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

# 신제품 수요 예측 모범 사례
<a name="best-practices"></a>

이 섹션에서는 신제품 수요 예측을 위한 다음 모범 사례를 설명합니다.
+ [데이터 기반 NPI 수요 예측을 위한 데이터 준비 요구 사항 충족](#bp-data-readiness)
+ [비용 효율적인 데이터 수집 메커니즘 구축](#bp-data-ingestion)
+ [NPI 수요를 예측하기 위한 실행 가능한 ML 접근 방식 결정](#bp-feasible-approaches)
+ [예측 효과 규모 조정 및 추적](#bp-track-forecast-effects)

## 데이터 기반 NPI 수요 예측을 위한 데이터 준비 요구 사항 충족
<a name="bp-data-readiness"></a>

NPI 수요 예측을 위한 데이터 기반 접근 방식을 채택하려면 조직은 데이터 과학 또는 분석 부서, 공급망, 마케팅 및 IT의 관리자와 같은 모든 관련 이해관계자의 지원을 받아야 합니다. 그러면 조직에서 다음을 식별해야 합니다.
+ 기존 내부 데이터 및 관련 외부 데이터의 소스
+ 이러한 데이터 소스의 소유자
+ 이니셔티브에 이러한 데이터 소스를 사용하는 데 필요한 절차 및 권한

다음과 같은 종류의 필수 및 선택적 데이터 세트를 기준으로 데이터 준비 상태를 평가할 수 있습니다. 선택적 종류를 포함하여 가능한 많은 데이터 세트를 사용하면 기계 학습 모델이 보다 정확한 NPI 수요 예측을 생성하는 데 도움이 됩니다.

다음은 필요한 내부 데이터 소스의 예입니다.
+ 출시 중인 신제품과 유사한 속성을 가진 모든 제품 또는 제품의 하위 집합에 대한 전체 판매 기록(제품 출시부터 중단까지) 판매 내역은 여러 판매 채널에서 가져오거나 모든 채널에서 결합할 수 있습니다.
+ 시작 중인 새 제품과 유사한 속성을 가진 제품의 하위 집합을 식별하기 위한 제품 속성 매핑입니다.

다음은 선택적 내부 데이터 소스의 예입니다.
+ 유사한 제품에 대한 프로모션 및 할인을 추적하는 마케팅 데이터입니다. 이 데이터는 판매 기록의 길이보다 크거나 같아야 합니다.
+ 제품 리뷰, 등급 및 웹 트래픽 데이터. 이 데이터는 판매 기록의 길이보다 크거나 같아야 합니다.
+ 소비자 인구 통계 데이터

다음은 내부 데이터를 보완할 수 있는 선택적 외부 데이터 소스의 예입니다.
+ 소비자 인덱스 데이터
+ 경쟁자 판매 데이터
+ 설문 조사 데이터

## 비용 효율적인 데이터 수집 메커니즘 구축
<a name="bp-data-ingestion"></a>

데이터 준비 요구 사항이 충족되면 조직은 가장 적합한 데이터 수집 및 데이터 스토리지 메커니즘을 선택할 수 있습니다. 조직의 주요 판매 데이터 소스가 다양한 채널에서 매일 수집되는 경우 배치 데이터 수집을 고려하세요. 스트리밍 데이터 수집은 최신 데이터를 확보하면 도움이 되는 셀프 서비스 예측을 원하는 경우 또 다른 옵션입니다.

원시 데이터 수집 파이프라인은 경량 변환을 위해 추출, 변환 및 로드(ETL) 파이프라인을 사용해야 합니다. 파이프라인은 데이터 품질 검사를 수행하고 처리된 데이터를 다운스트림 사용을 위해 데이터베이스에 저장해야 합니다.

[AWS Glue](https://docs.aws.amazon.com/glue/latest/dg/what-is-glue.html), [AWS Glue Data Catalog](https://docs.aws.amazon.com/glue/latest/dg/components-overview.html#data-catalog-intro), [Amazon Data Firehose](https://docs.aws.amazon.com/firehose/latest/dev/what-is-this-service.html) 및 [Amazon Simple Storage Service(Amazon S3)](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html)와 AWS 서비스같은를 비용 효율적인 데이터 수집 및 스토리지에 사용할 수 있습니다. AWS Glue는 다양한 데이터 스토어 간에 데이터를 분류, 정리, 변환 및 안정적으로 전송하는 데 도움이 되는 완전관리형 서버리스 ETL 서비스입니다. 의 핵심 구성 요소는 로 알려진 중앙 메타데이터 리포지토리 AWS Glue Data Catalog와 Python 및 Scala 코드를 자동으로 생성하고 ETL 작업을 관리하는 ETL 작업 시스템으로 AWS Glue 구성됩니다. Amazon Data Firehose를 사용하면 모든 규모에서 실시간 스트리밍 데이터를 수집, 처리 및 분석할 수 있습니다. Firehose는 실시간 스트리밍 데이터를 데이터 레이크(예: Amazon S3), 데이터 스토어 및 분석 서비스에 직접 전송하여 추가 처리를 수행할 수 있습니다. Amazon S3는 업계 최고의 확장성, 데이터 가용성, 보안 및 성능을 제공하는 객체 스토리지 서비스입니다.

## NPI 수요를 예측하기 위한 실행 가능한 ML 접근 방식 결정
<a name="bp-feasible-approaches"></a>

특정 사용 사례에 따라 조직은 다양한 예측 옵션을 고려할 수 있습니다.

[Bass 확산 모델](https://en.wikipedia.org/wiki/Bass_diffusion_model)과 같은 통계 예측 접근 방식은 차등 방정식을 사용하여 인구가 신제품을 채택하는 방법을 설명합니다. 이 접근 방식은 중요한 혁신을 특징으로 하는 제품과 같이 완전히 새로운 신제품 도입에 더 적합합니다. 다음 차트는 베이스 확산 모델을 사용할 때 혁신자와 모방자 간의 관계를 보여줍니다.



![채택 속도와 시기는 혁신의 정도와 모방의 정도에 따라 달라집니다.](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/forecast-demand-new-product/images/bass-diffusion-model.png)


신제품에 중요한 혁신이 없는 경우 조직은 신제품과 가장 유사한 제품의 판매 기록에 따라 운영되는 시계열 예측 모델을 사용할 수 있습니다. [Amazon SageMaker AI DeepAR 예측 알고리즘과 같은 ML 기반 예측 알고리즘을](https://docs.aws.amazon.com/sagemaker/latest/dg/deepar.html) 사용하면 여러 유사 제품의 시계열 판매 데이터를 사용할 수 있습니다. 이는 콜*드 스타트 예측* 시나리오에 적합합니다. 콜드 스타트 예측 시나리오는 시계열에 대한 예측을 생성하려고 하지만 기존 기록 데이터가 거의 없거나 전혀 없는 경우에 적합합니다. 다음 이미지는 관련 제품의 시계열 데이터를 사용하여 유사한 새 제품에 대한 예측을 생성하는 방법을 보여줍니다.



![다른 관련 제품의 과거 데이터를 사용하여 새 제품에 대한 수요를 예측합니다.](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/forecast-demand-new-product/images/cold-start-forecast.png)


새 제품 출시 일정에 맞는 예측을 생성하는 것을 고려해야 합니다. 예측을 미리 생성하여 로지스틱 수정에 충분한 버퍼를 허용합니다.

## 예측 효과 규모 조정 및 추적
<a name="bp-track-forecast-effects"></a>

NPI 수요 예측에 대한 개념 증명을 완료한 후에는 결국 추가 제품 및 여러 리전을 포함하도록 솔루션을 확장해야 합니다. 인공 지능 및 기계 학습(AI/ML) 프레임워크를 사용하여 데이터를 준비하고 모델을 개발, 배포 및 모니터링합니다.

다음 다이어그램은 조직의 NPI 예측 솔루션이 성숙해짐에 따라 시작 및 확장 전략을 보여줍니다.



![PoC를 완료하고, 프레임워크를 빌드하고, 한 제품에 대해 시작한 다음 확장합니다.](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/forecast-demand-new-product/images/scale-npi-forecasts.png)


또한 경영진과 이해관계자가 예측을 셀프 서비스할 수 있도록 솔루션을 설계하는 것이 좋습니다. 예를 들어 이해관계자가 온디맨드로 최신 예측에 액세스할 수 있도록 [Amazon Quick Sight 대시보드](https://docs.aws.amazon.com/quicksuite/latest/userguide/quick-bi.html)를 생성할 수 있습니다.

예측 정확도를 면밀히 모니터링하고 편차를 철저히 조사하여 합리적인 투자 수익(ROI)을 보장합니다. [Amazon SageMaker AI 모델 모니터](https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html)를 사용하여 모델 모니터링을 설정하는 경우 모델이 실시간 데이터를 예측할 때 모델의 성능을 추적할 수 있습니다. [Amazon SageMaker 모델 대시보드](https://docs.aws.amazon.com/sagemaker/latest/dg/model-dashboard.html)를 사용하여 데이터 품질, 모델 품질, 편향 및 설명 가능성에 대해 설정한 임계값을 위반하는 모델을 찾을 수 있습니다. 자세한 내용은 Amazon SageMaker AI 설명서의 [거버넌스를 사용하여 권한 관리 및 모델 성능 추적](https://docs.aws.amazon.com/sagemaker/latest/dg/governance.html)을 참조하세요.