25분
시계열 수요예측 개론 — 추세, 계절성, 노이즈
Day 2: 수요예측 & 생산계획 AI
시계열 수요예측 개론 — 추세, 계절성, 노이즈
생산 최적화 — 스마트 팩토리 AI > Day 2: 수요예측 & 생산계획 AI
학습 목표
시계열 데이터의 4가지 성분(추세, 계절성, 주기, 노이즈)을 구분한다 제조업 수요예측이 생산계획에 미치는 영향을 이해한다
수요예측이 중요한 이유
[삼성SDI 배터리 라인 — 수요예측 실패 시나리오]
과소 예측: 과대 예측:
수요 100만 셀인데 수요 60만 셀인데
70만 셀만 준비 100만 셀 생산
-> 납기 지연 30만 셀 -> 재고 40만 셀 쌓임
-> 위약금 + 고객 이탈 -> 보관 비용 + 자금 묶임
-> 매출 손실 수백억 -> 재고 감가상각 수십억정확한 수요예측 = 적정 생산 = 최소 비용 + 최대 고객 만족
시계열 분해 (Time Series Decomposition)
실제 데이터 = 추세 + 계절성 + 잔차(노이즈)
[추세 (Trend)]
장기적인 방향성
예: 전기차 배터리 수요가 매년 25% 증가
|
| .*
| .**
| .**
| .**
| .**
|**
+-----------------> 시간
[계절성 (Seasonality)]
반복되는 패턴 (주기적)
예: 에어컨 부품은 봄-여름 수요 급증
| * * *
| * * * * * *
|* * * * * *
| * * * *
+-----------------> 시간
1년 1년 1년
[잔차 (Residual/Noise)]
설명 불가능한 랜덤 변동
예: 특별 이벤트, 날씨, 공급 이슈수요예측 방법론 비교
| 방법 | 복잡도 | 정확도 | 장점 | 단점 |
|---|---|---|---|---|
| 이동평균 | 낮음 | 낮음 | 구현 쉬움 | 지연 발생 |
| 지수평활법 | 낮음 | 중간 | 최근 추세 반영 | 급변에 약함 |
| ARIMA | 중간 | 중간 | 통계적 엄밀 | 파라미터 튜닝 |
| Prophet | 중간 | 높음 | 계절성 자동 탐지 | 외부변수 한계 |
| LightGBM/XGBoost | 높음 | 높음 | feature 유연 | 데이터 많이 필요 |
| LSTM/Transformer | 높음 | 매우높음 | 복잡 패턴 학습 | 학습 시간 |
제조 현장 권장: Prophet (빠른 프로토타입) + LightGBM (정밀 튜닝)
AI로 학습하기 — 꿀팁
🧪시계열 4성분을 제조 수요 데이터로 분해AI 학습 팁
추세·계절성·주기·노이즈 4성분은 제조업 수요 데이터에서 서로 겹쳐 있어 분리가 어렵습니다. AI로 실제 생산 이력 데이터를 STL 분해하고 각 성분의 제조업적 의미를 해석하세요.
제조업 월별 수요 데이터를 STL(Seasonal-Trend decomposition) 분해하는 Python 코드를 작성하고, 분해된 각 성분을 제조 현장 관점에서 해석해줘. 데이터 특성: [제품 유형=자동차 부품/가전/반도체 중 선택, 데이터 기간=3년, 계절 패턴=상반기 피크/연말 피크 등]. 코드 포함: statsmodels STL 분해 + 4개 서브플롯(원본/추세/계절성/잔차), 잔차의 이상값 탐지(3-sigma). 해석 포함: 추세 기울기가 양수/음수일 때 생산계획 시사점, 계절성 진폭이 클 때 재고 전략.
이 팁이 도움이 됐나요?
핵심 포인트
- • 시계열 = 추세 + 계절성 + 잔차 (분해 가능)
- • 과소예측 = 납기지연, 과대예측 = 재고과잉
- • Prophet은 빠른 프로토타입, LightGBM은 정밀 예측에 적합
- • 제조업 수요예측은 생산계획(MPS/MRP)의 입력값