# 예측에 대해
<a name="about-forecasting"></a>

 이 문서에서 예측이란 시계열의 미래 값 예측을 의미합니다. 문제에 대한 입력 또는 출력은 시계열 특성을 갖습니다. 

 

## 예측 시스템
<a name="forecasting-system"></a>

 예측 시스템에는 다음과 같은 다양한 사용자가 포함됩니다. 
+  **최종 사용자**: 특정 제품에 대한 예측을 쿼리하고 구매할 제품 수를 결정합니다. 이는 사람일 수도 있고 자동화된 시스템일 수도 있습니다. 
+  **비즈니스 분석가/비즈니스 인텔리전스**: 최종 사용자를 지원하며 집계 보고를 실행하고 구성합니다. 
+  **데이터 과학자**: 수요 패턴과 인과 관계를 반복적으로 분석하고 새로운 기능을 추가하여 모델을 점진적으로 개선하거나 예측 모델을 개선합니다. 
+  **엔지니어**: 데이터 수집의 인프라를 설정하고 시스템에 입력 데이터의 가용성을 보장합니다. 

 Amazon Forecast는 소프트웨어 엔지니어의 작업을 줄여 주며 데이터 과학 역량이 제한된 기업에서도 최신 예측 기술을 활용할 수 있도록 합니다. 데이터 과학 역량을 갖춘 기업의 경우 Amazon Forecast에 포함된 다양한 진단 기능을 통해 예측 문제를 잘 해결할 수 있습니다. 

## 예측 문제는 어디에서 발생하나요?
<a name="where-do-forecasting-problems-occur"></a>

 예측 문제는 자연적으로 시계열 데이터를 생성하는 여러 영역에서 발생합니다. 여기에는 소매 판매, 의료 분석, 용량 계획, 센서 네트워크 모니터링, 재무 분석, 소셜 활동 마이닝 및 데이터베이스 시스템이 포함됩니다. 예를 들어 예측은 데이터 기반 의사 결정을 지원하는 대부분의 비즈니스에서 운영 프로세스를 자동화하고 최적화하는 데 중요한 역할을 합니다. 제품 공급 및 수요에 대한 예측은 최적의 재고 관리, 직원 일정 관리 및 토폴로지 계획에 사용될 수 있으며, 일반적으로 공급망 최적화의 대부분 측면에서 중요한 기술입니다. 

 다음 그림은 패턴(이 예에서는 계절성)을 나타내는 관측된 시계열을 기반으로 특정 기간 동안 예측이 생성될 때 발생하는 예측 문제에 대한 요약을 보여 줍니다. 가로축은 과거(왼쪽)에서 미래(오른쪽)로 이동하는 시간을 나타냅니다. 세로축은 측정된 단위를 나타냅니다. 검은색 수직선까지의 과거(파란색)를 고려하여 미래(빨간색)를 식별하는 것이 예측 과제입니다. 

![예측 작업 개요를 보여주는 다이어그램](http://docs.aws.amazon.com/ko_kr/whitepapers/latest/time-series-forecasting-principles-with-amazon-forecast/images/forecasting-task-overview.png)


## 예측 문제를 해결하기 전에 고려할 사항
<a name="considerations-before-attempting-to-solve-a-forecasting-problem"></a>

 예측 문제를 해결하기 전에 이해해야 할 가장 중요한 질문은 다음과 같습니다. 
+  예측 문제를 해결해야 하나요? 
+  예측 문제를 해결하는 이유는 무엇인가요? 

 시계열 데이터가 어디에나 있기 때문에 어디서나 예측 문제를 쉽게 찾을 수 있습니다. 그러나 핵심 질문은 예측 문제를 해결할 필요가 있는지 또는 비즈니스의 효율적인 의사 결정에 영향을 미치지 않으면서 예측 문제를 완전히 피할 수 있는지 여부입니다. 과학적으로 말하자면 예측은 기계 학습에서 가장 어려운 문제 중 하나이기 때문에 이 질문을 던지는 것이 중요합니다. 

 예를 들어 온라인 소매업체를 위한 제품 추천을 고려해 보겠습니다. 이 제품 추천 문제는 각 고객 재고 관리 단위(SKU) 쌍에 대해 특정 고객이 구매할 특정 항목의 개수를 예측하는 예측 문제로 간주할 수 있습니다. 이 문제 공식화에는 여러 가지 이점이 있습니다. 한 가지 이점은 시간 구성 요소가 명시적으로 고려되므로 고객의 구매 패턴에 따라 제품을 추천할 수 있다는 것입니다. 

 그러나 제품 추천 문제를 예측 문제로 공식화하는 경우는 거의 없습니다. 이러한 예측 문제를 해결하는 것은 추천 문제를 직접 해결하는 것보다 훨씬 어렵기 때문입니다(예: 고객-SKU 수준에서의 정보 희소성 및 문제의 규모). 따라서 예측 애플리케이션을 생각할 때는 예측의 다운스트림 사용량을 고려하고 대체 접근 방식을 사용하여 이 문제를 해결할 수 있는지 여부를 고려하는 것이 중요합니다. 

 이 경우 [Amazon Personalize](https://aws.amazon.com/personalize/)가 도움이 될 수 있습니다. Amazon Personalize는 개발자가 애플리케이션을 사용하는 개별 고객에게 맞는 추천을 쉽게 생성할 수 있는 기계 학습 서비스입니다. 

 예측 문제를 해결해야 한다고 판단한 후 다음으로 던져야 할 질문은 예측 문제를 해결하는 이유에 대한 것입니다. 많은 비즈니스 환경에서 예측은 일반적으로 목적을 달성하기 위한 수단에 불과합니다. 예를 들어, 소매 상황에서 수요 예측의 경우 예측을 사용하여 재고 관리 결정을 내릴 수 있습니다. 예측 문제는 일반적으로 의사 결정 문제에 대한 입력이며, 이는 다시 최적화 문제로 모델링될 수 있습니다. 

 이러한 의사 결정 문제의 예로는 구매할 상품 수량이나 기존 재고를 처리하기 위한 최선의 방법이 포함됩니다. 기타 비즈니스 예측 문제에는 서버 용량 예측 또는 제조 상황에서의 원자재/부품 수요 예측이 포함됩니다. 이러한 예측은 위와 같은 의사 결정 문제 또는 시나리오 시뮬레이션에 대한 다른 프로세스의 입력으로 사용될 수 있으며, 이러한 정보는 명시적 모델 없이 계획 수립에 사용될 수 있습니다. 예측이 그 자체로 끝이 아니라는 규칙에는 예외가 있습니다. 예를 들어 재무 예측에서 예측은 재무 준비금을 모으는 데 직접 사용되거나 투자자에게 제공됩니다. 

 예측의 목적을 이해하려면 다음 질문을 고려하세요. 
+  얼마나 오랫동안 미래를 예측해야 하나요? 
+  얼마나 자주 예측을 생성해야 하나요? 
+  예측에서 자세히 살펴봐야 할 특정 측면이 있나요?