데이터기반의 수요예측 모델링과 의사결정 최적화

공급망의 최적화 문제:수요와 공급을 일치시키는 것이 어려운 이유
-수요>예측이 제대로 안됨(변동성이 심함)
-공급>변동성에 대해 유연하게 대응이 어려움
->의사결정 최적화

수요 공급 프로세스->ppt보기

수요란
독립수요:예측의 대상
-완제품이나 예비부품에 대한 수요와 같이 기업 외부의 시장조건에 의해 결정되는 수요
-특정 시계열 패턴을 가지고 계속적으로 발생, 따라서 수요예측이 필요
-독립 수요 품목의 재고 관리에서는 보충의 개념이 사용됨. 즉, 재고가 줄어들면 고객의 수요에 대비하여 다시 재고를 보충하는 개념

종속수요:공급 계획의 대상
-최종제품의 생산에 소요되는 각종 원자재, 부품, 구성품 등과 같이 모품목의 수요에 종속되어 있는 품목의 수요
-독립수요품목의 계획에 따라 결정되며, 산발적이고 일괄적으로 발생
-종속수요품목의 재고관리에는 소요의 개념이 사용됨
-종속수요품목의 재고관리:mrp시스템
->즉, 독립수요의 수요예측에 따라 종속수요는 결정되며, 종속수요의 효과적 관리가 공급망 최적화에 실제적으로 기여

주문량과 비용 간에 관계
-주문비용/재고비용의 최소점은 정확한 수요예측이 있다면 최적해 산출가능
-하지만 수요예측은 정확하지 않으며 예측의 불확실성에 따라 안전재고를 확보해야 함
-즉, 경제적 주문량 관점에서 예측오차가 작은 수요예측은 불필요한 주문과 재고유지비를 줄여줌


수요 예측
예측이 뭘까?
-과거의 데이터를 통해 미래에 대한 예측
-자기상관/선후상관관계를 갖는 데이터의 변수들을 활용하여 모델링 수행
-단변량 시계열/다변량 모델/사회과학적 수리모형 등 다양한 부선 기술 활용


예측의 핵심->예측은 의미있는 패턴을 무의미하게 만드는 것
시계열 모델링->시간을 활용해서 무의미하게 만들기
시계열의 구성요소:트렌드+계절성+...+렌덤에러

original 시계열 -w1*트렌드-w2*계절성=랜덤에러 즉, 무의미한 패턴(Additive)
혹은, original 시계열/(w1*트렌드*w2*계절성)=렌덤에러로 볼수도 있디 않을까?(multiplicative)

시계열분석에서 가장 유명한 ARIMA 역시 시계열의 구성요소들을 분석 대상 시계열에서 하나하나 잘 빼주는 것

Prophet Model
-가법모델
-트렌드,시간별, 계절성, 휴일, 기념일 등의 변화패턴을 반영한 시계열 모델
-상품 내부특성 데이터를 수집한 뒤, prophet모델링을 이용하여 수요예측
-인간의 사전지식을 적극 활용하기에 적합하여 다른 시계열 예측접근법이 계절성을 반영하려면 6개월 이상의 장기 데이터가 필요하지만 필요없다


수리모델링->수식을 활용해서 무의미하게 만들기
Bass model
-신제품의 도입->얼리어답터 등장->따라쟁이들의 속축->무관심->망함
-일반적인 추세 예측보다는 PLC예측에 적합
-launcing을 반복적으로 수행하는 형태의 신제품 PCL 예측에 적합
-전체 판매가능 수량 p,q를 찾아내는 것이 현실적으로 매우 어려워 수표예측문제에 메인으로 활용되기에는 한계점 존재

Lotka-volterra model
-포식자와 피식자 간의 관계를 수량화한 모델로써 경쟁상황하의 수요예측모델로써 활용성 존재
-신기술의 경우, 기존 기술을 대체하며 시장을 지배
-경쟁상황 수요 모델링에 적절한 수리모델
-해석력 측면에서 강하다는 장점 존재
-포식/피식관계를 표현하는 비선형 term을 정확히 알기 어려움
-최근, 미분방정식과 데이터 기반 모델의 융합을 통해 다양한 사회과학 문제의 외샵/재현성/샘플수 한계 극복등 활용도가 높아지고 있음


다변량 머신러닝->뭐든지 활용해서 무의미하게 만들기
Multivariate PLC 예측
-시계열 패턴과 제품의 특성정보/고객 특성 등을 동시에 고려하여 레퍼런스 패턴에서 유사한 형태 추론
-PLC를 예측하여 제품주기 기반의 수요량 산정
-정보가 많으면 전확한 예측 가능
-새로운 PLM에 대응이 어렵다는 한계
-향후, MIxture 모델로 개선 가능

예측을 기반한 패턴의 모음
-유통 및 제품 속성의 데이터 수집
-유사 패턴끼리 군집화 수행->pcl예측 및 시계열 예측 수행하여 오차를 줄이는 방법
-Launcing&shutdown 주기를 반복하는 유형의 제품군 수용예측에 적합
-아주 새로운 유형의 패턱 예측에 상대적으로 취약/해석력 good

Mixture models
-실시간 오차 추적을 통해, 여러 모델의 예측 y에 대한 영향력 갱신
-오차가 적을수록 특정 모델에 대한 신뢰도 상승->weight 증가
-베이지안 업데이트 기법을 통한 모델 여향력 갱신
-여러가지 좋은 모델들을 하나로 합칠 수 있는 방법


수요예측 주요 이슈 1.
예측성: 될성부른 나무를 찾자

모든 단위 시계열을 예측할 수 있을까
-100가지 종류의 제품이 있다. 100개 모두 다 잘 예측할 수 있을까 ?
-내년 연봉은 왠지 예측할 수 있을 것 같다. 20년 후의 연봉도 똑같이 예측할 수 있을까?
- 예측관점에서 가장 중요한 것은 1) 무얼 예측할 수 있는가 ? 2) 어느 정도의 미래(t+k)까지 예측할 수 있는가?
- 사전에 미리 예측 성능을 어느정도 가늠해 볼 수 있다는 것은 향후 수요예측 범위의 설정과 수요에 대한 대응에 있어서 매우 효율적!
- Ex. 주식시장에 1000개의 종목이 있다. 이왕이면 오를 것 같은, 그리고 과거 데이터를 통해 예측오차가 작은(불확실성이 작은) 종목을 골라야 할 것이다. 그리고 해당 예측이 대략 어느 시점까지 믿을 만 한지 가늠할 수 있다면 우린 이미 부자…
- 예측의 본질은 결국 모델의 종류/선택 보다는 해당 개체가 예측가능한 것(forecastable)인가? 가 가장 중요!!
-내가 모델링 하는 대상이 예측가능한 문제인지부터 살펴보자 !!!

어떤 변수를/어떤 시점까지 예측할 수 있을까?
다변량 시계열의 EDA 방법
-선후 상관관계/인과관계를 갖는 시계열 패턴의 통계적 유의성을 테스트하는 방법
-정보간의 지연(lag)을 고려, 변수간 메커니즘에 대해 탐색
-모델의 유의성(ex. R2) 및 적합도(fitness)를 활용하여 인과관계 파악 응용 가능
-전 범위/전 지표에 걸쳐 핵심 선후관계를 찾는 것을 주요 목표로 설정 > 향후 모델링 응용

유난히 예측이 어려운 문제들
-시간의 연속성이 없고 패턴이 간헐적(intermittent)인 경우 f(x)를 추론하기 매우 어려움
-데이터 대부분 무의미한 0으로 가득찬 경우(zero-inflated), 아무리 노력해도 f(x) =0 을 이길수가 없음
-적절한 관점에서의 데이터 변환/regression 문제에서 시간에 따른 분류/이상감지 문제로의 변환이 필요!

수요예측 주요 이슈 2.
Demand-Supply Optimization : 수요는 예측 보다는 불확실에 대한 대응의 영역
Ex. 수요예측과 배송기사 확보 문제

Summary & Further Studies for Practical Demand Forecasting
Summary
• 다양한 예측방법론들이 활용되고 있으며 가장 대표적으로 장/단기 예측에 최적화 된 방법론이 존재(PLC/단기 패턴 예측)
• 수요예측은 매우 어려운 문제이며 하나의 optimal 모델로 해결할 수 있는 주제가 아니다 (캠페인/플랫폼의 필요성)
• 모든 개체에 대한 예측 성능의 일관적인 확보는 본질적으로 불가능함
• Predictability에 대한 레포팅이 무엇보다 중요! (어떤 변수에 대해 어느정도 기간을 예측할 것인가/ 각제품별 수요의 불확실성은 얼마이며 이에 어떻게 대응할 것인가)
Further Study
• 모델링 관점에서 다양한 정보를 실시간으로 업데이트하며 조합(mixture)하는 방법론의 중요성 대두(ex. 수리모델과의 결합/Bayesian update)
• 각 비즈니스별 수요-공급 문제의 정의 및 최적화 formulation 확대