Royfactory

TL;DRAI 기술이 빠르게 발전하며 무한한 가능성을 제시하고 있지만, 제한과 제약은 기술의 성공적 구현에 중요한 역할을 합니다. 이 글에서는 AI 기술의 제약이 왜 중요한지, 실무에서 이를 어떻게 활용할 수 있는지에 대해 다룹니다.AI 기술의 제약: 정의와 중요성AI 기술 발전의 제약은 기술 개발 및 구현 과정에서 의도적으로 설정된 제한 사항을 의미합니다. 여기에는 데이터 보안, 비용 관리, 성능 최적화 등이 포함됩니다. 이는 기술의 무분별한 확장을 방지하고 실질적인 가치를 창출하는 데 중요한 역할을 합니다.대표 오해: 제약은 기술 발전을 방해한다?많은 이들이 제약을 기술 발전의 장애물로 간주합니다. 하지만 실제로는 제약이 기술의 효율성을 높이고, 실질적 문제 해결에 초점을 맞추도록 돕습니다.주요 구성..

TL;DR가격 탄력성(Price Elasticity of Demand)은 가격 변화에 따른 수요의 민감도를 측정하는 핵심 지표로, 1% 가격 변화가 수요에 미치는 영향을 파악하는 데 사용됩니다.단순 상관 모델은 내생성(Endogeneity) 문제로 잘못된 탄력성 결론을 냅니다. 인과적, 통제변수 기반 설계가 필요합니다.머신러닝 기반 동적 가격 모델은 계절성·추세·프로모션 변수를 통합해 탄력성을 추정하는 방법론으로 최근 연구가 진행되고 있습니다.최종 산출물은 탄력성 계수뿐 아니라 가격 시뮬레이션 엔진을 통한 수요·매출·재고 시나리오 분석입니다.1. 가격 탄력성이란?Price Elasticity of Demand(수요의 가격탄력성)은 가격 변화에 대한 수요량 변화의 민감도를 나타냅니다.수식으로는 다음과 같이..

TL;DR간헐수요 예측은 "0이 많은 판매 시계열"을 다루는 별도 트랙이며, 일반 MAPE 싸움으로는 답이 안 나옵니다. Croston 계열(Croston/SBA/TSB)을 최소 베이스라인으로 고정하세요.Croston은 수요 크기와 도착 간격을 분리해 평활하는 고전 접근이지만 편향 이슈가 알려져 있고, SBA는 이를 완화하는 변형으로 널리 인용됩니다."0이 많은 이유"가 진짜 무수요인지 품절/노출 부족으로 검열된 판매인지부터 분리해야 모델이 망가지지 않습니다(데이터 계약/게이트가 먼저).더 강한 확률 모델이 필요하면 제로-인플레이션 카운트 시계열(예: ZIP 기반 상태공간) 같은 접근이 연구·실무에서 쓰입니다.본문TOC주제 정규화사전 요구사항: “0의 의미”를 데이터로 고정설계 절차: 간헐 SKU 분류 ..

TL;DRAI Sales Forecasting에서 "SKU 합 = 카테고리 합 = 전체 합"이 깨지면 계획/발주가 바로 꼬인다. 해결책은 Forecast Reconciliation(조정)이다.계층 예측은 보통 (1) 모든 레벨에 대해 base forecast 생성 → (2) MinT 같은 방법으로 coherent(합 일치)하게 조정이 표준이다.신제품(콜드스타트)은 "예측 모델을 바꾸는 문제"라기보다 정보를 어디서 빌려오느냐(유사 상품/계층/콘텐츠 특징/가격대) 설계가 핵심이다.프로모션은 평균 수요를 흔드는 이벤트라서, (a) 예측 피처로 넣는 방식과 (b) uplift를 따로 추정(인과/반사실)하는 방식을 분리해 설계해야 한다.본문0) 주제 정규화1문장 정의: 계층 예측·콜드스타트·프로모션 Uplift ..

TL;DRAI Sales Forecasting는 "모델 학습"이 끝이 아니라 운영 루프(모니터링→원인분석→재학습/롤백)가 설계의 80%입니다.운영에서 반드시 나눠 모니터링해야 할 것은 3개: 데이터 품질(입력), 드리프트(분포), 성능(라벨 도착 후).배포는 "한 번에 교체"가 아니라 모델 레지스트리 기반 버저닝 + 챔피언/챌린저 + 카나리가 기본입니다.본문TOC사전 요구사항(로그·스키마·지연 라벨)운영 아키텍처: 배치 예측 파이프라인의 표준 형태단계별 절차: “모니터링 3종”을 먼저 만든다검증 방법: 어디를 보면 고장인지 바로 알 수 있나릴리즈 전략: 레지스트리·카나리·롤백트러블슈팅 3종(가장 흔한 사고)실무 체크리스트(배포 전 / 운영 중)FAQ(6개)1) 사전 요구사항(로그·스키마·지연 라벨)AI ..

TL;DRAI Sales Forecasting에서 딥러닝은 "피처 기반 ML(GBDT)"로 한계가 보일 때, 멀티호라이즌·복잡한 공변량·불확실성(분포 예측)을 더 일관되게 처리하려고 쓰는 카드입니다.최근엔 TimesFM·Chronos·TimeGPT처럼 사전학습(Pretrained) 기반 파운데이션 모델이 등장해, 데이터가 부족한 도메인에서도 제로샷/소량 적응을 시도할 수 있습니다.실무 설계의 핵심은 "모델 고르기"가 아니라 (1) 공변량을 예측 시점에 공급 가능한지, (2) 롤링 오리진 백테스트, (3) 예측구간 불확실성(PI/Quantile) 캘리브레이션, (4) 비용·지연·서빙 형태를 같이 묶는 것입니다.팩트시트 (초안 전 필수)핵심 정의(1문장): 딥러닝 판매 예측은 다수 시계열을 "글로벌 모델"로..

TL;DRAI Sales Forecasting에서 피처 기반 머신러닝(GBDT)은 “시계열을 회귀 문제로 변환”해 대량 SKU/매장 예측을 안정적으로 확장합니다.핵심은 (1) 라그/롤링/캘린더/외생변수 설계, (2) 누수 방지(point-in-time), (3) 롤링 오리진 백테스트, (4) WAPE 중심 평가, (5) 분위수(quantile)로 불확실성까지 한 번에 엮는 것입니다.이번 편에서는 “실무 파이프라인”을 그대로 따라 만들 수 있게 데이터 스키마, 피처 분류, 학습/검증, 운영 체크리스트를 제공합니다.본문TOC피처 기반 ML 판매 예측의 정의와 범위데이터 스키마: (store, item) 패널을 “롱 포맷”으로 고정피처 설계: 라그/롤링/캘린더/외생변수(Static/Dynamic/Calenda..

TL;DRAI Sales Forecasting에서 백테스트는 "점수 뽑기"가 아니라 운영과 같은 조건으로 성능을 검증하는 절차입니다. FPP3는 진짜 예측 오차는 학습 잔차가 아니라 새 데이터에서의 genuine forecasts로 봐야 한다고 정리합니다.기본은 rolling forecasting origin(rolling-origin) + expanding/rolling window + 재학습(refit) 여부 명시입니다.리테일/판매 예측에서는 MAPE만 고집하지 말고 WAPE(볼륨 가중), MASE(스케일드) 같은 지표를 함께 써야 합니다.베이스라인은 최소 Seasonal Naive + ETS(지수평활 계열) 2개를 두고, 모든 모델은 여기에 "상대 개선"으로 보고하세요.분위수(확률) 예측을 한다면 ..

TL;DRAI Sales Forecasting 프로젝트는 모델보다 데이터 설계(스키마/시간 의미/누수 방지/품질 규칙)에서 승부가 납니다.판매 예측 데이터는 최소한 sales(타깃) + calendar(캘린더/이벤트) + price + promo + inventory/stockout 축으로 나눠 설계하는 게 안전합니다.시계열 피처 조인은 포인트-인-타임(과거 시점 기준) 정합성을 보장해야 누수(leakage)를 막을 수 있습니다.품절(stockout)은 관측 판매를 검열(censored)로 만들고 예측 편향을 유발할 수 있으니, 최소한 stockout_flag는 데이터 계약에 포함하세요.품질 관리는 "문서"가 아니라 검증 가능한 규칙(Expectation Suite)로 자동화하는 게 실무적으로 맞습니다...

TL;DRAI Sales Forecasting(판매 예측)은 “예측값”보다 예측을 어떻게 의사결정(재고·발주·인력)으로 연결하느냐가 성패를 가릅니다.설계는 문제 정의(단위·지평·리드타임) → 데이터 설계(타깃/캘린더/프로모션) → 베이스라인+백테스트 → 모델(통계/ML/DL) → 확률예측 → 배포·모니터링 순으로 가면 됩니다.평가에는 훈련/테스트 분리와 시계열 교차검증(rolling origin)이 필수입니다.확률예측(분위수/구간)을 도입하면 품절/과잉재고 비용처럼 비대칭 비용을 모델링하기 쉬워집니다.관리형 서비스(예: Vertex AI Forecasting, Azure AutoML Forecasting)는 빠르지만 제약이 있으니(예: 방식/추론 제약) 설계 초기에 결정해야 합니다.본문TOC연재(강의) ..