수요예측 및 재고관리 프로세스 자료조사 정리

수요예측의 필요성 

수요예측 모델을 만들면서 기업이 얻을 수 있는 이점

1. 수요 기반 공급 : 예측을 기반으로 재고 관리
2. 재고 운영 : 재고 회전율을 높여 운영 비용 감축
3. 채찍 효과 (Bullwhip Effect) : 비 효율성을 더 악화시키는 부정확한 예측 방지
4. 고객 기대 충족 : 비즈니스적 필요

 

 

수요예측 시 고려사항

수요예측은 다양한 이벤트 상황을 고려해야함. 아래의 리스트 외에도 데이터와 시장에 따른 여러 상황에 맞춰 요인을 찾아야함.

• 매크로 이벤트, 사회적 시그널 및 다양한 혼란을 야기하는 외부 요인
• 복잡한 품목과 관련된 가격 및 지리적 민감도
• 높은 가격 변동성, 지역별 대 수요, 낮은 판매율, 새로운 제품, 계절성 상품, 제품 단종, 일시적 급증 데이처, 불규칙한 계절성
• 모델 내부에 이벤트를 고려한 서브 모델을 추가

 

 

데이터 전처리

• 데이터의 일관성 정확성 판별
• 데이터 차원 축소 작업
• 이상치 / 결측치 / 노이즈 값 확인 및 변환

 

 

학습용 데이터 구축

• EDA와 상관계수 등 다양한 검증 통계량을 통해 변수 관계 파악
• 변수 선택 및 파생 변수 생성
• 정규화 / 표준화
• 범주형 변수 변환 (one-hot encoding / label encoding)

 

 

Algorithm

수요예측시 적용 가능한 알고리즘. 수요예측은 시계열 특성을 고려하기 때문에 시계열모델 위주의 모델을 사용 
모델에 대한 자세한 설명은 생략

• ARIMAX : 전통적인 시계열 머신러닝 알고리즘
• LSTM :  장단기 기억(LSTM) 신경망을 사용하여 시계열 데이터를 예측하는 딥러닝 알고리즘
• Prophet : 페이스북에서 공개한 시계열 예측 알고리즘
• Random Forest : 앙상블 기법을 활용한 지도학습 알고리즘
• LGBM regression : 트리 기반의 학습 알고리즘인 gradient boosting 방식의 알고리즘
• DeepAR : Amazon Sagemaker에서 제공하는 예측 딥러닝 알고리즘

 

추가 알고리즘 설명 

참고한 영상에서 설명한 딥러닝 모델 두가지를 추가로 더 적어보았다.

AutoML기반

• DeepAR 사용 가능한 모든 시계열을 사용하여 패턴을 식별하고 글로벌 모델을 구축특징 : 많은 데이터셋에 단일 모델 사용, 미래의 알려진 연관 시계열 사용,  what-if 시나리오 적합, 많은 변수가 시계열에 포함된 경우
  • 아마존의 수매 제품 수요 예측 모델로부터 구현
  • 반복 신경망(Autoregressive RNNs)를 사용하는 지도 학습 알고리즘
• CNN-QR정확도를 최대 30% 향상시키고 모델을 최대 2배 빠르게 학습특징 : 크고 복잡한 데이터셋 사용, 예측에 미래 관련 시계열 불필요, 관련 시계열 및 항목 메타 데이터 사용, 콜드 스타트 시나리오
  • 아마존의 4억개 이상의 제품 수요 예측 모델에서 사용
  • CNN을 기반으로 하는 지도 학습 알고리즘

 

 

Reference

https://www.slideshare.net/awskorea/aws-ai-aws-cloud-week-industry-edition

핵심 미래 분석 기술! 시계열 분석을 활용한 수요예측과 재고관리 최적화 사례 – 김형일 AWS 솔

https://www.megazone.com/techblog-20210315-from-forecasting-demand-to-ordering-an-automated-machine-learning-approach-with-amazon-forecast-to-decrease-stock-outs-excess-inventory-and-costs/