일반적인 문제 및 해결 방법

가장 일반적으로 복합 키 충돌로 인해 발생함 - 두 레코드가 동일한 고유 식별자를 공유하는 경우 한 레코드는 다른 레코드를 덮어씁니다.

데이터 매핑의 필터 기준이 표시될 것으로 예상되는 레코드를 제외하는 경우에도 발생할 수 있습니다.

보고서 실행 간에 이행되거나 제거된 순서는 다음 새로 고침부터 사라지지만 전날 데이터에서 생성된 예외에 계속 나타날 수 있습니다.

새로 생성된 주문은 다음 데이터 새로 고침까지 표시되지 않습니다.

시스템은 자동으로 제품 마스터로 필터링합니다. 제품 마스터 파일에 있는 제품만 예측에 포함됩니다. 그러나 입력 파일의 많은 비율이 범위를 벗어나는 경우(예: 행의 50% 이상) 이는 소스 내보내기를 조여야 함을 나타냅니다.

제품 적용률은 정기적으로 확인하세요. 각 데이터를 로드한 후 판매 및 예측 입력 파일의 제품이 제품 마스터와 일치하는 비율을 확인합니다. 적용 범위가 80% 미만으로 떨어지면 소스 내보내기 범위가 변경되었는지 또는 제품 마스터를 업데이트해야 하는지 조사합니다.

계획 입력의 Out-of-scope 제품은 팽창된 합계를 유발할 수 있습니다. EDI 또는 SIOP 파일에 다른 공장의 제품이 포함된 경우 집계 예측 신호는 예상 신호보다 높습니다. 로드하기 전에 계획 입력 파일이 제품 마스터와 동일한 제품 범위로 필터링되는지 확인합니다.

예외의 타임스탬프 확인 - 하루 이상 지난 경우 권장 사항이 기한 경과일 수 있습니다.

권장 사항이 명확하게 잘못된 경우(예: 차트에 표시된 큰 순서 무시) 썸다운을 사용하여 피드백을 제공하고 지원 팀에 특정 예외를 보고합니다.

영향 날짜에는 인벤토리 문제가 시작되는 시점(예: 재고 부족이 시작되거나 초과가 임계값을 초과하는 시점)이 표시됩니다.

"작업 기한" 날짜는 리드 타임을 고려해야 문제가 발생하기 전에 조치를 취할 시간이 있습니다. Act By가 영향 날짜와 같으면 리드 타임이 통합되지 않을 수 있습니다. 지원 팀에 보고합니다.

범위에 소량/비활성 제품이 너무 많습니다. 희소하고 간헐적인 수요가 있는 제품은 모든 모델이 단순 평균을 능가하기 어렵습니다. 사전 처리 규칙을 사용하여 의미 있는 수요 기록(예: 최소 6개월의 0이 아닌 수요)이 있는 제품으로 예측의 범위를 지정합니다.

기한 경과 또는 오염 이력에 대한 교육. 주문 기록이 몇 년 전으로 돌아가는 경우 이전 수요 패턴에 현재 현실이 반영되지 않을 수 있습니다. 훈련 기록을 최근 3~5년으로 제한하거나 변칙 기간(예: COVID)을 정규화된 값으로 바꾸는 사전 처리 규칙을 고려합니다.

일회성 주문에서 급증하도록 요구합니다. 대량 주문 하나를 수행하면 훈련 데이터에 거짓 상향 추세가 발생할 수 있습니다. 사전 처리 규칙을 사용하여 변칙적인 월별 수요 값을 후행 평균의 배수(예: 5x)로 제한합니다.

잘못된 방향으로 합의 규칙이 적용되었습니다. LLM 에이전트가 규칙 언어를 잘못 해석할 수 있습니다. "27% 감소"가 증가로 적용될 수 있습니다. 항상 특정 제품과 월을 비교하여 기준과 비교하여 합의 결과를 검증합니다. 방향성 언어("27.5% 감소")가 아닌 명시적 곱하기 언어("0.725 곱하기")를 사용합니다.

모델은 성장 기간에 대해 훈련됩니다. 최근 몇 년 동안 성장이 계속되지 않는 경우 모델은 더 이상 존재하지 않는 추세를 추정합니다.

합의 규칙이 상향 조정을 누적하고 있습니다. 각각 예측을 늘리는 여러 규칙(재고 부족 편향, 추세 부스트, 계절적 상승)이 복잡할 수 있습니다. 어떤 규칙이 활성 상태인지 검토하고 모두 동일한 제품에 적용되는지 확인합니다.

여전히 범위에 있는 제품을 삭제/중단했습니다. 여전히 예측 중인 후행 수요가 있는 제품은 체계적인 과다 예측을 보여줍니다.

외부 예측 신호가 통합되지 않습니다. 계획 입력(예: EDI 고객 예측, SIOP 프로덕션 계획)이 로드되었지만 합의 규칙이 이를 적용하지 않는 경우 예측은 기본적으로 통계 기준으로 설정되며, 이는 계획자에게 표시되는 수요 신호를 캡처하지 못할 수 있습니다. ConsensusForecast 내보내기를 예측(기준) 내보내기와 비교하여 합의 규칙이 실제로 출력을 수정하고 있는지 확인합니다. 동일한 경우 규칙이 실행되지 않습니다.

집계를 아래로 가져오는 product×site 조합을 희소합니다. product×site 세부 수준에서 예측하지만 많은 조합에 0 또는 거의 0의 수요가 있는 경우 모델은 비활성 조합에 대해 0이 아닌 작은 예측을 생성합니다. 이는 개별적으로 최대 개까지 합산되지 않지만 총 예측을 실제 값 아래로 집합적으로 끌어옵니다. 사전 처리 규칙을 사용하여 수요 기록이 부족한 조합을 제외하거나 계획 입력에서 조건부 제로 채우기를 사용하여 비활성 조합에 대해 "수요가 예상되지 않음"을 명시적으로 알립니다.

모델이 최근 성장 추세를 파악하지 못했습니다. 통계 모델은 과거 데이터에 가중치를 둡니다. 최근 몇 달 동안 비즈니스가 크게 성장했지만 모델의 볼륨 이력이 몇 년 미만인 경우 추세가 지연됩니다. 이는 일반적으로 모델이 최신 데이터를 누적함에 따라 시간이 지남에 따라 개선됩니다. 그 동안 최근 실제의 후행 평균을 외부 예측 주간의 기준으로 사용하는 합의 규칙을 고려합니다.

Year-over-year 계절성 불일치. 올해의 수요 패턴이 이전 연도와 다른 경우(예: 이전 시즌 램프, 신제품 출시) 모델은 다양한 기간 동안 과소 예측될 수 있습니다. 과소 편향이 전년도 패턴과 다른 특정 주 또는 월에 집중되어 있는지 확인합니다.

외부 신호는 단기적으로만 도움이 됩니다. 처음 몇 주 동안 고객 예측(EDI)을 통합하는 합의 규칙이 있는 경우 규칙 적용이 중지되면 정확도가 단기적으로 눈에 띄게 향상되고 감소합니다. 이는 예상된 일입니다. 혼합 접근 방식(예: 중기 주 동안 외부 신호와 기준의 50/50 혼합)을 사용하여 더 많은 주를 포함하도록 규칙을 확장하는 것이 좋습니다.

기준은 더 긴 기간에 장기 평균으로 되돌아갑니다. 통계 모델은 더 긴 기간에 대한 신뢰도가 떨어지며 과거 평균을 향하는 경향이 있습니다. 최근 수요가 과거 평균보다 높으면 외부 주가 과소 편향된 것으로 표시됩니다. 이는 구성 문제가 아닌 모델 동작입니다.

수요 변동성으로 인해 더 긴 지평선이 본질적으로 더 어려워집니다. 수요의 week-to-week 변동성(변동 계수 > 0.5)이 높으면 완벽한 모델도 더 긴 기간에 높은 오류를 표시합니다. 대부분의 작업에 대해 실행 가능한 계획 기간인 처음 3~4주에 대한 초점 정확도 평가입니다.

외부 신호가 충분한 제품을 다루지 못할 수 있습니다. EDI 또는 고객 예측은 일반적으로 제품 카탈로그의 하위 집합(보통 30~50%)만 포함합니다. 외부 신호가 없는 제품은 여전히 기준을 사용합니다. 적용률 확인 - 50% 미만이면 집계 정확도에 미치는 영향이 제한됩니다.

외부 신호가 도움이 될 만큼 정확하지 않을 수 있습니다. 규칙에 사용하기 전에 외부 예측의 정확도를 독립적으로 측정합니다. WAPE가 기준보다 나쁘면 도움이 아니라 아플 것입니다. 외부 신호가 확실히 더 나은(예: 볼륨 가중치 WAPE가 50% 미만) 특정 사이트 또는 제품으로 규칙을 제한하는 것이 좋습니다.

외부 신호는 0을 보고하지 않습니다. 많은 EDI 시스템은 활성 주문이 있는 제품에 대한 레코드만 전송합니다. 즉, 명시적으로 0을 보고하는 대신 수요가 0인 제품을 생략합니다. 합의 규칙에 "EDI = 0일 때 예측을 0으로 설정"이라고 표시되면 레코드가 0이 아니기 때문에 실행되지 않습니다. 외부 신호가 없고 최근 판매 기록이 없는 product×site 조합에 대한 사전 처리에서 합성 제로 레코드를 생성해야 합니다.

외부 신호 정확도는 지평선에 따라 다릅니다. 고객 예측은 일반적으로 바로 다음 주(필수적으로 확인된 주문)에 가장 정확하며 빠르게 저하됩니다. 모든 주 동안 외부 신호를 직접 사용하는 규칙은 더 긴 기간 동안 정확도를 손상시킬 수 있습니다. 계층형 접근 방식을 고려하세요. 1~3주에 대한 직접 교체, 4~6주에 대한 혼합, 7주 이상에만 기준.

규칙이 우선 순위가 더 높은 규칙에 의해 재정의되었을 수 있습니다. 규칙은 우선 순위에 따라 적용됩니다. 이후 규칙은 이전 규칙의 실행을 취소할 수 있습니다. 규칙 순서를 확인합니다.

규칙 조건은 어떤 제품과도 일치하지 않을 수 있습니다. 규칙이 항목 메타데이터에 없는 제품 속성(예: product_group_id)을 참조하는 경우 아무것도 자동으로 일치하지 않습니다.

규칙 언어가 잘못 해석되었습니다. LLM 에이전트는 자연어에서 코드를 생성합니다. 모호한 표현은 예상치 못한 결과를 초래할 수 있습니다. 가능한 한 구체적이고 리터럴해야 합니다. 정확한 필드 이름, 명시적 승수 및 지우기 조건을 사용합니다.

조인의 차원 불일치. 합의 엔진은 차원 열(제품 ID, 사이트 ID, 날짜)의 기준에 계획 입력을 조인합니다. 기준과 계획 입력 간에 열 이름이 다른 경우(예: 기준에서 item_id를 사용하고 EDI에서 product_id를 사용하는 경우) 조인은 일치하는 항목을 생성하지 않으며 모든 규칙이 기준 기본값으로 떨어집니다. 데이터 흐름 구성의 차원 매핑이 두 스키마 간에 올바르게 매핑되는지 확인합니다.

날짜 형식이 일치하지 않습니다. 기준선은 날짜를 2026-03-02로 저장하고 계획 입력은 2026-03-02T00:00.000Z로 저장할 수 있습니다. 조인이 정확히 일치해야 하는 경우 timezone-aware 및 timezone-naive 날짜가 일치하지 않습니다. 조인하기 전에 날짜 열이 동일한 형식으로 변환되었는지 확인합니다.

계획 입력이 로드되지 않았습니다. 계획 입력 파일(EDI, SIOP 등)이 성공적으로 수집되었는지 확인합니다. 시스템의 레코드 수를 확인합니다. 계획 입력에 대해 0개의 행이 표시되면 파일을 로드하지 못한 것일 수 있습니다.

합의 forecast_id는 기준 forecast_id와 일치합니다. 두 내보내기가 동일한 forecast_id를 공유하는 경우 합의 엔진은 처리 없이 기준의 직접 사본을 생성했습니다. 이는 시스템 수준 문제를 나타냅니다. forecast_id 및 demand_plan_run_id를 사용하여 지원 팀에 문의하세요.

사이트/제품 필터 조건이 잘못된 열을 참조할 수 있습니다. 규칙에 "[list]의 사이트에 적용"이라고 표시되지만 생성된 코드가 존재하지 않거나 값이 다른 열을 확인하는 경우 필터가 모든 행을 자동으로 전달할 수 있습니다. 규칙의 영향을 받지 않아야 하는 몇 가지 특정 제품을 스팟 체크하여 확인합니다.

규칙 우선 순위는 반전될 수 있습니다. 규칙은 이후 규칙이 이전 규칙보다 우선하는 체인으로 적용됩니다. 특정 규칙(예: "모든 항목에 대한 기준 사용") 다음에 광범위한 규칙(예: "이 50개 사이트에 대한 EDI 사용")이 적용되는 경우, 광범위한 규칙은 특정 규칙을 실행 취소합니다. 규칙 설명에 우선 순위가 명확하게 명시되어 있는지 확인합니다.

최종 합의 단계로 반올림 규칙을 추가합니다. 다른 모든 합의 규칙 뒤에 적용되는 간단한 "가장 가까운 정수로 반올림" 규칙은 소수 값을 정리합니다. 0.5 미만의 값은 0으로 반올림되며, 이는 매우 낮은 수요 조합에 적합합니다.

운영 수량으로 반올림하는 것이 좋습니다. 제품이 표준 팩 크기(예: 12개 사례, 48개 팔레트)로 배송되는 경우 가장 가까운 유효 팩 크기로 반올림하면 예측의 유용성과 정확성이 모두 향상될 수 있습니다. 이를 위해서는 제품 마스터에 팩 크기 데이터가 필요합니다. MOQ 또는 팩 크기 데이터를 지원 팀과 공유하여이 옵션을 살펴보세요.

세부 수준을 확인합니다. 제품은 제품 수준에서 52주 동안 수요가 있을 수 있지만 개별 제품×사이트 조합에서는 3주 동안만 수요가 있을 수 있습니다. product×site 수준에서 적용되는 최소 기록 임계값은 대부분의 조합을 제외합니다. 대신 제품 수준에서 임계값을 적용하거나 임계값을 크게 낮추는 것이 좋습니다.

배포하기 전에 테스트합니다. 사전 처리 규칙을 활성화하기 전에 필터를 통과한 제품×사이트 조합 수와 현재 합계를 계산합니다. 20% 이상을 제외하면 규칙이 너무 공격적일 수 있습니다. 충분한 임계값으로 시작하고 점진적으로 조이세요.