제품별 수요 패턴의 클러스터화 및 머신러닝/딥러닝 기반의 수요 예측 방법론 개발

직책 : 연구 책임자

기간 : 2019. 11. ~ 2020.06.

연구 필요성

서비스자재는 시장 유통 중 발생하는 제품의 수리를 위해 반드시 필요한 요소 중 하나이다. 제조사는 고객이 수리를 필요로 하는 시점에 즉시 자재를 공급할 수 있도록 주간 단위로 수요를 예측하고, Global로 구축되어 있는 공급사슬망을 활용하여 적기에 자재를 공급하고 있다. 이렇게 공급된 자재는 수요지의 창고에 적정 수준 비축되고, 수리점의 구매 요청이 있을 때 즉시 공급되어 제품 수리에 사용된다. 자재 공급의 첫단추인 수요예측은 매우 중요한 활동으로 실사용보다 많은 예측을 하게 되면 불용 재고의 증가를 야기하여 결국 재고 폐기 금액의 증가하게 된다. 반대로 예측 과소로 인한 재고 고갈은 제품의 교환·환불과 고객 이탈로 이어질 수 있다. 서비스자재는 대부분 과거의 수요를 기반으로 통계적 (시계열) 예측 기법을 사용하고 있으나 시스템이 구축되었던 7년전보다 현재 예측 환경은 더 빠르고, 복잡하게 변화되고 있다. 이로 인해 기존 방법으로 예측 정확도를 향상시키는데 한계에 봉착한 상황으로 최근 다양한 산업계에 적용되고 있는 최신 기법 (머신러닝, 딥러닝 等)을 접목하여 수요 예측 정확도를 개선하고자 한다. 또한 자재 수요와 영향이 있는 외부 인자 (제품 판매량, 워런티 정책, 기후조건 等)와의 상관관계 유무를 분석하고 이를 예측 모델 설계에 고려하고자 한다. 

연구 목적 및 내용

본 연구는 서비스자재의 수요 예측 정확성을 향상시키기 위해 1) 통계적 예측 기법과 2) 머신러닝 기법 3) 딥러닝 기법을 각각 활용하여, 모델을 구축하고 성능 비교를 수행하여 최적의 예측 모델을 제시한다.

기대 효과

연구를 통해 제품별 중장기(~20주) 구간의 수요 예측 정확도를 향상하고, 기존 통계적 기법에서 예측이 난해하였던 수요 패턴(수요 급증·급감 자재의 변곡점 예측, 초기 구간 수요 급등 기울기 및 최초 수요 급등 시점 예측)을 파악하여 적정 서비스 자재 유지를 통해 재고 폐기 비용을 최소화하고 예측 과소를 최소화할 수 있다.