다고 결론을 내리고 재고를 줄일 것을 권고했습니다. 그의 선배 동료는 데이터에서 판매가 낮은 날이 실제로는 재고가 없는 날이라는 사실을 알아차렸습니다. 즉, 수요가 떨어지지 않았고 상품도 없었습니다. 이 노트로 데이터를 수정해 AI에 다시 주면 실제 수요가 늘어나는 것을 볼 수 있었다. 부적절하게 정리된 데이터는 잘못된 예측을 생성합니다.

복사 가능한 템플릿 4개

1) 패턴 추출:

귀하의 역할: 보조 수요 계획 분석가. 아래는 최근 36개월간 해당 제품(익명코드: PRODUCT-X)의 월간 판매량 데이터입니다. 캠페인 달[월 목록], 재고가 없는 달[월 목록]. 작업: (1) 추세, (2) 계절적 패턴, (3) 주목할만한 사건을 요약합니다. 재고가 없는 달에는 실제 수요가 숨겨진다는 점을 고려하세요. 제가 자료를 제공하지 않은 달은 조작되었습니다.

2) 정확도 테스트:

아래 36개월 중 처음 30개월을 사용하여 지난 6개월을 예측하세요. 그런 다음 내 예측을 실제 지난 6개월과 비교해 보세요. 매월 편차와 총 MAPE를 계산합니다. 귀하의 추정치가 지속적으로 편향되어 있는지 알려주세요. 수식을 표시합니다.

3) 시나리오 예측:

3가지 시나리오(비관적/예상/낙관적)를 통해 이 제품에 대한 다음 분기 월별 수요를 추정합니다. 각 시나리오에 대한 신뢰 구간을 제공하고 그것이 기반으로 하는 가정을 기록하십시오. 이는 확정적인 것이 아니라 계획을 위한 간격입니다.

4) 파손 통제:

제가 제공한 과거 데이터를 기반으로 한 예측이 다음 이벤트로 인해 어떻게 무효화될 수 있는지 나열하십시오: [신제품/판촉/공급 위기/규제 변경]. 각각에 대한 예측을 수동으로 조정하는 방법을 제안합니다.

약한 프롬프트 / 강한 프롬프트

약한 프롬프트:

다음달에는 얼마에 팔까요?

데이터도 없고, 제품도 없고, 맥락도 없습니다. AI는 거부하거나 보상합니다. 결과도 작동하지 않습니다.

강력한 프롬프트:

귀하의 역할: 수요 계획 보조원. 다음은 지난 24개월 동안의 PRODUCT-X 판매량입니다. 캠페인 달과 재고가 없는 달이 표시됩니다. 향후 3개월에 대한 비관적/예상/낙관적 예측을 제공하고 각각에 신뢰 구간을 추가하고 과거 테스트에 대한 MAPE를 표시합니다. 내가 최종 주식 결정을 내렸다고 가정해 보세요.

접근

히트

불확실성 관리

위험

단일 숫자에만 의존

오해의 소지가 있는

없음

높음 - 계획 붕괴

시나리오 + 범위

현실적인

좋아

낮음

그냥 직감

변수

약한

중간 높이

맹목적으로 AI에 복종하다

변수

없음

높다

일반적인 실수

• 품절일을 실제 수요가 낮은 날로 착각합니다. 상품을 이용할 수 없는 경우 매출이 낮게 나타납니다. 그렇다고 수요가 줄었다는 뜻은 아니다.
• 단일 번호를 잠급니다. 예측을 절대적인 진실로 보는 것은 불확실성을 무시하는 것입니다. 항상 범위와 시나리오를 요청하십시오.
• 캠페인에 태그를 지정하지 않았습니다. 프로모션 바운스가 '정상'이라고 생각하는 모델은 미래를 왜곡합니다.
• 이력 없는 신제품 예측. 데이터가 없는 제품에 대해 겉보기에 안전한 AI의 수는 근거가 없습니다.
• AI에게 침입을 맡기세요. AI는 전염병, 공급 위기, 입법과 같은 구조적 붕괴를 알지 못합니다. 전문가의 개입이 이루어져야 합니다.

주의: 예측이 아무리 좋아도 예측의 기반이 되는 데이터의 품질보다 나을 수는 없습니다. "쓰레기는 들어가고, 쓰레기는 나온다." 대부분의 시간을 데이터 정리에 사용하세요. 모델 부분이 나머지 작업을 수행합니다.

요약하면

수요 예측은 공급망의 엔진이며, AI는 이 엔진을 가속화하는 강력한 보조자입니다. 그러나 AI는 과거로부터 배웁니다. 미래가 과거와 닮지 않을 때 착각하는 것입니다. 추세 및 계절성을 포착하고, 이벤트에 태그를 지정하고, MAPE 및 드리프트 방향으로 정확도를 측정하고, 단일 숫자가 아닌 시나리오 및 범위로 예측을 설정합니다. 신제품과 구조적 결함은 전문가의 판단이 우선입니다. 데이터 정리는 모든 것의 기초입니다. 최종 계획은 귀하의 것입니다.

응용과제

자신의 제품(또는 가상 제품) 중 하나의 지난 12~24개월 동안의 판매 데이터를 가져오고 캠페인과 재고가 없는 달을 표시하세요. '시나리오 예측' 템플릿을 사용해 AI에게 3가지 시나리오를 물어보세요. 그런 다음 "정확도 테스트" 템플릿을 사용하여 일부 기록을 저장하고 예측을 현실과 비교합니다. 당신이 발견한 MAPE와 당신이 선택한 시나리오를 그 이유와 함께 5개 항목으로 적어보세요. 또한 추가할 보안 버퍼를 지정하십시오.

체크리스트

• [ ] 품절 및 캠페인 날짜로 표시된 데이터를 삭제했습니까?
• [ ] 백테스팅을 통해 MAPE 및 편향 방향으로 예측을 검증했습니까?
• [ ] 단일 숫자 대신 시나리오와 신뢰구간을 요청했나요?
• [ ] 신제품/파손이 있는 경우 전문가의 판단을 우선으로 하였는가?
• [ ] 최종 재고 계획에 대한 자체 승인을 받았습니까?