기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

# 일반적인 문제 및 해결 방법
<a name="common-issues-and-solutions"></a>

## 일반적인 데이터 문제
<a name="common-issues-common-data-issues"></a>

### 수요 기록에는 혼합된 날짜 형식이 있습니다.
<a name="common-issues-demand-history-mixed-date-formats"></a>

소스 시스템은 날짜를 DD/MM/YYYY, MM/DD/YYYY 또는 YYYY-MM-DD로 내보낼 수 있으며, 때로는 동일한 파일 내에 있을 수 있습니다. 시스템에서 이를 잘못 구문 분석하여 잘못된 달에 주문을 할당할 수 있습니다.

**수정 사항:** 내보내기 프로세스에서 날짜 형식을 표준화합니다. 소스를 제어할 수 없는 경우 데이터 흐름 SQL에 날짜 검증을 추가합니다.

### 주문 내역의 음수
<a name="common-issues-negative-quantities"></a>

크레딧 노트, 반환 또는 반전은 음수로 표시될 수 있습니다. 이는 수요 평균을 왜곡하고 모델을 혼동시킬 수 있습니다.

**수정:** 양수로만 필터링하거나 주문 상태를 기준으로 필터링합니다(예: 유료/인보이스 발행 주문만).

### 레코드 수가 소스 시스템과 일치하지 않음
<a name="common-issues-record-counts-dont-match"></a>
+ 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.

팀이 불일치를 추적할 수 있도록 특정 제품\+사이트 예제와 예상 레코드 수를 제공합니다.

### ERP에 존재하지 않는(또는 그 반대의 경우) 주문이 시스템에 나타납니다.
<a name="common-issues-orders-dont-exist-in-erp"></a>
+ 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.

이는 예상되는 동작입니다. 예외는 새 데이터 로드 후 다음 평가 주기에 업데이트됩니다.

### 계획 입력 파일에는 다른 공장 또는 사업부의 제품이 포함됩니다.
<a name="common-issues-plan-inputs-other-plants"></a>

소스 시스템 내보내기에 예측 프로젝트 범위 밖의 제품이 포함된 경우:
+ **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.

## 일반적인 예외 및 권장 사항 문제
<a name="common-issues-exception-recommendation-issues"></a>

### 동일한 product\+site가 예외 목록에 여러 번 표시됨
<a name="common-issues-duplicate-exceptions"></a>

이는 기본 규칙이 프로젝션 기간의 각 검증 날짜에 대해 별도의 예외를 생성할 때 발생할 수 있습니다.

지원 팀에 문의하여 제품\+사이트당 가장 빠른 위반 날짜에만 플래그를 지정하도록 규칙을 조정합니다.

### 권장 사항이 차트에 표시된 것과 일치하지 않음
<a name="common-issues-recommendation-doesnt-match-chart"></a>

권장 사항은 예외가 생성된 시점에 사용 가능한 데이터를 분석하는 AI 에이전트에 의해 생성됩니다. 이후 데이터가 변경된 경우 권장 사항은 더 이상 최신 상태가 아닌 주문 또는 수량을 참조할 수 있습니다.
+ 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 날짜 또는 "작업 기한" 날짜가 잘못된 것 같습니다.
<a name="common-issues-impact-date-act-by-wrong"></a>
+ 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.

### ERP에서 찾을 수 없는 권장 사항 참조 주문
<a name="common-issues-recommendations-reference-missing-orders"></a>

ERP 스냅샷은 매일 변경됩니다. 어제 권장 사항에 참조된 주문이 오늘 ERP 실행에서 이행, 취소 또는 다시 예약되었을 수 있습니다.

이는 ERP 기반 데이터의 알려진 제한 사항입니다. 과거 소비 데이터를 추가하여 더 나은 컨텍스트를 제공할 수 있습니다.

## 일반적인 정확도 문제
<a name="common-issues-common-accuracy-issues"></a>

### 예측이 단순 이동 평균보다 훨씬 나쁨
<a name="common-issues-forecast-worse-than-moving-average"></a>

집계 WAPE에서 ASC 예측이 6개월 이동 평균으로 감소하는 경우 다음과 같은 일반적인 원인을 확인하세요.
+ **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.

### 과대 예측 편향(실제보다 체계적으로 더 높은 예측)
<a name="common-issues-over-forecasting-bias"></a>

긍정 편향은 카탈로그 전체에서 필요한 것보다 더 많이 주문하고 있음을 의미합니다. 일반적인 원인:
+ **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.

### 과소 예측 편향(실제 예측보다 체계적으로 낮음)
<a name="common-issues-under-forecasting-bias"></a>

부정적인 편향은 실제 수요보다 지속적으로 더 적은 수요를 예측하여 잠재적인 재고 부족과 비용 급행으로 이어집니다. 일반적인 원인:
+ **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.

### 예측 정확도는 더 긴 범위에서 크게 저하됩니다.
<a name="common-issues-accuracy-degrades-longer-horizons"></a>

예측 기간이 증가함에 따라 정확도가 악화되는 것은 정상입니다. 1주차는 항상 8주차보다 정확합니다. 그러나 성능 저하가 예상보다 가파른 경우:
+ **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 예측(EDI/고객 예측)을 합의 규칙에 사용할 때 정확도가 개선되지 않음
<a name="common-issues-external-forecast-not-improving"></a>

외부 예측을 통합하는 합의 규칙을 추가했지만 정확도가 개선되지 않은 경우:
+ **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.

### 계획 규칙이 적용되지 않음
<a name="common-issues-planning-rules-not-taking-effect"></a>

합의 규칙이 예측을 변경하는 것으로 보이지 않는 경우:
+ **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.

### 합의 계획 출력은 기준 예측과 동일합니다.
<a name="common-issues-consensus-identical-to-baseline"></a>

ConsensusForecast 내보내기의 값이 예측(기준) 내보내기와 같으면 합의 규칙이 실행되지 않은 것입니다. 일반적인 원인:
+ **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.

### 잘못된 제품 또는 사이트에는 합의 규칙이 적용됩니다.
<a name="common-issues-consensus-wrong-products-sites"></a>

특정 사이트 또는 제품 범주에만 적용해야 하는 규칙이 전체 카탈로그에 영향을 미치는 경우:
+ **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.

### 예측 값은 소수입니다(예: 2,500.37단위).
<a name="common-issues-fractional-forecast-values"></a>

통계 모델은 정수가 아닌 연속 값을 생성합니다. 비즈니스가 전체 단위, 사례 팩 또는 최소 주문 수량으로 거래하는 경우:
+ **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.

### 사전 처리 규칙을 추가한 후 제품 적용 범위가 크게 감소함
<a name="common-issues-product-coverage-drops"></a>

훈련 데이터를 필터링하는 사전 처리 규칙(예: "0주 이상의 수요가 없는 예측 제품")은 데이터가 product×site 수준에서 희소할 경우 예측의 제품 수를 크게 줄일 수 있습니다.
+ **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.