Royfactory

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;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 Forecasting의 “정답”은 MAPE가 아니라, 목표 서비스레벨/비용을 만족하는 발주 의사결정이다.발주점(ROP)·안전재고는 “리드타임 동안의 수요 분포”를 만들고, 원하는 서비스레벨에 해당하는 분위수(quantile)를 쓰면 된다.단, 일자별 P95를 더해서 리드타임 P95를 만들면 안 된다(분위수는 합산 불가). 샘플 경로(시뮬레이션)로 합산해 분포를 만든다.단발성(프로모션/시즌) 발주는 Newsvendor(크리티컬 프랙타일)로 “부족비용 vs 과잉비용”을 분위수로 바꿀 수 있다.예측 구간(PI)이 과신되면 서비스레벨이 무너진다. 컨포멀(conformal)로 구간 커버리지를 보정하는 게 안전하다.본문TOC이번 차시 목표와 사전 준비서비스레벨: CSL vs Fill Rat..

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) ..