[LG Aimers] 3. SCM & 수요 예측

해당 게시글은 LG Aimers Phase1의 수업 내용을 정리한 글로, 모든 내용의 출처는 https://www.lgaimers.ai/ 입니다.

1. 수요예측 기법 및 예측오차

   • 수요예측의 필요성
     • 수요예측 실패시 막대한 손해
   • 수요예측 방법
     • 방법의 종류
       • 정성적 방법
         • 전문가 의견 종합하여 예측
         • 특정 인물의 의견에 의해 과장되거나 축소될 가능성 있음
       • 정량적 방법
         • 숫자에 의존하여 결정
         • 일관성
         • 충분한 data가 없을 경우 진행 불가
       • 종합하여 활용 가능
         • 정량적 예측 이후 전문가의 검토 거치기도 함
     • 정량적 예측
       • time-series 데이터 활용
         • 과거의 데이터가 미래를 예측하는 데에 도움이 될 것이라는 가정 하에 진행
       • 주요 수요 형태
         • Fluctuates about a Constant Mean
           • 평균은 유지되나 어느정도의 오차가 있는 모습
           • demand = Mean + Random Fluctuation
             • Fluctuation의 평균은 0에 수렴한다는 가정 하에
         • Fluctuates and has increasing (or decreasing) trend
           • 상승 혹은 하강 trend가 있으며 어느정도의 오차가 있는 모습
         • Fluctuates and has Seasonal pattern
           • 계절성을 보이며 어느정도의 오차가 있는 모습
     • Moving Average
       • n개의 period를 사용하여 수요예측
       • 과거 정보 모두에 동일한 가중치를 주어 예측에 활용
         • 최근 정보에 더 많은 가중치를 주는 것이 더 좋지 않을까? → weighted moving average
       • 보다 짦은 기간의 정보만을 반영할 경우 shock이 발생했을 때 해당 정보를 빠르게 반영함
     • Expotential Smoothing Forecast
       • 모든 historical 데이터를 다 쓰고 각기 다른 weight를 주기
       • $F_{t+1}= \alpha A_t+(1-\alpha)F_{t}$ (A : 실제 demand / F : 예측 demand / alpha : smooting factor)
       • alpha값이 클수록 최근 데이터에 높은 가중치 부여
         • shock이 발생했을 때 빠르게 정보를 반영함
       • alpha값이 작을수록 최근 데이터에 낮은 가중치 부여
         • 안정적인 예측 가능, shock에 대한 반응이 느려 안정적임
   • 수요예측 평가
     • forecasting error
       • $e_t=A_t-F_t$ ~ 평균내어 mean forecast error
       • 이때 음수, 양수가 서로 cancel되는 문제 발생
     • MAD (mean absolute deviation)
       • $e_t=|A_t-F_t|$ ~ 절대값
       • 모든 error 정도를 균등하게 반영
     • MAPE (mean absolute percentage error)
       • MAD만 보았을 때, 예측치의 범위가 어느정도인지 모를 경우 예측 결과의 평가가 어려움
         • 예 ) 서울시 인구 예측 오차와 대한민국 인구 예측 오차 모두 동일한 MAD 100일때, 대한민국 예측치가 더욱 정확하나 이에 대한 평가 불가능 (같은 MAD 값이므로)
       • 수요의 scale을 반영한 MAD
         • $e_t = |\frac{error}{demand}|*100(\%)$
     • MSE (mean squared error)
       • $e_t=(A_t-F_t)^2$
       • error가 커질수록 제곱을 거쳐 더 크게 과장됨 ~ 큰 error에 penalty 부여

2. 수요예측과 공급사슬관리

   • Trends
     • Double Exponential Smoothing
       • 수식
         • Level : $S_t =\alpha A_t+(1-\alpha)(S_{t-1}+T_{t-1})$ (평균 주변의 레벨)
         • Trend : $T_t=\beta(S_t-S_{t-1})+(1-\beta)T_{t-1}$ (추세)
         • Forecast of next period : $FIT_t=S_t+T_t$
       • 추세가 있는 경우 훨씬 더 정확하게 예측 가능
     • 회귀분석
       • 종속 변수(수요)는 다른 독립변수들에 의해 결정된다는 가정하에
       • 수식
         • $Y=a+bX$
         • a : intercept / b : slope
   • Seasonality
     • 계절성은 사계절만을 의미하는 것이 아니라 시간대, 요일, 월 등 다양한 season 존재
     • Regression + Seasonal Index
       • 회귀분석 시 추세는 보정 가능
       • 회귀식을 구하여 forecast를 구한 뒤 → seasonal index 구하기
         • $SI=\frac{Actual \ Demand}{Forecast \ Demand}$
         • year의 범위가 클 경우 그 평균치를 구해서 활용하기
       • $Y=(a+bX)*SI$
   • Insights
     • 수요 예측 시 aggreate 해서 product family에 대해 예측을 하는 것이 각각 individual에 대해 예측을 하는 것보다 쉽다.
       • Error : All Product << Sum of Individual
     • 보다 긴 기간에 대해 수요 예측하는 것이 짧은 기간에 대해 예측하는 것보다 쉽다.
       • Error : Month << Day
     • 예측 시 보다 먼 미래를 예측하는 것이 더 어려움
     • 수요 예측 시 판매량을 활용하는 것은 위험함
       • 과거의 판매량을 가지고 미래의 수요를 예측하겠다는 오류 범함
         • 과거의 판매량은 수요 뿐만 아니라 우리가 얼마나 가지고 있었는지에 대해서도 영향을 받음
         • 수요와 재고 중 보다 작은 값에 의해 sales가 변함
     • 판매 target을 가지고 예측을 할 경우 주의해야 한다.
       • 주로 target은 overshooting되는 경우가 많음 (수요는 100인데 1000개를 팔고 싶은 경우)
       • 달성이 매우 어려우니 주의 필요

3. 공급사슬관리 (SCM : Suply Chain Management), 황소채찍효과 그리고 Risk Pooling

• 공급사슬관리
  • 공급 사슬 예시 : Supplier - Manufacturer - Distributor - Retailer
    • 많은 수의 기업이 고객 수요를 만족시키기 위해 연계되어 있음
    • Chain에 따라 구성이 달라질 수 있음
    • 원재료에 가까워질수록 Upstream, 최종 산출물/고객에게 가까워질수록 Downstream
    • physical 물건은 Up → Down, 돈/정보는 Down→Up, 최종 고객의 실제 수요는 최종 Retailer만 알고 있음
  • Demand Volatility can be amplified as you go back in the supply chain
    • 공급 사슬을 거슬러 올라가며(Down→Up) 수요에 대한 변동성이 더욱 커짐
    • 채찍 손잡이 쪽을 살짝 움직이면 그 끝은 크게 움직이는 황소 채찍 에 비교 : 황소채찍효과
    • 변동성에 대응하기 위해 안전 재고를 가지고 있어야 하나 안전 재고를 관리하는 데에도 비용이 발생함
• 황소 채찍 효과
  • 원인
    • Order Batching : 최소 주문 단위가 존재할 경우 실제 필요보다 더 많이 주문하게 됨
    • Allocation/Shortage Gaming : 주문량 만족할만큼의 재고가 없을 경우, 주문량에 비례하여 물량을 공급하는 경우 존재 ~ 이때, 실제 필요한 양을 공급받을 수 있도록 실제 요구보다 더 많은 양을 주문하게 됨
    • Price Speculation and Stockpilling : 물건의 가격변동 있을 경우, 가격 상승을 대비하여 미리 주문량을 늘릴 경우 존재
    • Demand Forecast Updates Not Shared : 수요 예측 후 안전 재고를 위해 보다 많은 양을 주문하게 됨 ~ 공급 사슬을 올라가며 안전재고비율이 점점 늘어나 주문량이 커짐
  • 해결책
    • better information visibility : 투명한 정보 공유 - 최종 고객의 수요, 재고에 대한 정보를 공유할 경우 효율적인 의사결정 가능 (CPFR 현상과 맞물려 있음 ~ 서로 같이 주문, 재고관리)
    • allocation based on past sales instead of current order size : 재고 부족할 경우 주문량에 비례하여 공급하는 것이 아니라 과거 주문량을 고려하여 공급하기
    • reducing lead times : 물건을 받기까지 필요한 lead time을 줄일경우 불확실성 줄일 수 있음
    • everyday low prices : 가격 변동을 줄이기 위해 낮은 가격으로 고정시키기
• Risk Pooling
  • Risk를 줄이기 위해 다양한 종류의 정보를 조합하여 의사결정
  • 예시
    • Demand pooling : E-commerce channel의 경우 다양한 market으로부터 다양한 수요 정보를 얻을 수 있으므로 안정적인 수요 예측 가능
    • Component commonality : 내부에 유사한 부품을 가지는 여러 다른 제품을 보유하고 변동 수요에 대응하기
    • Location pooling : 여러 지역을 담당하는 큰 warehouse를 가지고 있을 경우 안정적인 수요 대응 가능
  • Common Component 예시 : Postponement
    • 예시 : 동일한 디자인의 티셔츠를 빨강, 파랑, 노랑색으로 따로 보유할 경우 vs 색칠하지 않은 티셔츠로 재고 보유하고 있다가 수요가 발생할 때 색칠하기
      • 색칠하지 않은 티셔츠로 재고 보유시 안전재고 양이 줄어들어 위험 부담이 적음
    • 가능한 경우
      • 각 경우에 대한 수요가 독립적이어야 함
    • 브랜드 가치에 악영향을 미칠 수 있음
      • 비교적 고가의 물건을 만들기 위해 필요한 부품과 저가 물건의 부품이 동일할 경우 소비자 입장에서 불쾌할 수 있음
  • Location Pooling 추가 설명
    • 장점 :
      • 동일 서비스 레벨을 가지고 더 적은 재고를 가지고 있을 수 있음
        • 서비스 레벨 : 소비자에게서 100의 주문이 들어왔을 때 그 중 얼마의 주문에 대해 물건을 제공할 수 있는지 정도
      • 동일 재고량을 보유한다면 더 높은 서비스 레벨을 달성할 수 있음
      • 규모의 경제
    • 단점 :
      • 운송비용, 기간 늘어날 수 있음
      • local market마다 특별한 taste가 존재할 수 있으므로 이를 따로 관리할 경우 비효율이 다시 발생할 수 있음

이번 강의까지 다 듣고 다음 강의 내용을 듣는 중에야 블로그 작성 시 수업 영상 캡쳐를 활용해도 괜찮다는 문의 답변을 얻을 수 있었다.. 4강부터 보다 다양한 시각자료와 함께 필기를 해보아야겠다..