사례 연구: 전자 상거래 비즈니스의 소매 수요 예측 문제

예측 개념을 더 자세히 설명하기 위해 온라인으로 제품을 판매하는 전자 상거래 비즈니스를 예로 들어 보겠습니다. 공급망에서의 의사 결정(예: 재고 관리)을 최적화하는 것은 적절한 주문 처리 위치에 정확한 수의 제품을 보유하는 데 도움이 되므로 이 비즈니스의 핵심 경쟁력에 매우 중요합니다. 이는 기본적으로 더 짧은 배송 시간과 경쟁력 있는 가격으로 다양한 제품을 갖출 수 있다는 것을 의미하며, 이는 고객 만족도를 높입니다. 공급망 소프트웨어 시스템에 대한 주요 입력은 카탈로그에 있는 모든 제품의 수요 예측 또는 잠재적 판매 예측입니다. 이 예측을 통해 중요한 다운스트림 결정을 내릴 수 있으며, 그 중 핵심은 다음과 같습니다.

나머지 사례 연구는 운영 예측 문제 계열의 일부인 두 번째 문제에 초점을 맞추고 있습니다(Januschowski & Kolassa, 2019년). 이 문서는 데이터, 모델(예측 변수), 추론(예측) 및 생산화와 같은 주요 관심사를 다룹니다.

이 사례 연구에서는 예측 문제가 목적을 위한 수단이라는 점을 염두에 두는 것이 중요합니다. 예측은 비즈니스에 매우 중요하지만, 다운스트림 공급망 결정은 훨씬 더 중요합니다. 사례 연구에서는 운영 연구의 수학적 최적화 모델을 사용하는 자동 구매 시스템이 이러한 결정을 내립니다. 이러한 시스템은 비즈니스에 필요한 예상 비용을 최소화하려고 합니다.

여기서 핵심 단어는 예상으로, 이는 특정 결과의 확률에 따라 적절한 가중치를 부여하여 예측이 가능한 한 가지 미래뿐만 아니라 가능한 모든 미래를 포함해야 한다는 뜻입니다. 이를 위한 다운스트림 의사 결정의 핵심 요소는 한 지점의 예측이 아니라 예측 값을 완전히 분배하는 것입니다. 다음 그림은 확률적 예측(밀도 예측이라고도 함) 을 보여줍니다. 이 확률적 예측에서 단일 지점 예측(가장 가능성이 높은 미래)을 쉽게 도출할 수 있지만, 지점 예측에서 확률적 예측으로 전환하는 것은 더 어렵습니다.

확률적 예측을 통해 다양한 통계를 얻고 원하는 결정을 내리는 데 도움이 되도록 결과를 조정할 수 있습니다. 전자 상거래 비즈니스에는 품절이 거의 발생하지 않는 여러 주요 제품이 있을 수 있습니다. 이 경우 높은 분위수(예: 90번째 백분위수)를 사용하면 제품 재고가 확보되는 시간의 90%로 변환됩니다. 대체품을 쉽게 찾을 수 있는 상품(예: 연필)과 같은 다른 상품의 경우 더 낮은 백분위수를 사용하는 것이 더 적절할 수 있습니다.

Amazon Forecast에서는 확률적 예측에서 다양한 분위수를 쉽게 얻을 수 있습니다.

확률적 예측의 그림

위 그림에서 검은색 선은 실제 값이고, 짙은 녹색 선은 예측 분포의 중앙값이며, 짙은 녹색 음영 영역은 값의 50% 가 하락할 것으로 예상되는 예측 구간이며, 연한 녹색 영역은 실제 값의 90% 가 하락할 것으로 예상되는 예측 구간입니다.

다음 섹션에서는 다음을 포함하여 이 비즈니스의 예측 문제를 해결하는 데 필요한 단계를 다룹니다.