수요관리 Part II

기초 시계열 데이터 분석

• 시계열 데이터 분석은 평균을 중심으로 자료값이 변동하는 경우에 적절함.
  • 단순이동평균법 Moving Average
  • 가중이동평균법 Weighted Moving Average
  • 지수평활법 Exponential Smoothing

단순이동평균법

• "평균"이 좋은 추정치라는 가정 기반
• 최근 n 기간동안 수요 평균을 다음 기간의 수요예측 값으로 활용

지수평활법

• 이전 기간의 수요예측 결과와 수요예측 오차 Forecast Error의 가중평균

- α 가 커지면 변동성 반영 / 작아지면 Trend 반영
- 최적의 α 값은 데이터에 따라 달라짐. (변동성이 큰 데이터인가 vs Trend에 민감한 데이터인가)

수요예측의 성능평가 (정확도)

• 성능평가 지표
  • 수요예측 모형을 정확도 평가를 기반으로 개선하는 것이 필요함.
  • 수요예측 오차 forecast error 기반
  • Error = Actual - Forecast

MAD (Mean Absolute Dev.)	MAE weights all errors evenly
MSE (Mean Squared Error)	MSE weights errors according to their squared values (작은 오차에 민감하게 반응, 보수적 모형)
MAPE (Mean Absolute Percentage Error)	MAPE weights errors according to relative error (직관적)

---

Q. 수요예측 정확도를 개선하기 위하여 부서별 판매계획을 기반으로 과거 수요 데이터를 종합하여 수요예측을 진행한다. 

A. 거짓 (부서별 판매계획 기반으로 종합해서 예측하는 방식이 정확도 개선으로 이어지지 x)

 

Q. 과거 10년 동안의 판매량 데이터를 이용하여 다음달의 판매량을 예측하고자 한다. 1달의 총 판매량을 예측하는 것이 다음 달의 주별 (weekly) 판매량을 예측하는 것보다 일반적으로 정확하다.

A. 참

 

• 월 총판매량 예측은 데이터를 더 크게 묶어서 보기 때문에 변동성이 완화됨.
• 주별 판매량 예측은 세부 단위라서 노이즈와 변동성이 더 큼.

그래서 일반적으로 다음 달의 총 판매량을 예측하는 것이, 그 달의 주별 판매량을 각각 예측하는 것보다 더 정확하다.

 

Q. 수요관리의 궁극적인 목적은 고객 수요를 최대한 만족하여 기업의 이익을 극대화하는 것이다.

A. 거짓 (수요관리의 목적은 고객 수요를 무조건 최대화하는 것이 아니라, 수요와 공급을 조정하여 기업 성과를 최적화하는 것)

시스템 다이내믹스: 다양한 요인간 인과관계를 시뮬레이션을 이용하여 분석함으로써 미래를 예측하는 기법