영상 핵심 정리 — AI 수요예측으로 생산계획 불확실성 줄이기

이 영상은 제조 공장의 원자재·부품 수요예측에 AI를 적용하는 방법을 다룬다. AWS DeepAR과 오픈소스 Prophet을 중심으로 통계 모델(ARIMA)과 비교한다.

---

1. 수요예측 모델 3종 비교

항목	ARIMA	Prophet	DeepAR
기반	통계 (자기회귀)	가산 분해	딥러닝 (RNN)
계절성 처리	수동 (SARIMA)	자동 감지	자동 학습
다품종 동시	개별 모델	개별 모델	전역 모델
이력 필요량	많음 (2년+)	중간 (1년+)	적음
코드 난이도	중간	낮음	높음

2. Prophet 구현

from prophet import Prophet
import pandas as pd

df = pd.read_csv('parts_demand.csv').rename(columns={'date':'ds','demand':'y'})

model = Prophet(
    changepoint_prior_scale=0.05,
    seasonality_mode='multiplicative',
    weekly_seasonality=True, yearly_seasonality=True
)
model.add_country_holidays(country_name='KR')
model.fit(df)

future = model.make_future_dataframe(periods=90)
forecast = model.predict(future)
print(forecast[['ds','yhat','yhat_lower','yhat_upper']].tail(10))

3. 안전재고 공식

안전재고 = Z × σ_demand × √Lead_Time

Z: 서비스 수준 (95% → 1.645)
σ_demand: 수요 표준편차
Lead_Time: 조달 리드타임 (일)

예시:
  일평균 100개, σ=20, 리드타임=5일, 95%
  안전재고 = 1.645 × 20 × √5 ≈ 74개
  재주문점 = 100×5 + 74 = 574개

함정 주의: Prophet의 yhat_lower/upper를 안전재고에 활용 가능하지만, 과거 변동성 기준이므로 공급망 충격(코로나, 부품 수급난) 같은 외부 충격은 반영하지 못한다.

---

다음 task와의 연결

다음 reading에서 Prophet·DeepAR·ARIMA 세 모델을 동일 데이터로 돌려보고 MAPE를 비교하는 실습으로 이어진다.

제조 부품 수요예측을 위한 Prophet 코드를 작성해줘. 추세·계절성·공휴일 효과를 자동 분해해 학습하는 10줄 코드 예시와, 이력이 짧은 신규 SKU 예측에 DeepAR 글로벌 모델을 쓰는 이유를 설명해줘. 제조 수요예측의 현실적 MAPE 허용 기준 10~15% 달성 여부를 평가하는 코드도 포함해줘.