Forecasting

Forecasting 1 학습 목표  수요예측의 목적에 맞는 수요예측 기법을 선택할 수 있다.  이동평균법, 지수평활법과 회귀분석에 의한 수요예측을 할 수 있다.  수요예측의 에러의 원인을 설명하고 에러의 정도를 측정할 수 있다.

Forecasting 2 목차  Demand Management  Nature of Forecasting  수요예측 기법  수요예측의 정확도 평가  이동평균법  지수평활법  인과분석과 회귀분석

Forecasting 3 Demand Management  독립 수요와 종속 수요  종속 수요 (Dependent Demand): 다른 제품 / 서비스의 수요에 의해 수요가 결정되는 경우  독립 수요 (Independent Demand): 최종 고객에 의해 수요가 결정되는 경우 ( 예 ) 세발 자전거의 수요가 100 이면, 앞 바퀴의 수요는 100, 뒷바퀴의 수요는 200  세발 자전거의 수요를 결정하면 바퀴의 수요는 자동으로 결정됨. 따라서, 수요예측의 관심사는 독립 수요인 경우임. cf. 타이어를 판매하는 업체에서는 타이어가 독립수요이나 자동차 조립공장에서는 종속수요임, why?  수요 관리 (Demand Management)  Active: 기업이 적극적으로 수요에 영향을 주는 활동을 하는 경우 ( 예 ) 영업활동 강화, 가격 변경 등  Passive: 시장 수요를 그대로 받아들이는 경우 ※ 기업이 적극적으로 수요에 영향을 미치는 활동을 하는 경우는 법적, 윤리적 문제를 고려해야 함.

Forecasting 4 Nature of Forecasting  수요 예측의 목적  기업 / 조직의 의사 결정을 위한 기본 데이터를 제공  재무 : 자본 조달 계획, 마케팅 : 신상품 기획, 영업 활동 계획, 생산 : 프로세스 선택, 능력계획 등  예측의 목적 및 기간에 따라 적합한 수요 예측 기법이 달라짐  수요 예측의 출력  예측 데이터와 함께 예측의 정확도를 평가할 수 있는 수치를 제시하여야 함  평균 및 표준편차  수요 예측의 일반적인 특성  수요 예측은 항상 틀림  따라서, 예측 오차에 대한 대응 능력이 필요 ( 예 : 유연한 생산 프로세스 등 )  개별 제품보다는 제품 그룹에 대한 수요 예측의 정확도가 높음  Supply chain 에서 창고 통합, 제품 그룹별 수요 예측 사례의 장점에 대해 상기해 볼 것  장기보다는 단기 수요 예측의 정확도가 높음  따라서, 속도가 빠른 Supply chain 은 수요 예측 오차에 의한 위험이 낮아짐

Forecasting 5 Nature of Forecasting  수요 예측의 일반적인 특성 - Discussion 1. 패션 수영복을 생산하는 업체를 생각해 보자. 이 업체는 원재료 수급, 생산에 걸리는 시간 때문에 다음 해 여름에 판매할 수영복을 12 개월 전에 미리 수요 예측을 하여 생산을 시작하여야 한다. 이 업체가 가지고 있는 위험은 어떤 것인가 ? 이러한 위험을 줄이려면 어떻게 해야 할까 ? 2. 다양한 색깔의 T 셔츠를 생산하는 업체를 생각해 보자. 색상 / 사이즈 별로 각각의 T 셔츠의 수요가 얼마일까를 예측하는 것은 티 셔츠 전체의 수요를 예측하는 것보다 매우 어렵다.  이 경우 예측의 불확실성에 따른 악영향을 줄이려면 어떻게 해야 할까 ? 3. 일반적으로 온라인 서점은 오프라인 서점에 비해 필요한 재고 수준이 낮다. 왜 그럴까 ?

Forecasting 6 수요의 구성 요소  단위 기간에 대한 수요의 변동 요인을 구성 요소로 분해  평균 수요 : 해당 기간의 수요의 평균  추세 (Trend): 시간에 따른 수요의 증가 또는 감소의 일반적인 형태  선형 (Linear), S-Curve( 제품의 성장 / 성숙 모형 ), 점근형 추세 ( 기존 시장에 새로 진입하는 경우 ), 지수형 추세 ( 지속적인 수요의 증가 )  계절변동 (Seasonal Element): 시간별, 요일별, 월별, 계절별로 발생하는 반복적인 수요의 변화  Cyclical Element: 특정 사건 ( 선거, 전쟁, 경기 변동, 월드컵 등 ) 에 의해 발생하는 수요의 변화  계절변동은 시간 / 계절에 따라 반복적으로 발생하는 반면, 주기적 변동 요소는 해당 사건의 주기가 불분명하거나 또는 원인 자체를 파악하기 어려운 경우가 많음.  Random Variation: 예측 불가능한 수요의 변동 ( 원인을 파악할 수 없는 수요의 변동 ) cf. Autocorrelation: 수요의 증가 또는 감소 패턴의 지속성, 특정 시점의 수요는 과거의 수요 데이터와 밀접한 관련 ( 상관관계 ) 이 있는 경우를 의미함. ※ 수요 예측 시 어떤 요소들을 고려할 것인가는 과거 수요 패턴을 plotting 하면 파악할 수 있음 (+ 제품의 수명 주기, 미래에 예상 가능한 외적인 상황 등을 고려 )  수요 예측 기법 선택에 영향

Forecasting 7 수요의 구성 요소 1234 x x x x x x xx x x x xxx x x x x x xx x x x xxx x x x x x x x x x x x x x x x x x x x x Demand (sales) Time average demand seasonal effect linear trend

Forecasting 8 수요 예측 기법 : 분류  정성적 (Qualitative) 방법 : 주관적이며 개인 / 집단의 판단 / 추정에 근거  Grass Root: 계층을 따라서 하위 계층의 수요 예측 결과를 합하여 전체 수요를 예측 ( 예 ) 지역별 영업 담당자의 수요 예측 결과를 합산하여 전체 수요를 예측  시장 조사 (Market Research): Focus Group, 서베이, 인터뷰 등의 기법을 이용하여 시장 수요에 대한 가설을 검증, 주로 장기 수요나 신제품 수요 예측에 사용  패널 동의법 (Panel Consensus): 다수의 전문가에 합의에 의한 결과 도출  Delphi 법 : 패널 동의법을 개선, 참가한 전문가들의 익명성 보장 1) 전문가 그룹 선정 2) 설문지 배포 및 결과 ( 개인별 의견 등 포함 ) 회수 3) 설문 결과의 종합하여 종합된 결과 및 결과를 반영한 새로운 설문지 작성 배포 ( 반복 )  의견이 수렴될 때까지 반복, 보통 3 회 정도로 충분함.  유추법 : 유사한 제품 / 서비스의 데이터를 이용하여 수요 예측, 주로 신제품의 경우에 사용 ( 예 ) DVD Player 의 수요를 VCR 의 수요 데이터를 이용해 예측

Forecasting 9 수요 예측 기법 : 분류  계량적 (Quantitative) 방법  시계열 분석 (Time Series Analysis): 과거의 데이터를 활용  이동 평균법, 가중 평균법, 지수평활법, 회귀분석, Box-Jenkins 기법 등  인과 분석 (Causal Analysis): 수요에 영향을 주는 요인들을 찾아내고 이들과 수요의 관계를 분석  회귀분석, 계량경제 모형, 투입 - 산출 모형, 선행 지수 등

Forecasting 10 수요 예측 기법 : 선택 기준  수요 예측 기법 선택을 위한 고려 사항  수요 예측 기간 : 장기 (> 2 년 ), 중기 (3 개월 ~ 2 년 ), 단기 (< 3 개월 )  장기는 정성적 방법, 중단기는 계량적 방법 사용  데이터의 가용성 : 예측에 활용 가능한 과거 데이터의 존재 여부 및 데이터의 양  정확도 : 수요 예측 결과의 정확도  수요 예측 자원 : 예산, 인력 등  수요 예측 기법 선택 일반적 가이드라인 ( Chambers, Mullick and Smith, HBR )  예측의 목적은 무엇인가 ? 어디에 사용되는가 ? 예 : 전체 매출액만 필요한 경우 vs. 지역별 상품별 매출액이 필요한 경우  예측 대상 시스템은 어떻게 변화하는가 ?  수요가 계절 변동이 있는가 ?, 거시경제지표가 수요에 큰 영향을 주는가 ?  미래를 예측하는데 과거 데이터가 얼마나 중요한가 ?  과거 데이터를 이용해서 미래를 예측하는 것이 얼마나 타당한가 ? 환경이나 상황 변화로 과거의 패턴이 유지되지 않을 가능성은 ?

Forecasting 11 수요 예측 기법 : 선택 기준  수요 예측 기법 선택 – Discussion ※ 수요 예측 방법의 선택은 예측 오차에 따른 영향도 고려해야 함. ( 예 ) 1. 기업이 수요 변화에 빠르게 대응할 수 있는 유연성을 가지고 있는 경우 2. 수요 예측 결과에 따라 대규모 투자가 필요한 경우 ※ 수요 예측 기법에 따라 반영할 수 있는 수요 변동의 종류가 다름 ( 예 ) 이동 평균법 : 안정적인 수요의 경우에 적합 ( 계절 변동, 추세 등은 반영하지 못함 ) ※ 시계열 분석과 인과 분석의 선택 기준은 ?

Forecasting 12 수요 예측의 정확도 평가  예측오차 ( 편차 )  실제수요 – 예측수요 - 잘못된 예측 시스템 ( 잘못된 변수, 가정 등 ) 으로 인한 발생 : bias  지속적으로 과대 또는 과소 예측 - 예측 모델로 설명이 되지 않는 부분 : random error cf. 대부분의 계량적 방법에서는 기본적으로 과거의 패턴이 미래에도 반복된다는 가정을 하고 있음  검증 필요  평균절대오차 (Mean Absolute Deviation; MAD)  추적지표 (Tracking Signal; TS)  TS=RSFE/MAD, RSFE: Running Sum of Forecasting Error ( 누적예측오차 ) - 예측의 편향 정도를 측정 : 수요의 상향 / 하향 변화를 예측평균이 잘 반영하는가 ? - TS=0: OK, TS>0: 실제수요 > 예측치, TS<0: 실제수요 < 예측치 : t 시점의 수요 예측치 : t 시점의 실제 수요

Forecasting 13 수요 예측의 정확도 평가 월수요예측실제수요편차 MADRSFETS 11, /1= /50=-1 21,0001, /2= =2020/60= ,0001, , ,0001, ,0001,  Example TS 월 Control Limit ( 보통 2~4 사용 )

Forecasting 14 수요 예측 단계 I. 어디에 활용할 것인가 ? - 활용목적의 결정 II. 무엇을 예측할 것인가 ? - 예측 품목의 결정 III. 어떤 기간에 대해서 예측할 것인가 ?- 예측의 기간 결정 IV. 어떻게 예측할 것인가 ? - 예측 모형의 설정 V. 필요한 것이 무엇인가 ? - 자료의 수집 VI. 예측모형이 타당한가 ?- 오차의 측정 및 통제

Forecasting 15 이동 평균법 (Moving Average)  정의  과거 일정기간의 실제값을 평균하여 다음기간의 예측치로 활용  단순이동평균법 (Simple Moving Average)  n 기간의 이동평균값을 t 시점의 예측치로 사용 : 예측에 사용된 기간 : t-1 시점에서 예측된 t 시점의 수요 : 시점 k 에서의 실제 판매량  이동평균 기간 (n) 에 따른 효과 - n ↑  우연요소의 영향이 줄어듦 (Smoothing) - n ↓  수요의 변화에 민감하게 반응

Forecasting 16 이동 평균법 (Moving Average)  Example WeekDemand3-week MA6-week MA = ( )/3 = ( )/6

Forecasting 17 이동 평균법 (Moving Average)  가중이동평균법 (Weighted Moving Average)  각각의 실제값에 서로 다른 가중치를 부여하여 가중평균을 구한 후, 이를 추정치로 사용하는 방법  가중치의 결정 - 예측기간에 가까울 수록 큰 가중치 부여 - 계절적 요인을 고려 - 동일한 가중치  단순이동평균법  example - 4 개월 간의 판매정보를 갖고 5 개월째 예측 - 가중치 ( 최근 달부터 ): 40%, 30%, 20%, 10% ( 예측 ) *95+0.3* *90+0.1*100 = 97.5

Forecasting 18 지수 평활법 (Exponential Smoothing)  지수평활, 지수가중이동평균 (EWMA; Exponentially Weighted MA)  최근 정보에 상대적으로 큰 가중치를 적용하는 일종의 가중이동평균법  t-1 시점에서의 실제값과 t-1 시점의 예측치 사이의 가중평균  t-1 시점의 예측치를 예측오차의 정도를 이용하여 보정  지수적으로 감소하는 가중치를 사용하여 모든 실제치를 가중함 평활상수 (Smoothing Constant): - 커질수록 최근의 변화에 민감하게 반응 - 일반적으로 0.1~0.3 의 값을 사용 장점 : 실제 활용시 정확도가 높음, 이동평균법 대비 보관해야 하는 데이터의 양이 아주 작음

Forecasting 19 지수 평활법 (Exponential Smoothing)  Example WeekDemand Demand 가정 : cf. 지수 평활법은 실제값의 추세를 뒤늦게 반영하는 현상 (lagging) 을 보임  추세를 반영한 지수평활법

Forecasting 20 회귀분석  회귀분석 (Regression)  종속 변수 : 예측 대상  수요  독립 변수 : 종속 변수의 값을 결정하는 변수들  수요의 결정 요소  회귀분석 : 종속변수의 값을 결정하는 독립변수들의 함수 형태를 가정하고 함수를 추정하는 방법  선형 회귀분석 : 종속변수가 독립변수들의 1 차식으로 표현된다고 가정 cf. 일반적으로 회귀 분석을 이용한 수요 예측을 할 경우 독립 변수는 수요에 영향을 주는 변수이면서 미리 관찰, 조정 또는 예측이 가능한 변수 ( 선행 변수 ) 여야 함. ( 예 ) 반도체 가격 ( 독립변수 ) 에 따라 반도체 수요 ( 종속변수 ) 가 변화 기온 ( 독립변수 ) 에 따라 맥주의 수요 ( 종속변수 ) 가 변화 cf. 회귀분석에서 독립변수를 시간으로 두면 시계열 분석의 일종으로 볼 수 있음 ( 트렌드 예측 )  회귀모형  단순 선형 회귀모형 (Simple Linear Regression)  다중 (Multiple) 선형 회귀모형

Forecasting 21 회귀분석  회귀식의 추정 독립변수 (X) 종속변수 (Y) Y 의 실제값 회귀식으로 추정된 Y 값 Y 값 예측에 사용되는 X 값 오차 회귀식 :

Forecasting 22 회귀분석  회귀식의 추정  최소 제곱법 (Least Squares Method) 에 의한 추정  Excel 이용 예제. 월판매량광고비