예측 모델 설계
예측 모델을 사용하면 타일을 정렬하고 구성하여 예측 예측 프로필에 의한 예측을 정의할 수 있습니다. 각 모델은 모델이 수행하는 계산을 그래픽으로 나타내는 순서도를 제공합니다.
수요 예측 알고리즘
수요 계획에는 널리 사용되는 세 가지 수요 예측 알고리즘인 auto-ARIMA, ETS 및 Prophet이 포함됩니다. 사용하는 수요 예측 알고리즘은 기록 데이터의 특정 특성에 따라 달라집니다.
- Auto-ARIMA는 데이터가 안정적인 패턴을 따를 때 가장 잘 작동합니다.
- 오류, 추세 및 계절성(ETS)은 추세 또는 계절성이 있는 데이터에 대한 다양한 선택입니다.
- Prophet은 복잡한 실제 데이터에 가장 잘 작동합니다.
또한 수요 계획은 최적 모델(각 제품 및 차원 조합에 대해 사용 가능한 알고리즘 중 가장 적합한 알고리즘을 자동으로 선택)과 자체 사용자 지정 모델을 개발하고 사용할 수 있는 기능을 모두 제공합니다.
이러한 알고리즘과 그 강점을 이해하면 정보에 입각한 결정을 내려 공급망을 최적화하고 고객 요구를 충족할 수 있습니다.
이 섹션에서는 각 알고리즘의 작동 방식과 다양한 유형의 과거 수요 데이터에 대한 적합성을 설명합니다.
가장 적합한 모델
최적 모형은 사용 가능한 다른 알고리즘(자동 ARIMA, ETS 또는 Prophet) 중 각 제품 및 차원 조합에 대해 데이터에 가장 적합한 알고리즘을 자동으로 찾습니다. 이러한 방식으로 다양한 모델을 다양한 제품에 사용할 수 있습니다. 대부분의 경우 다른 모든 표준 모델의 장점을 결합한 최적 모델을 사용하는 것이 좋습니다. 다음 예제에서는 그 방법을 보여 줍니다.
다음 표에 나열된 차원 조합을 포함하는 과거 수요 시계열 데이터가 있다고 가정합니다.
| 제품 | 스토어 |
|---|---|
| A | 1 |
| A | 2 |
| B | 1 |
| B | 2 |
Prophet 모델을 사용하여 예측 계산을 실행하면 다음과 같은 결과를 얻을 수 있습니다. 이 예에서 시스템은 각 제품 및 차원 조합에 대해 계산된 평균 절대 백분율 오차(MAPE)에 관계없이 항상 Prophet 모델을 사용합니다.
| 제품 | 스토어 | 예측 모델(forecast model) | MAPE |
|---|---|---|---|
| A | 1 | 예언자 | 0.12 |
| A | 2 | 예언자 | 0.56 |
| B | 1 | 예언자 | 0.65 |
| B | 2 | 예언자 | 0.09 |
ETS 모델을 사용하여 예측 계산을 실행하면 다음과 같은 결과를 얻을 수 있습니다. 이 예에서 시스템은 각 제품 및 차원 조합에 대해 계산된 MAPE에 관계없이 항상 ETS 모델을 사용합니다.
| 제품 | 스토어 | 예측 모델(forecast model) | MAPE |
|---|---|---|---|
| A | 1 | 증권 시세 표시기 | 0.18 |
| A | 2 | 증권 시세 표시기 | 0.15 |
| B | 1 | 증권 시세 표시기 | 0.21 |
| B | 2 | 증권 시세 표시기 | 0.31 |
최적 적합 모형을 사용하여 예측 계산을 실행하면 시스템은 각 제품 및 차원 조합에 대한 모형 선택을 최적화합니다. 선택 항목은 과거 판매 데이터에서 발견된 패턴에 따라 변경됩니다.
| 제품 | 스토어 | 예언자 마페 | 자동 ARIMA MAPE | ETS 마페 | 최적 예측 모델 | 베스트 핏 MAPE |
|---|---|---|---|---|---|---|
| A | 1 | 0.12 | 0.34 | 0.18 | 예언자 | 0.12 |
| A | 2 | 0.56 | 0.23 | 0.15 | 증권 시세 표시기 | 0.15 |
| B | 1 | 0.65 | 0.09 | 0.21 | 자동 ARIMA | 0.09 |
| B | 2 | 0.10 | 0.27 | 0.31 | 예언자 | 0.10 |
다음 그래프는 세 가지 다른 예측 모델을 사용하여 찾은 향후 9개월 동안의 모든 차원(모든 매장의 모든 제품)에 대한 전체 판매 예측을 보여줍니다. 녹색 선은 가장 적합한 모형을 나타냅니다. 최적 맞춤은 각 제품 및 차원 조합에 대해 최상의 예측 모델을 선택하기 때문에 모든 차원 조합에 대해 단일 모델을 강제 적용하여 발생할 수 있는 이상값을 방지할 수 있습니다. 그 결과, 전체 최적 적합 예측값은 단일 모델 예측값의 평균과 유사합니다.
범례:
- 빨간색 = 유일한 예언자
- 파란색 = ETS만 해당
- 초록색 = 최적 맞춤
Auto-ARIMA: 시간 여행자의 즐거움
auto-ARIMA 알고리즘은 타임머신과 같습니다. 과거 수요 패턴을 통해 여행을 떠나서 정보를 바탕으로 미래에 대한 예측을 할 수 있습니다. Auto-ARIMA는 ARIMA(자동회귀 통합 이동 평균)라는 기술을 사용합니다. 이 기술은 자동 회귀, 차분, 이동 평균이라는 세 가지 주요 구성 요소를 결합합니다. auto-ARIMA 알고리즘은 이러한 구성 요소의 최상의 조합을 자동으로 식별하여 데이터에 적합한 예측 모델을 생성합니다.
Auto-ARIMA는 계절적 변동이나 추세와 같이 시간이 지남에 따라 안정적인 패턴을 보여주는 시계열 데이터에 특히 효과적입니다. 과거 수요가 합리적으로 일관된 경로를 따르는 경우 auto-ARIMA가 선호되는 예측 방법일 수 있습니다.
ETS: 형태 변형기
ETS(Error, Trend, and Seasonality)는 데이터 형태에 맞게 조정되는 다목적 수요 예측 알고리즘입니다. 과거 수요의 특성에 따라 접근 방식을 변경할 수 있습니다. 따라서 다양한 시나리오에 적합합니다.
ETS라는 이름은 알고리즘이 시계열 데이터를 오류, 추세 및 계절성으로 분해하는 세 가지 필수 구성 요소의 약어입니다. ETS는 이러한 구성 요소를 이해하고 모델링함으로써 데이터의 기본 패턴을 포착하는 예측을 생성합니다. 명확한 계절적 패턴, 추세 또는 둘 다를 보여주는 데이터에 가장 적합합니다. 따라서 계절에 따라 제품이나 서비스에 영향을 미치는 비즈니스에 탁월한 선택입니다.
Prophet: 환상적인 예측 전문가
Prophet은 Facebook 연구팀에 의해 개발되었습니다. 이는 실제 데이터의 과제를 처리할 수 있는 현대적이고 유연한 예측 알고리즘입니다. 누락된 값, 이상값, 복잡한 패턴을 처리하는 데 특히 효과적입니다.
Prophet은 시계열 데이터를 추세, 계절성, 공휴일 등 여러 구성 요소로 분해한 다음 각 구성 요소에 모델을 맞추는 방식으로 작업합니다. 이 접근 방식을 통해 Prophet은 데이터의 미묘한 차이를 정확하게 포착하고 신뢰할 수 있는 예측을 생성할 수 있습니다. Prophet은 불규칙한 수요 패턴이나 빈번한 이상값이 있는 비즈니스 또는 휴일이나 프로모션과 같은 특별 이벤트의 영향을 받는 비즈니스에 이상적입니다.
사용자 지정 Azure Machine Learning 알고리즘
예측 모델에 사용하려는 사용자 지정 Microsoft Azure Machine Learning 알고리즘이 있는 경우 수요 계획에서 사용할 수 있습니다.
예측 모델 생성 및 사용자 지정
예측 모델을 생성하고 사용자 지정하려면 먼저 기존 예측 프로필을 열어야 합니다. (자세한 내용은 예측 프로필 작업을 참조하십시오.) 그런 다음 타일을 추가, 제거, 배열하고 각 타일에 대한 설정을 구성하여 선택한 프로필이 사용하는 모델을 완전히 사용자 지정할 수 있습니다.
예측 모델을 만들고 사용자 지정하려면 다음 단계를 따르십시오.
- 탐색 창에서 작업>예측 프로필을 선택합니다.
- 예측 모델을 생성하거나 사용자 지정하려는 예측 프로필을 선택합니다.
- 예측 모델 탭에는 흐름도 상단에 항상 하나 이상의 (입력 유형) 타일이 있습니다. 모델은 위에서 아래로 처리되며 마지막 타일은 저장 유형 타일이어야 합니다. 필요에 따라 타일을 추가, 제거 및 정렬하고 각 타일에 대한 설정을 구성합니다. 지침은 이 절차 뒤에 나오는 그림을 참조하십시오.
- 예측 모델 디자인을 마쳤으면 오른쪽 상단에 있는 유효성 검사 버튼
을 선택합니다. 시스템은 몇 가지 테스트를 실행하여 모델이 작동하는지 확인한 다음 피드백을 제공합니다. 유효성 검사 테스트에서 보고된 문제를 수정합니다. - 모델이 준비될 때까지 계속 작업합니다. 그런 다음 작업 창에서 저장을 선택합니다.
- 예측 모델을 사전 설정으로 저장하여 다른 사용자가 새 예측 프로필을 만들 때 사용할 수 있도록 하려면 오른쪽 상단의 모델 템플릿으로 저장 버튼
을 선택하면 됩니다.
다음 그림에서는 예측 모델의 타일에 사용할 수 있는 정보와 컨트롤을 보여줍니다.
범례:
Tile icon – 타일의 용도를 나타내는 기호입니다.
Tile type – 타일의 유형입니다. 이 텍스트는 일반적으로 타일이 나타내는 역할, 계산 또는 기타 작업의 유형을 설명합니다.
타일 이름 – 타일에 적용되는 이름입니다. 때로는 타일의 설정에서 이 텍스트를 수동으로 입력할 수도 있습니다. 그러나 일반적으로 타일에 대해 구성된 설정 중 하나의 값을 나타냅니다.
타일 작업 – 타일에서 수행할 수 있는 작업 메뉴를 엽니다. 이러한 작업 중 일부는 타일 유형에 따라 다르지만 대부분의 작업은 모든 타일에 공통됩니다. 어떤 작업이라도 흐리게 표시되면 타일의 현재 위치나 다른 상황적 이유로 인해 해당 작업을 사용할 수 없습니다. 다음은 사용 가능한 몇 가지 일반적인 작업입니다.
- 설정 – 타일에 대한 설정을 구성할 수 있는 대화 상자를 엽니다.
- 제거 – 타일을 제거합니다.
- 위로 이동 및 아래로 이동 – 순서도에서 타일의 위치를 변경합니다.
- 'Pass Through' 로 설정 – 타일 또는 해당 설정을 삭제하지 않고 현재 활성화된 타일을 일시적으로 비활성화합니다.
- Unset 'Pass Through' – 현재 비활성화된 타일을 다시 활성화합니다.
타일 추가– 선택한 위치에 새 타일을 추가합니다.
예측 타일 유형
이 섹션에서는 각 예측 타일 유형의 목적을 설명합니다. 또한 각 유형을 사용하고 구성하는 방법도 설명합니다.
입력 타일
입력 타일은 예측 모델에 입력을 제공하는 시계열을 나타냅니다. 시계열은 입력 데이터 탭의 포함됨 탭에 나열된 시계열입니다. 이름은 편집할 수 없습니다.
입력 타일에는 설정할 수 있는 필드가 하나만 있습니다. 누락된 값 채우기.
이상값 처리 타일
이상값 처리: 타일은 입력에서 이상값 데이터 요소를 식별하고 보정합니다. 이러한 데이터 포인트는 예측 계산이 중단되는 것을 방지하기 위해 무시하거나 평활화해야 하는 예외로 간주됩니다.
이상값 처리 타일에는 설정할 수 있는 다음 필드가 있습니다.
Handle outliers( 이상값 처리) – 다음 옵션 중 하나를 선택합니다.
- 사분위간 범위(IQR)
- 황토(STL)를 사용한 계절 및 추세 분해
사분위간 범위 승수 – 이 필드는 이상값 처리 필드가 IQR 로 설정된 경우에만 사용할 수 있습니다.
수정 방법 – 이 필드는 이상값 처리 필드가 IQR 로 설정된 경우에만 사용할 수 있습니다.
계절성 힌트 – 이 필드는 이상값 처리 필드가 STL 로 설정된 경우에만 사용할 수 있습니다.
예측 타일
예측 타일은 선택한 예측 알고리즘을 입력 시계열에 적용하여 예측 시계열을 생성합니다.
예측 타일에는 설정할 수 있는 필드가 하나만 있습니다.모델 유형. 사용할 예측 알고리즘을 선택하는 데 사용됩니다. 사용 가능한 각 알고리즘에 대한 자세한 내용은 수요 예측 알고리즘 섹션을 참조하십시오. 다음 알고리즘 중 하나를 선택합니다.
- ARIMA— 자기회귀 통합 이동 평균
- ETS – 오류, 추세, 계절성
- 예언자 – Facebook 예언자
- 최적 모델
재무 및 운영 - Azure Machine Learning 타일
수요 예측 개요 에설명된 대로 공급망 Management에서 수요 예측을 위해 사용자 고유의 Azure Machine Learning 알고리즘을 이미 사용하고 있는 경우 수요 계획을 사용하는 동안 해당 알고리즘을 계속 사용할 수 있습니다. 예측 타일 대신 재무 및 운영 - Azure Machine Learning 타일을 예측 모델에 넣기만 하면 됩니다.
Azure Machine Learning 알고리즘에 연결하고 사용하도록 Demand Planning을 설정하는 방법에 대한 자세한 내용은 Demand Planning 에서 사용자 지정 Azure Machine Learning 알고리즘 사용을 참조하세요.
단계 인/아웃 타일
단계적 인/아웃 타일은 시계열의 데이터 열 값을 수정하여 새 요소(예: 새 제품 또는 창고)의 점진적 단계적 도입 또는 이전 요소의 단계적 중단을 시뮬레이션합니다. 단계적 인/아웃 계산은 특정 기간 동안 지속되며 동일한 시계열(조정 중인 동일한 데이터 열 또는 유사한 요소를 나타내는 다른 데이터 열)에서 가져온 값을 사용합니다.
단계 인/아웃 타일에는 설정할 수 있는 다음 필드가 있습니다.
- 단계 이름 – 타일의 특정 이름입니다. 이 이름은 순서도에도 표시됩니다.
- Description – 타일에 대한 간단한 설명입니다.
- 만든 사람 – 타일을 만든 사용자입니다.
- Rule group(규칙 그룹 ) – 타일이 수행하는 계산을 정의하는 규칙 그룹의 이름입니다.
예측 모델을 설정할 때 단계 인/아웃 타일의 위치가 계산 결과에 영향을 미칩니다. 과거 판매 수치에 단계적 입/종료 계산을 적용하려면 다음 그림의 왼쪽과 같이 단계 입/종료 타일을 예측 타일 앞에 배치 합니다. 단계 입력/종료 계산을 예측 결과에 적용하려면 다음 그림의 오른쪽 그림과 같이 예측 타일 뒤에 단계 입력/종료 타일을 배치 합니다.
단계적 인/아웃 규칙 그룹을 설정하는 방법에 대한 세부 정보를 포함하여 단계적 인/아웃 기능에 대한 자세한 내용은 단계적 인/아웃 기능을 사용하여 계획된 변경 시뮬레이션을 참조하세요.
저장 타일
타일 저장 : 예측 모델의 결과를 새 계열 또는 업데이트된 계열로 저장합니다. 모든 예측 모델은 단일 저장 타일로 끝나야 합니다.
예측 시간 계열은 예측 프로필 작업에 설명된 대로 예측 작업을 실행할 때마다 구성하는 설정에 따라 저장됩니다.